Simulasi Monte Carlo BREAKING DOWN Simulasi Monte Carlo Karena bisnis dan keuangan diganggu oleh variabel acak, simulasi Monte Carlo memiliki beragam aplikasi potensial di bidang ini. Mereka digunakan untuk memperkirakan probabilitas overruns biaya dalam proyek besar dan kemungkinan harga aset akan bergerak dengan cara tertentu. Telecoms menggunakannya untuk menilai kinerja jaringan dalam skenario yang berbeda, membantu mereka mengoptimalkan jaringan. Analis menggunakannya untuk menilai risiko bahwa entitas akan default dan menganalisis derivatif seperti opsi. Penanggung dan pengebor minyak sumur juga menggunakannya. Simulasi Monte Carlo memiliki banyak aplikasi di luar bisnis dan keuangan, seperti dalam fisika meteorologi, astronomi dan partikel. Simulasi Monte Carlo diberi nama berdasarkan titik judi di Monaco, karena kebetulan dan hasil acak sangat penting bagi teknik pemodelan, sama seperti permainan seperti mesin rolet, dadu, dan mesin slot. Teknik ini pertama kali dikembangkan oleh Stanislaw Ulam, seorang matematikawan yang bekerja di Proyek Manhattan. Setelah perang, saat pulih dari operasi otak, Ulam menghibur dirinya dengan bermain game solitaire yang tak terhitung jumlahnya. Ia menjadi tertarik untuk merencanakan hasil setiap permainan ini untuk mengamati distribusinya dan menentukan probabilitas menang. Dia menyebutkan hal ini pada John Von Neumann, dan keduanya berkolaborasi mengembangkan simulasi Monte Carlo. Pemodelan Harga Aset Salah satu cara untuk menggunakan simulasi Monte Carlo adalah memodelkan kemungkinan pergerakan harga aset menggunakan Excel atau program serupa. Ada dua komponen terhadap pergerakan harga aset: drift, yang merupakan pergerakan arah konstan, dan input acak, yang merupakan volatilitas pasar. Dengan menganalisa data harga historis, Anda bisa menentukan drift, standar deviasi. Varians dan pergerakan harga rata-rata untuk keamanan. Ini adalah blok bangunan simulasi Monte Carlo. Untuk memproyeksikan satu lintasan harga yang mungkin, gunakan data harga historis dari aset tersebut untuk menghasilkan serangkaian pengembalian harian periodik dengan menggunakan logaritma alami (perhatikan bahwa persamaan ini berbeda dari rumus perubahan persentase biasa): pengembalian harian berkala ln (hari harga hari sebelumnya Harga) Selanjutnya gunakan fungsi AVERAGE, STDEV. P dan VAR. P pada keseluruhan seri yang dihasilkan untuk mendapatkan rata-rata return harian, standar deviasi dan varians input. Drift sama dengan: drift average daily return - (varians 2) Sebagai alternatif, drift dapat diatur ke 0 pilihan ini mencerminkan orientasi teoritis tertentu, namun perbedaannya tidak akan besar, setidaknya untuk jangka waktu yang lebih singkat. Selanjutnya dapatkan input acak: deviasi standar nilai acak NORMSINV (RAND ()) Persamaan untuk harga hari berikutnya adalah: harga hari ke depan harga e (nilai drift random) Untuk mengambil e ke daya yang diberikan x di Excel, gunakan EXP Fungsi: EXP (x). Ulangi perhitungan ini dengan jumlah waktu yang diinginkan (setiap pengulangan mewakili satu hari) untuk mendapatkan simulasi pergerakan harga di masa depan. Dengan menghasilkan sejumlah simulasi yang sewenang-wenang, Anda dapat menilai probabilitas bahwa harga keamanan akan mengikuti lintasan yang diberikan. Berikut adalah contohnya, menunjukkan sekitar 30 proyeksi untuk saham Time Warner Incs (TWX) untuk sisa bulan November 2015: Frekuensi dari berbagai hasil yang dihasilkan oleh simulasi ini akan membentuk distribusi normal. Yaitu kurva lonceng. Pengembalian yang paling mungkin terjadi adalah di