محاسبه بسیاری از نتایج مختلف و احتمال وقوع آنها با نرم افزار شبیه سازی مونت کارلو

منابع

تحلیل مونت کارلو به صورت احتمالی تأثیر ریسک را ارزیابی می کند

تحلیل ریسک و پیش بینی بخشی از هر تصمیمی است که می گیرید. ما دائما با عدم قطعیت، ابهام و تنوع مواجه هستیم. و حتی اگر دسترسی بی سابقه ای به اطلاعات داریم، نمی توانیم آینده را به درستی پیش بینی کنیم. شبیه سازی مونت کارلو (همچنین به عنوان روش مونت کارلو شناخته می شود) به شما امکان می دهد تمام نتایج احتمالی تصمیمات خود را مشاهده کنید، از جمله احتمالات واقعی هر یک از آنها. این به شما امکان می دهد تا تأثیر ریسک را به صورت کمی ارزیابی کنید و امکان پیش بینی دقیق تر و در نهایت تصمیم گیری بهتر در شرایط عدم اطمینان را فراهم کنید.

شبیه سازی مونت کارلو چیست؟

روش مونت کارلو یک تکنیک ریاضی کامپیوتری است که به افراد این امکان را می دهد تا ریسک را در پیش بینی و تصمیم گیری به صورت کمی حساب کنند. در هسته خود، روش مونت کارلو راهی برای استفاده از نمونه های تصادفی از پارامترها برای کشف رفتار یک سیستم پیچیده است. شبیه سازی مونت کارلو برای رسیدگی به طیف گسترده ای از مشکلات در زمینه های مختلف برای درک تأثیر ریسک و عدم قطعیت استفاده می شود.

راهی برای حسابرسی ریسک

شبیه سازی مونت کارلو تاثیر ریسک را در قیمت سهام، مدیریت پروژه، هوش مصنوعی و بسیاری از سناریوهای واقعی دیگر ارزیابی کرده است. روش مونت کارلو تعدادی مزیت را نسبت به مدل های پیش بینی با ورودی های ثابت ارائه می دهد، مانند توانایی انجام تجزیه و تحلیل حساسیت. یا محاسبه همبستگی ورودی ها.

یک ابزار تحلیل پیش بینی که در بسیاری از زمینه ها کار می کند

این تکنیک برای پیش بینی استفاده می شود که ریسک، عدم قطعیت و تغییرپذیری را در نظر می گیرد. مدیران پروژه و تصمیم گیرندگان از ابزار شبیه سازی مونت کارلو برای تخمین اثرات ریسک های مختلف بر هزینه پروژه و جدول زمانی پروژه استفاده می کنند. با استفاده از این روش می توان به راحتی متوجه شد که در صورت بروز هر گونه خطری چه اتفاقی برای برنامه و هزینه پروژه می افتد. شبیه سازی مونت کارلو در زمینه های مختلفی استفاده می شود، از جمله:

موارد استفاده شامل تجزیه و تحلیل جریان نقدی، سرمایه گذاری سرمایه، تخمین ذخایر، قیمت گذاری، برآورد هزینه، مدیریت پروژه، تجزیه و تحلیل خط لوله محصول، بهینه سازی پورتفولیو، ریسک زنجیره تامین و موارد دیگر می شود.

طیفی از نتایج

شبیه سازی مونت کارلو طیف وسیعی از نتایج احتمالی و احتمالاتی را که برای هر انتخاب عملی رخ خواهند داد به تصمیم گیرنده ارائه می دهد. این امر نشان می دهد:

• احتمالات شدید
• نتایج حاصل از رفتن به سمت شکست و محافظه کارانه ترین تصمیم
• همراه با تمام عواقب احتمالی برای تصمیمات میانه راه

تاریخچه شبیه سازی مونت کارلو

این تکنیک برای اولین بار توسط دانشمندانی که روی بمب اتمی کار می کردند استفاده شد. این شهر به خاطر مونت کارلو، شهر تفریحی موناکو که به خاطر کازینوهایش مشهور است، نامگذاری شده است. از زمان معرفی آن در جنگ جهانی دوم، شبیه سازی مونت کارلو برای مدل سازی انواع سیستم های فیزیکی و مفهومی استفاده شده است.

