蒙特卡洛方法及在风险评估中应用(本科毕业论文).docVIP

蒙特卡洛方法及其应用 1风险评估及蒙特卡洛方法概述 １.１蒙特卡洛方法。 蒙特卡洛方法，又称随机模拟方法或统计模拟方法，是在20世纪40年代随着电子计算机的发明而提出的。它是以统计抽样理论为基础，利用随机数，经过对随机变量已有数据的统计进行抽样实验或随机模拟，以求得统计量的某个数字特征并将其作为待解决问题的数值解。 蒙特卡洛模拟方法的基本原理是：假定随机变量X1、X2、X3……Xn、Y，其中X1、X2、X3……Xn 的概率分布已知，且X1、X2、X3……Xn、Y有函数关系：Y=F（X1、X2、X3……Xn），希望求得随机变量Y的近似分布情况及数字特征。通过抽取符合其概率分布的随机数列X1、X2、X3……Xn带入其函数关系式计算获得Y的值。当模拟的次数足够多的时候，我们就可以得到与实际情况相近的函数Y的概率分布和数字特征。 蒙特卡洛法的特点是预测结果给出了预测值的最大值,最小值和最可能值，给出了预测值的区间范围及分布规律。 １.２风险评估概述。 风险表现为损的不确定性，说明风险产生的结果可能带来损失、获利或是无损失也无获利，属于广义风险风险评估就是量化测评某一事件或事物带来的影响的可能程度。 蒙特卡洛模拟的一般步骤如下： 1.选取随机变量,即对净现值最敏感的变量。 2.确定随机变量的概率分布 3.为各随机变量抽取随机数 4.将抽得的随机数转化为各输入变量的抽样值 5.将抽样值构成一组项目评价基础数据 6.根据基础数据计算出一种随机状况下的评价指标值 7.重复上述过程，进行反复多次模拟，得出多组评价指标值 8.整理模拟结果所得评价指标的期望值、方差、标准差、概率分布及累计概率分布，绘制累计概率图，同时，检验模拟次数是否满足预定的精度要求 根据上述结果，分析各随机变量对项目收益的影响。 2.1.2蒙特卡洛模拟结果的分析与应用 根据所得的概率分布以及概率分布图，我们可以获得关于项目未来收益的一系列评价指标，例如未来现金流的净现值的期望值、方差、标准差、净现值可能的区间以及概率。但是，公司的决策者根据公司总体情况，需要综合考虑很多其他的因素，故在了解该项目风险指标的基础上，可以根据公司现金流的需求状况、公司整体运营情况来决策。 具体而言，首先，公司投资的回报需要用于弥补公司除成本外的各项费用开支，因此，仅仅要求项目未来收益的现值为正还不能够使得公司盈利，决策者需要在了解总成本的基础上确定一个收支相抵的净现值额，再结合模拟的结果进行决策。 其次，对于一个公司而言，公司可能同时有数个项目在运营中，决策者就需要考虑整个公司所有项目之间的平衡。例如，公司的某一其他项目在未来的一时间点需要一笔现金投入，这笔现金投入来源于我们目前考察项目的资金回收。为了保证公司资金链的流畅，就需要了解项目资金回收的情况。 2.2模型改进 2.2.1输入变量关联性改进 在项目评估中，可能有多个风险敏感变量会对目标变量造成影响，尽管蒙特卡洛方法可以设置多个风险敏感变量，但是传统的蒙特卡洛方法不考虑变量之间的关系，那么对于部分案例，我们就无法观察到风险敏感变量之间的关系。关联性改进就是通过研究风险敏感变量之间的关系，试图将变量之间的关系嵌入模型，使得模型更加完善。最典型的例子就是规模效应。 规模效应是指销售量或者产量与单位可变成本之间的关系，可以分为规模经济、规模不变以及规模不经济。规模经济就是说随着销售量或者产量的增加，单位可变成本是呈现递减的趋势；同样的，规模不经济就是单位成本随着销售量或者产量的增加而递增。 2.2.2 伪随机数列的改进 在软件Matlab中，命令rand（）可以用来产生0到1之间服从均匀分布随机数列，然而这种随机数是根据一定的算法，如逆同余法、乘同余法、线性同余法等产生服从均匀分布的随机数。但上述各方法均存在一定的不足，如高维不均匀性和长周期相关性现象，会导致仿真收敛速度慢及结果波动大等一系列问题。 基于上述原因，传统蒙特卡洛方法往往会造成“空隙和簇”的现象，造成对采样空间的搜索不充分。为了获得分布更加均匀的数列，可以采用分布更加均匀的拟随机数列，可以使用精选的确定的样本点。而且由于拟随即序列的收敛速度要高于伪随机序列，它可以用较少的样本数就可以达到相对高的精度。 3案例分析 3.1案例 某饮料企业现准备开发一种新型果汁饮料的投资项目，其初始投资额为200万元 该项目一旦投入运营后，第一年产品的销量是一个服从均值为200万件而标准差为 60万件的正态分布，根据这种产品的生命周期规律，第二年销量将在第一年的基础上增长 30%，而第三年销量将在第二年基础上增长- 20%。三年内每年还需投入固定成本100 万元。新产品单位可变成本为服从2到4的均匀分配。商品零售价格为服从期望为4，方差为2的正态分布。试分析此项目的风险。 1．考虑将项目投资后三年内的