tengah kurva, yang berarti ada kemungkinan yang sama bahwa return sebenarnya akan lebih tinggi atau lebih rendah dari nilai tersebut. Probabilitas bahwa pengembalian aktual akan berada dalam satu standar deviasi dari tingkat (expected) yang paling mungkin adalah 68 sehingga akan berada dalam dua standar deviasi yaitu 95 dan bahwa dalam tiga standar deviasi adalah 99,7. Namun, tidak ada jaminan bahwa hasil yang paling diharapkan akan terjadi, atau pergerakan sebenarnya tidak akan melebihi proyeksi terliar. Krusial, simulasi Monte Carlo mengabaikan segala sesuatu yang tidak sesuai dengan pergerakan harga (tren makro, kepemimpinan perusahaan, faktor hype, faktor siklus) dengan kata lain, mereka menganggap pasar dengan efisien sempurna. Misalnya, fakta bahwa Time Warner menurunkan panduannya untuk tahun ini pada tanggal 4 November tidak tercermin di sini, kecuali dalam pergerakan harga untuk hari itu, nilai terakhir dalam data jika fakta tersebut dipertanggungjawabkan, sebagian besar simulasi mungkin akan Tidak memprediksi kenaikan harga yang moderat. Menurut analisis Michael R. Bryant Monte Carlo adalah teknik komputasi yang memungkinkan untuk memasukkan sifat statistik dari parameter model dalam sebuah simulasi. Dalam analisis Monte Carlo, variabel acak dari model diwakili oleh distribusi statistik, yang diambil secara acak untuk menghasilkan keluaran model. Outputnya juga merupakan distribusi statistik. Dibandingkan metode simulasi yang tidak termasuk random sampling, metode Monte Carlo menghasilkan hasil yang lebih bermakna, yang lebih konservatif dan juga cenderung lebih akurat bila digunakan sebagai prediksi. Bila menggunakan analisis Monte Carlo untuk mensimulasikan perdagangan, distribusi perdagangan, yang ditunjukkan oleh daftar perdagangan, dijadikan sampel untuk menghasilkan urutan perdagangan. Setiap urutan tersebut dianalisis, dan hasilnya diurutkan untuk menentukan probabilitas dari setiap hasil. Dengan cara ini, tingkat probabilitas atau kepercayaan diberikan pada setiap hasil. Tanpa analisis Monte Carlo, pendekatan standar untuk menghitung tingkat pengembalian historis, misalnya, akan menganalisis rangkaian perdagangan saat ini dengan menggunakan, katakanlah, ukuran posisi fraksional tetap. Dapat ditemukan bahwa tingkat pengembalian atas urutan adalah 114. Dengan analisis Monte Carlo, di sisi lain, ratusan atau ribuan rangkaian perdagangan yang berbeda dianalisis, dan tingkat pengembalian dinyatakan dengan kualifikasi probabilitas. Misalnya, tingkat pengembalian yang ditentukan oleh analisis Monte Carlo mungkin 83 dengan 95 kepercayaan. Ini berarti bahwa dari sekian ribuan rangkaian yang dipertimbangkan, 95 memiliki tingkat pengembalian yang lebih besar dari atau sama dengan 83. Analisis Monte Carlo sangat membantu dalam memperkirakan penarikan puncak dari puncak ke puncak. Sejauh penarikan tersebut merupakan ukuran risiko yang berguna, memperbaiki perhitungan penarikan akan memungkinkan untuk mengevaluasi sistem atau metode perdagangan dengan lebih baik. Meski kita tidak bisa memprediksi bagaimana pasar akan berbeda besok dari apa yang pernah kita lihat di masa lalu, kita tahu akan berbeda. Jika kita menghitung penarikan maksimum berdasarkan urutan historis perdagangan, mendasarkan perhitungan kita pada urutan perdagangan yang kita tahu tidak akan diulang dengan tepat. Bahkan jika distribusi perdagangan (dalam arti statistik) sama di masa depan, urutan perdagangan tersebut sebagian besar merupakan masalah kebetulan. Menghitung penarikan berdasarkan satu urutan tertentu agak sewenang-wenang. Apalagi, urutan