شبیه سازی مونت کارلو چگونه کار می کند

شبیه سازی مونت کارلو، تحلیل ریسک را با ساخت مدل هایی از نتایج احتمالی با جایگزین کردن طیفی از مقادیر - که توزیع احتمال نامیده می شود - برای هر عاملی که عدم قطعیت ذاتی دارد، انجام می دهد. سپس نتایج را بارها و بارها محاسبه می کند و هر بار از مجموعه ای متفاوت از مقادیر تصادفی از توزیع های احتمال ورودی استفاده می کند. بسته به تعداد عدم قطعیت ها و محدوده های مشخص شده برای آنها، شبیه سازی مونت کارلو می تواند هزاران یا ده ها هزار محاسبه مجدد را قبل از تکمیل انجام دهد. نتیجه یک شبیه سازی مونت کارلو، محدوده یا توزیعی از مقادیر نتیجه ممکن است. این داده ها در مورد نتایج احتمالی شما را قادر می سازد تا احتمالات نتایج مختلف را در پیش بینی های خود محاسبه کنید، و همچنین طیف گسترده ای از تحلیل های اضافی را انجام دهید. نرم افزار شبیه سازی مونت کارلو یک مدل صفحه گسترده ایجاد می کند که به شما امکان می دهد طرح خود را به صورت عددی ارزیابی کنید، به شما امکان می دهد اعداد را تغییر دهید، بپرسید "چه می شود اگر" و نتایج را ببینید.

با استفاده از توزیع های احتمال برای ورودی های نامشخص، می توانید مقادیر مختلف ممکن برای این متغیرها را همراه با احتمال وقوع آنها نشان دهید. توزیع های احتمالی روشی بسیار واقعی تر برای توصیف عدم قطعیت در متغیرهای تحلیل ریسک است، که شبیه سازی مونت کارلو را بسیار برتر از تحلیل های رایج «بهترین حدس» یا «بهترین/بدترین/محتمل ترین» می کند.

برای استفاده از شبیه سازی مونت کارلو، باید یک مدل کیفی از فعالیت، برنامه یا فرآیند کسب و کار خود بسازید. بهترین راه برای انجام این کار، ایجاد یک مدل صفحه گسترده با استفاده از مایکروسافت اکسل و استفاده از نرم افزار RISK @ Palisade است. نتایج شبیه سازی خود را با استفاده از میانگین، صدک، انحراف معیار، علاوه بر نمودارها و نمودارها، تجزیه و تحلیل کنید. نرم افزار شبیه سازی Monte Carlo Palisade به شما کمک می کند تا داده های خود را تفسیر کنید و با پشتیبانی و کمک فنی 24/7 پشتیبانی می شود.

توزیع احتمالات رایج شامل

معمولی

یا "منحنی زنگ". کاربر به سادگی میانگین یا مقدار مورد انتظار و یک انحراف استاندارد را برای توصیف تنوع در مورد میانگین تعریف می کند. مقادیر در وسط نزدیک میانگین به احتمال زیاد رخ می دهد. این متقارن است و بسیاری از پدیده های طبیعی مانند ارتفاعات افراد را توصیف می کند. نمونه هایی از متغیرهای توصیف شده توسط توزیع های عادی شامل نرخ تورم و قیمت انرژی است.

ازار

مقادیر به صورت مثبت چرب هستند ، مانند توزیع عادی متقارن نیستند. از آن برای نشان دادن مقادیری که به زیر صفر نمی روند اما از پتانسیل مثبت نامحدودی برخوردار هستند استفاده می شود. نمونه هایی از متغیرهای توصیف شده توسط توزیع های Lognormal شامل ارزش املاک و مستغلات ، قیمت سهام و ذخایر نفتی است.

لباس فرم

همه مقادیر شانس برابر برای وقوع دارند و کاربر به سادگی حداقل و حداکثر را تعریف می کند زیرا هیچ دانش در مورد اینکه مقادیر بیشتر از سایرین هستند ، ندارند. نمونه هایی از متغیرهایی که می توانند به طور یکنواخت توزیع شوند شامل هزینه های تولید یا درآمدهای فروش آینده برای یک محصول جدید است.

سه گوش

کاربر حداقل ، به احتمال زیاد و حداکثر مقادیر را تعریف می کند. مقادیر اطراف به احتمال زیاد بیشتر اتفاق می افتد. متغیرهایی که می توانند توسط یک توزیع مثلثی توصیف شوند شامل تاریخچه فروش گذشته در هر واحد از زمان و سطح موجودی است.

کاربر دقیقاً مانند توزیع مثلثی ، حداقل ، به احتمال زیاد و حداکثر مقادیر را تعریف می کند. مقادیر اطراف به احتمال زیاد بیشتر اتفاق می افتد. با این حال مقادیر بین محتمل ترین و افراط و تفریط بیشتر از مثلثی اتفاق می افتد. یعنی افراط و تفریط به اندازه تأکید نشده است. نمونه ای از استفاده از توزیع PERT ، توصیف مدت یک کار در یک مدل مدیریت پروژه است.

