Имитационное моделирование Монте-Карло

Анализ сценариев

Анализ чувствительности

Цель анализа чувствительности состоит в сравнительном анализе влияния различных факторов инвестиционного проекта на ключевой показатель эффективности проекта, например, внутреннюю норму прибыльности.

Приведем наиболее рациональную последовательность проведение анализа чувствительности.

Выбор ключевого показателя эффективности инвестиций, в качестве которого может служить внутренняя норма прибыльности (IRR) или чистое современное значение (NPV).

Выбор факторов, относительно которых разработчик инвестиционного проекта не имеет однозначного суждения (т. е. находится в состоянии неопределенности). Типичными являются следующие факторы:

капитальные затраты и вложения в оборотные средства,

рыночные факторы - цена товара и объем продажи,

компоненты себестоимости продукции,

время строительства и ввода в действие основных средств.

Установление номинальных и предельных (нижних и верхних) значений неопределенных факторов, выбранных на втором шаге процедуры. Предельных факторов может быть несколько, например 5% и 10% от номинального значения (всего четыре в данном случае)

Расчет ключевого показателя для всех выбранных предельных значений неопределенных факторов.

Построение графика чувствительности для всех неопределенных факторов. В западном инвестиционном менеджменте этот график носит название “Spider Graph”.

Анализ сценариев - это прием анализа риска, который наряду с базовым набором исходных данных проекта рассматривает ряд других наборов данных, которые по мнению разработчиков проекта, могут иметь место в процессе реализации. В анализе сценария, финансовый аналитик просит технического менеджера подобрать показатели при “плохом” стечении обстоятельств (малый объем продаж, низкая цена продажи, высокая себестоимость единицы товара, и т. д.) и при “хорошем”. После этого, NPV при хороших и плохих условиях вычисляются и сравниваются о ожидаемым NPV.

Метод имитационного моделирования Монте-Карло создает дополнительную возможность при оценке риска за счет того, что делает возможным создание случайных сценариев. Применение анализа риска использует богатство информации, будь она в форме объективных данных или оценок экспертов, для количественного описания неопределенности, существующей в отношении основных переменных проекта и для обоснованных расчетов возможного воздействия неопределенности на эффективность инвестиционного проекта. Результат анализа риска выражается не каким-либо единственным значением NPV, а в виде вероятностного распределения всех возможных значений этого показателя. Следовательно, потенциальный инвестор, с помощью метода Монте-Карло будет обеспечен полным набором данных, характеризующих риск проекта. На этой основе он сможет принять взвешенное решение о предоставлении средств.

В общем случае имитационное моделирование Монте-Карло - это процедура, с помощью которой математическая модель определения какого-либо финансового показателя (в нашем случае NPV) подвергается ряду имитационных прогонов с помощью компьютера. В ходе процесса имитации строятся последовательные сценарии с использованием исходных данных, которые по смыслу проекта являются неопределенными, и потому в процессе анализа полагаются случайными величинами. Процесс имитации осуществляется таким образом, чтобы случайный выбор значений из определенных вероятностных распределений не нарушал существования известных или предполагаемых отношений корреляции среди переменных. Результаты имитации собираются и анализируются статистически, с тем, чтобы оценить меру риска.

В анализе рисков используется информация, содержащаяся в распределении вероятности с множественными значениями. Именно использование множественных значений вместо детерминированных распределений вероятности и отличает имитационное моделирование от традиционного подхода.

Процесс анализа риска может быть разбит на следующие стадии.

1. Подготовка модели, способной прогнозировать расчет эффективности проекта

2. Распределение вероятности (шаг 1)

Определение вероятностного закона распределения случайных переменных

3. Распределение вероятности (шаг 2)

Установление границ диапазона значений переменных

4. Установление отношений коррелированных переменных

5. Имитационные прогоны

Генерирование случайных сценариев, основанных на наборе допущений

6. Анализ результатов

Статистический анализ результатов имитации

Определение случайных переменных и придание им соответствующего распределения вероятности является необходимым условием проведения анализа рисков. Успешно завершив эти этапы, можно перейти к стадии моделирования. Однако непосредственный переход к моделированию будет возможен только в том случае, если будет установлена корреляция в системе случайных переменных, включенных в модель. Под корреляцией понимается случайная зависимость между переменными, которая не носит строго определенного характера, например, зависимость между ценой реализации товара и объемом продаж.

Наличие в модели анализа коррелированных переменных может привести к серьёзным искажениям результатов анализа риска, если эта корреляция не учитывается. Фактически наличие корреляции ограничивает случайный выбор отдельных значений для коррелированных переменных. Две коррелированные переменные моделируются так, что при случайном выборе одной из них другая выбирается не свободно, а в диапазоне значений, который управляется смоделированным значением первой переменной.

Хотя очень редко можно объективно определить точные характеристики корреляции случайных переменных в модели анализа, на практике имеется возможность установить направление таких связей и предполагаемую силу корреляции. Для этого применяют методы регрессионного анализа. В результате этого анализа рассчитывается коэффициент корреляции, который может принимать значения от -1 до 1.

Стадия "прогонов модели" является той частью процесса анализа риска, на которой всю рутинную работу выполняет компьютер. После того, как все допущения тщательно обоснованы, остается только последовательно просчитывать модель (каждый пересчет является одним "прогоном") до тех пор, пока будет получено достаточно значений для принятия решения (например более 1000).

В ходе моделирования значения переменных выбираются случайно в границах заданных диапазонов и в соответствии с распределениями вероятностей и условиями корреляций. Для каждого набора таких переменных вычисляется значение показателя эффективности проекта. Все полученные значения сохраняются для последующей статистической обработки.

Для практического осуществления имитационного моделирования можно рекомендовать пакет "Risk Master", разработанный в Гарвардском университете. Генерирование случайных чисел этот пакет осуществляет на основе использования датчика псевдослучайных чисел, которые рассчитываются по определенному алгоритму. Особенностью пакета является то, что он умеет генерировать коррелированные случайные числа.

Окончательной стадией анализа рисков является обработка и интерпретация результатов, полученных на стадии прогонов модели. Каждый прогон представляет вероятность события, равную

p = 100 : n,

где p - вероятность единичного прогона, %;

n - размер выборки.

Например, если количество случайных прогонов равно 5000, то вероятность одного прогона составляет

p = 100 : 5000 = 0,02 %.

В качестве меры риска в инвестиционном проектировании целесообразно использовать вероятность получения отрицательного значения NPV. Эта вероятность оценивается на основе статистических результатов имитационного моделирования как произведение количества результатов с отрицательным значением и вероятности единичного прогона. Например, если из 5000 прогонов отрицательные значения NPV окажутся в 3454 случаях, то мера риска составит 69.1%.

Дата добавления: 2014-03-13; просмотров: 454; Нарушение авторских прав

Мы поможем в написании ваших работ!