perdagangan memiliki efek yang sangat besar pada penarikan yang dihitung. Jika Anda memilih urutan perdagangan di mana lima kerugian terjadi berturut-turut, Anda bisa mendapatkan penarikan yang sangat besar. Perdagangan yang sama diatur dalam urutan yang berbeda, sehingga kerugian tersebut merata, mungkin memiliki penarikan yang tidak berarti. Dalam menggunakan pendekatan Monte Carlo untuk menghitung penarikan, urutan historis perdagangan diacak, dan tingkat pengembalian dan penarikan dihitung untuk urutan acak. Prosesnya kemudian diulang beberapa ratus atau ribuan kali. Melihat hasilnya secara keseluruhan, kita mungkin menemukan, misalnya, bahwa dalam urutan 95, penarikannya kurang dari 30 ketika 4 ekuitas dipertaruhkan pada setiap perdagangan. Kami akan menafsirkan ini dengan maksud bahwa ada kemungkinan bahwa penarikan akan kurang dari 30 ketika 4 dipertaruhkan pada setiap perdagangan. Secara umum, ada dua cara untuk menghasilkan urutan perdagangan dalam simulasi Monte Carlo. Salah satu pilihannya adalah membuat setiap rangkaian perdagangan dengan sampling acak dari perdagangan yang sama seperti pada urutan saat ini, dengan setiap perdagangan disertakan satu kali. Metode pengambilan contoh distribusi perdagangan ini dikenal dengan seleksi acak tanpa penggantian. Metode pengambilan sampel lain yang mungkin adalah pemilihan acak dengan penggantian. Jika metode ini digunakan, perdagangan akan dipilih secara acak dari daftar perdagangan asli tanpa memperhatikan apakah perdagangan telah dipilih atau tidak. Dalam seleksi dengan penggantian, perdagangan bisa terjadi lebih dari sekali dalam urutan baru. Manfaat seleksi tanpa penggantian adalah duplikat distribusi probabilitas urutan masukan, sedangkan seleksi dengan penggantian mungkin tidak. Kelemahan untuk seleksi tanpa penggantian adalah urutan acak sampel dibatasi pada jumlah perdagangan dalam urutan masukan. Jika Anda memiliki perdagangan singkat (misalnya, kurang dari 30 perdagangan), ini mungkin membatasi keakuratan perhitungan tertentu, seperti penarikan. Contoh berdasarkan sampling tanpa penggantian ditunjukkan di bawah ini. Perdagangan disimulasikan dengan menggunakan ukuran posisi fixed ratio yang dimulai dengan ekuitas akun sebesar 10.000. Setiap simulasi menggunakan 500 urutan perdagangan (sampel). Bagian hasil pertama pada gambar menunjukkan hasil utama, seperti tingkat pengembalian, pada serangkaian tingkat kepercayaan. Perhatikan, misalnya, bahwa tingkat pengembalian yang lebih rendah diprediksi untuk tingkat kepercayaan yang lebih tinggi. Contoh hasil analisis Monte Carlo. quot Running Monte Carlos adalah satu-satunya cara untuk menganalisis keputusan ketidakpastian yang besar. Kuota diamanatkan pada Suncor untuk melakukan simulasi Monte Carlo pada semua proyek utama estimasi biaya modal. Analisis risiko adalah bagian dari setiap keputusan yang kita buat. Kita terus menghadapi ketidakpastian, ambiguitas, dan variabilitas. Dan meskipun kita memiliki akses informasi yang belum pernah terjadi sebelumnya, kita tidak dapat memperkirakan secara akurat masa depan. Simulasi Monte Carlo (juga dikenal sebagai Metode Monte Carlo) memungkinkan Anda melihat semua kemungkinan hasil keputusan Anda dan menilai dampak risiko, memungkinkan pengambilan keputusan lebih baik di bawah ketidakpastian. Simulasi Monte Carlo simulasi Monte Carlo adalah teknik matematika terkomputerisasi yang memungkinkan orang memperhitungkan risiko dalam analisis kuantitatif dan pengambilan keputusan. Teknik ini digunakan oleh para profesional di bidang yang sangat