گسسته

کاربر مقادیر خاصی را تعریف می کند که ممکن است رخ دهد و احتمال هرکدام. یک مثال ممکن است نتایج دادخواست باشد: 20 ٪ احتمال حکم مثبت ، 30 ٪ تغییر حکم منفی ، 40 ٪ احتمال تسویه حساب و 10 ٪ احتمال سوء استفاده.

نمونه گیری تصادفی در مقابل بهترین حدس

در طی یک شبیه سازی مونت کارلو ، مقادیر به طور تصادفی از توزیع احتمال ورودی نمونه برداری می شوند. هر مجموعه نمونه ها به عنوان یک تکرار نامیده می شوند و نتیجه حاصل از آن نمونه ثبت می شود. شبیه سازی مونت کارلو این صدها یا هزاران بار را انجام می دهد و نتیجه توزیع احتمال نتایج احتمالی است. به این ترتیب ، شبیه سازی مونت کارلو دیدگاهی بسیار جامع تر از آنچه ممکن است اتفاق بیفتد ارائه می دهد. این به شما می گوید نه تنها چه اتفاقی می افتد ، بلکه احتمالاً اتفاق می افتد.

شبیه سازی مونت کارلو چندین مزیت را نسبت به تجزیه و تحلیل قطعی یا "تخمین تک نقطه ای" ارائه می دهد:

• نتایج احتمالی. نتایج نشان می دهد نه تنها چه اتفاقی می افتد ، بلکه هر نتیجه نیز چقدر احتمال دارد.
• نتایج گرافیکی. به دلیل داده هایی که شبیه سازی مونت کارلو ایجاد می کند ، ایجاد نمودارهایی از نتایج مختلف و احتمال وقوع آنها آسان است. این برای برقراری یافته ها به سایر ذینفعان مهم است.
• تجزیه و تحلیل میزان حساسیت. تجزیه و تحلیل قطعی ، دیدن اینکه کدام متغیرها بیشترین تأثیر را بر روی نتیجه تأثیر می گذارد ، دشوار می کند. در شبیه سازی مونت کارلو ، به راحتی می توان دریافت که کدام ورودی ها بیشترین تأثیر را در نتایج خط پایین دارند. این به شما امکان می دهد عواملی را که بیشترین خطر را ایجاد می کنند ، شناسایی و کاهش دهید.

• تجزیه و تحلیل سناریو: در مدلهای قطعی ، مدل سازی ترکیبات مختلف مقادیر برای ورودی های مختلف برای دیدن اثرات سناریوهای واقعاً متفاوت بسیار دشوار است. با استفاده از شبیه سازی مونت کارلو ، تحلیلگران می توانند دقیقاً ببینند که در صورت وقوع نتایج خاص ، کدام مقادیر را با هم قرار داده اند. این برای دنبال کردن تجزیه و تحلیل بیشتر ارزشمند است.
• همبستگی ورودی ها. در شبیه سازی مونت کارلو ، می توان روابط وابسته به هم بین متغیرهای ورودی را مدل کرد. این مهم است که صحت نشان دهد که چگونه ، در واقعیت ، وقتی برخی از عوامل بالا یا پایین می روند ، برخی دیگر بر این اساس بالا یا پایین می روند.

پیشرفت در شبیه سازی مونت کارلو استفاده از نمونه گیری هایپرکوب لاتین است که با دقت بیشتری از طیف گسترده ای از مقادیر در توابع توزیع نمونه می شود و سریعتر نتیجه می گیرد.

شبیه سازی مونت کارلو با پالیزاد

نرم افزار Risk Palisade این تکنیک قدرتمند را برای هر کاربر اکسل که با عدم اطمینان در تحلیل های خود روبرو است ، قرار می دهد. Risk باعث می شود که به صورت گرافیکی مدل های ریسک را تعریف کنید ، شبیه سازی ها را اجرا کنید و نتایج را تجزیه و تحلیل کنید ، همه با کلیک ماوس. Risk 100 ٪ با Excel یکپارچه شده است و صدها کارکرد جدید را برای اکسل اضافه می کند تا کاربران بتوانند بدون یادگیری یک برنامه جدید ، خطرات خود را به سرعت درک کنند. اولین بار در سال 1987 برای لوتوس 1-2-3 معرفی شد ، Risk دارای اعتبار طولانی مدت برای دقت محاسباتی ، انعطاف پذیری مدل سازی و سهولت استفاده است و آن را به نرم افزار غالب مونت کارلو شبیه سازی در بازار تبدیل می کند.