berbeda seperti bidang keuangan, manajemen proyek, energi, manufaktur, teknik, penelitian dan pengembangan, asuransi, ampli minyak, transportasi, dan lingkungan. Simulasi Monte Carlo melengkapi pengambil keputusan dengan serangkaian kemungkinan hasil dan kemungkinan kemungkinan terjadinya tindakan pilihan. Ini menunjukkan kemungkinan yang ekstrimmembuat hasil dari tindakan bangkrut dan keputusan yang paling konservatif berkaitan dengan semua kemungkinan konsekuensi untuk keputusan jalan tengah. Teknik ini pertama kali digunakan oleh para ilmuwan yang bekerja pada bom atom yang dinamai untuk Monte Carlo, kota resor Monaco yang terkenal dengan kasinonya. Sejak diperkenalkan pada Perang Dunia II, simulasi Monte Carlo telah digunakan untuk memodelkan berbagai sistem fisik dan konseptual. Bagaimana simulasi Monte Carlo bekerja Simulasi Monte Carlo melakukan analisis risiko dengan membangun model hasil yang mungkin dengan mengganti kisaran nilai probabilitas probabilitas mdash untuk setiap faktor yang memiliki ketidakpastian yang melekat. Kemudian menghitung hasil berulang-ulang, setiap kali menggunakan kumpulan nilai acak yang berbeda dari fungsi probabilitas. Bergantung pada jumlah ketidakpastian dan rentang yang ditentukan untuk mereka, simulasi Monte Carlo bisa melibatkan ribuan atau puluhan ribu perhitungan ulang sebelum selesai. Simulasi Monte Carlo menghasilkan distribusi nilai hasil yang mungkin terjadi. Dengan menggunakan distribusi probabilitas, variabel dapat memiliki probabilitas berbeda dari hasil yang berbeda. Distribusi probabilitas adalah cara yang lebih realistis untuk menggambarkan ketidakpastian dalam variabel analisis risiko. Distribusi probabilitas yang umum meliputi: Kurva ndash atau ldquobell normal. rdquo Pengguna hanya mendefinisikan nilai rata-rata atau yang diharapkan dan deviasi standar untuk menggambarkan variasi tentang mean. Nilai di tengah dekat rata-rata kemungkinan besar akan terjadi. Ini simetris dan menggambarkan banyak fenomena alam seperti ketinggian peoplersquos. Contoh variabel yang dijelaskan oleh distribusi normal meliputi tingkat inflasi dan harga energi. Nilai ndash lognormal secara positif condong, tidak simetris seperti distribusi normal. Ini digunakan untuk mewakili nilai-nilai yang tidak masuk akal di bawah nol namun memiliki potensi positif tak terbatas. Contoh variabel yang dijelaskan oleh distribusi lognormal meliputi nilai properti real estat, harga saham, dan cadangan minyak. Uniform ndash Semua nilai memiliki kesempatan yang sama untuk terjadi, dan pengguna hanya mendefinisikan minimum dan maksimum. Contoh variabel yang dapat didistribusikan secara merata meliputi biaya produksi atau pendapatan penjualan masa depan untuk produk baru. Triangular ndash Pengguna mendefinisikan nilai minimum, kemungkinan besar, dan maksimum. Nilai di sekitar kemungkinan besar lebih mungkin terjadi. Variabel yang dapat digambarkan dengan distribusi segitiga mencakup riwayat penjualan terakhir per unit waktu dan tingkat persediaan. PERT - Pengguna mendefinisikan nilai minimum, kemungkinan besar, dan maksimum, sama seperti distribusi segitiga. Nilai di sekitar kemungkinan besar lebih mungkin terjadi. Namun, nilai antara yang paling mungkin dan ekstrem lebih mungkin terjadi daripada segi tiga, ekstrem tidak begitu ditekankan. Contoh penggunaan distribusi PERT adalah mendeskripsikan durasi tugas dalam model manajemen proyek. Ndash diskrit Pengguna mendefinisikan nilai spesifik yang mungkin terjadi dan kemungkinan masing-masing. Contohnya mungkin hasil gugatan hukum: 20 kemungkinan putusan positif, 30 perubahan putusan negatif, 40 peluang penyelesaian, dan 10 kemungkinan terjadinya persidangan. Selama simulasi Monte Carlo, nilai diambil secara acak dari distribusi probabilitas masukan. Setiap rangkaian sampel disebut iterasi, dan hasil yang dihasilkan dari sampel tersebut dicatat. Simulasi Monte Carlo melakukan ini ratusan atau ribuan kali, dan hasilnya adalah distribusi probabilitas hasil yang mungkin terjadi. Dengan cara ini, simulasi Monte Carlo memberikan pandangan yang lebih komprehensif tentang apa yang mungkin terjadi. Ini memberitahu Anda bukan hanya apa yang bisa terjadi, tapi seberapa besar kemungkinan hal itu akan terjadi. Simulasi Monte Carlo memberikan sejumlah keunggulan dibandingkan analisis estimatordquo deterministik, atau ldquosingle point: Hasil Probabilistik. Hasil tidak hanya menunjukkan apa yang bisa terjadi, tapi seberapa besar kemungkinan masing-masing hasilnya. Hasil Grafis. Karena data simulasi Monte Carlo menghasilkan, mudah untuk membuat grafik hasil yang berbeda dan peluang terjadinya. Hal ini penting untuk mengkomunikasikan temuan kepada pemangku kepentingan lainnya. Analisis Sensitivitas. Dengan hanya beberapa kasus, analisis deterministik membuat sulit untuk melihat variabel mana yang paling banyak mempengaruhi hasilnya. Dalam simulasi Monte Carlo, mudah untuk melihat masukan mana yang memiliki efek terbesar pada hasil bottom-line. Analisis Skenario: Dalam model deterministik, sangat sulit untuk memodelkan kombinasi nilai yang berbeda untuk input yang berbeda untuk melihat efek dari skenario yang benar-benar berbeda. Dengan menggunakan simulasi Monte Carlo, para analis dapat melihat secara tepat input mana yang memiliki nilai bersama ketika hasil tertentu terjadi. Ini sangat berharga untuk analisis lebih lanjut. Korelasi Masukan. Dalam simulasi Monte Carlo, diperlukan kemungkinan untuk memodelkan hubungan saling ketergantungan antara variabel input. Ini penting untuk akurasi untuk mewakili bagaimana, pada kenyataannya, ketika beberapa faktor meningkat, orang lain naik atau turun sesuai dengan itu. Sebuah peningkatan pada simulasi Monte Carlo adalah penggunaan sampling Hypercube Latin, yang mengambil sampel secara lebih akurat dari keseluruhan rentang fungsi distribusi. Palisade Monte Carlo produk simulasi Munculnya aplikasi spreadsheet untuk komputer pribadi memberi kesempatan bagi para profesional untuk menggunakan simulasi Monte Carlo dalam pekerjaan analisis sehari-hari. Microsoft Excel adalah alat analisis spreadsheet yang dominan dan Palisadersquos RISK adalah simulasi simulasi Monte Carlo terkemuka untuk Excel. Pertama kali diperkenalkan untuk Lotus 1-2-3 untuk DOS pada tahun 1987, RISK memiliki reputasi lama untuk akurasi komputasi, fleksibilitas pemodelan, dan kemudahan penggunaan. Pengenalan Microsoft Project menyebabkan penerapan logis lain dari simulasi Monte Carlo untuk mengurangi ketidakpastian dan risiko yang melekat pada pengelolaan proyek-proyek besar. RISIKO juga digunakan untuk manajemen proyek. Salinan hak cipta 2017 Palisade Corporation. Seluruh hak cipta. Palisade EMEA amp India 31 Hijau, West Drayton Middlesex UB7 7PN (Inggris) 0800 783 5398 UK 0800 90 80 32 Prancis 0800 181 7449 Jerman 900 93 8916 Spanyol 44 1895 425050 salesEMEApalisade salesIndiapalisade Palisade Latinoameacuterica 1 607 277 8000 x318 54 (11) 5252 -8795 Argentina 56 2581-3492 Chili 507 836-5675 Panamaacute 52 55 5350 2852 Meacutexico 51 1 708-6781 Peruacute 57 1 508-5187 Kolombia servicioalclientepalisade ventaspalisade palisade-lta
No comments:
Post a Comment