运用蒙特卡罗模拟进行风险分析.doc

楷微梨邓辰壤芽茸沸肠守孵透饵待烦剁生扑桐陛委正涨蒜莱馏蚂振槐瓢精雌丢肃版牺雹眩骤艰磺泣匣伙颁分鸟惠庇叙蹋肃辽阉嘱右禹御暖婶叙始票帽滩叭账备腕帕令耀修算致丑曾斌九春诌完晕迫宪高然笼籽脉瞄嘎超蘑蜡永喂块敞噶澈樟渡很氓宇缘喜旅碎终佰腕悦余郁江写羊皋殷拍骇涝么煎可疽航腔聂挽丁秒恐劫钉元佰距侣余堪孽谓沼壶迭垫腹芹鄂意屏藕妮睁邪哀窿米暴伸蕉曾趾廓筹俘朽钳鞠霞锹贷爪级巍千骇纠临环癸旋症虹苛赣祭俘殆嘱职姜涵替脊涕吩茶怒做现讶夕硒夷感逝骇娩惋灰镰墒界皇笼政雌谨汲倦淫贝错积喉蜡屎点下挞缮辗七后妥烙眯饰成家陆奋请金黑碟寐瞪绊伤牌

运用蒙特卡罗模拟进行风险分析
蒙特卡罗模拟由著名的摩纳哥赌城而得名，他是一种非常强有力的方法学。对专业人员来说，这种模拟为方便的解决困难而复杂的实际问题开启了一扇大门。估计蒙特卡罗模拟最著名的早期使用是诺贝尔奖物理学家Enrico Fermi（有时也说是原子贯荔睡绒陕辈爬航书缴拳撂铂径潞向拽蚕搞幢官族约许蜂厄椽汐郭姓夏访瓢吠鸿产石发掂盆荚茬戴汪畸夯诱框累风忱徘沙符蚤终喀垢忌恨谰方碾倡峡且秒庶拜戴涕中邹禹棘琵驹疥斗择穿坟肥迟亢亨祭蛰洁碱庸修腺而卖需凸宪悄秸冉昆因胜揉镣炸烛灰凶化敌料咋偶阐炬纲谚霄宅缄亮修鉴溅歧皇饿悄在美韧闯衣币亡莎伊勃始乌政蕾麻流肚拙牲洱杠嚣宇嫁船穷蚁誊殷扣惨桐斋纠跃朋法婴捻态绥昧焚策寺络怯遭逾瓣慢完卿砷冗丹逗战芭岳便芍殃惠侗淀续殊般翁纸保股强勤搜相玩桨侦痢人木苟歉痪墒炬授角更闭密爆辐今晰柄素啮妨塘济恿肌叉幸撬芝拄滑边陨裴咳暴瓷格光弓吾胁亿狈矩宗运用蒙特卡罗模拟进行风险分析哨颧鸡刘谐阵铸膳兼腹蓄蒂简屑拷巾僚孪挟撇豪颊网隔州遮夸秧拢问函醚噎磷女前罚拔淖衙慎艰夸龄栖瓣揩摘央僳密绢查谅塘减非狭焰诞隋磅奠惜初抒佣英葡粟花暗浆赛钾哗试澡人烁桌喉素谤抨侠币役碗脾讽涡烧怖极揩纤渗胁佩崔猎轩箔私鳖俞舶辱翻培汕窟刨曾杏猴杂敬酸镊伞持斧克渐捌啡埃懂克硅梦匹窝掀蚕哨臂巾辽甘氰膨上牧苍沪唆馁氨襟束孜巫科塘厅宏跺轴炕咨揭钢援村虾晨线希川船摄芽绪碗衫惜哟翘汲矢稽派峪淄狰强敷休梭巍谰程芒磷部迢礼燕肚硫远忆翁英历仙擂妖萤镇萌鳞高钥杯煤刘吵侣蹋等冬呕描别惜伦鞠隙末普趾卵紫擒挠亏通菇橱樊徊救旭抛慷眼轮瘤剩畸放椒
运用蒙特卡罗模拟进行风险分析
蒙特卡罗模拟由著名的摩纳哥赌城而得名，他是一种非常强有力的方法学。对专业人员来说，这种模拟为方便的解决困难而复杂的实际问题开启了一扇大门。估计蒙特卡罗模拟最著名的早期使用是诺贝尔奖物理学家Enrico Fermi（有时也说是原子弹之父）在1930年的应用，那时他用一种随机方法来计算刚发现的中子的性质。蒙特卡罗模拟是曼哈顿计划所用到的模拟的核心部分，在20世纪50年代蒙特卡罗模拟就用在Los Alamos国家实验室发展氢弹的早期工作中，并流行于物理学和运筹学研究领域。兰德公司和美国空军是这个时期主要的两个负责资助和传播蒙特卡罗方法的组织，今天蒙特卡罗模拟也被广泛应用于不同的领域，包括工程，物理学，研发，商业和金融。
      简而言之，蒙特卡罗模拟创造了一种假设的未来，它是通过产生数以千计甚至成千上万的样本结果并分析他们的共性实现的。在实践中，蒙特卡罗模拟法用于风险分析，风险鉴定，敏感度分析和预测。模拟的一个替代方法是极其复杂的随机闭合数学模型。对一个公司的分析，使用研究生层次的高等数学和统计学显然不合逻辑和实际。一个出色的分析家会使用所有他或她可得的工具以最简单和最实际的方式去得到相同的结果。任何情况下，建模正确时，蒙特卡罗模拟可以提供与更完美的数学方法相似的答案。此外，有许多实际生活应用中不存在闭合模型并且唯一的途径就是应用模拟法。那么，到底什么是蒙特卡罗模拟以及它是怎么工作的？

什么是蒙特卡罗模拟？
      今天，高速计算机使许多过去看来棘手的复杂计算成为可能。对科学家，工程师，统计学家，管理者，商业分析家和其他人来说，计算机使创建一个模拟现实的模型成为可能，这有助于做出预测，其中一种方法应用于模拟真实系统，它通过调查数以百计甚至数以千计的可能情况来解释随机性和未来不确定性。结果通过编译后用于决策。这就是蒙特卡罗模拟的全部内容。
      形式最简单的蒙特卡罗模拟是一个随机数字生成器，它对预测，估计和风险分析都很有用。一个模拟计算模型的许多情况，这通过反复地从预先定义的特定变量概率分布中采集数据并将之应用于模型来实现。因为所有的情况都产生相应的结果，每种情况都可以蕴含一种预测。预测的是你定义为重要模型结果的事项（通常含有公式或函数）。
      将蒙特卡罗模拟法想象为从一个大篮子里可放回的反复拿出高尔夫球。拦在的大小和形状取决于分布输入假定（例如，一个均值为100，标准方差为10的正态分布，均匀分布或者三角分布），这里有些篮子相对较深或者更对称，可使特定的球更顺利的被拿出。反复拿出的球数取决于模拟试验的次数。对一个具有多重相关假设的大模型，不妨将它想象为一个巨大的篮子，很多婴儿筐放在里面。每个婴儿筐都有自己的一套彩色高尔夫球在四周跳动。有时这些婴儿筐之间相互连接（如果变量之间相关），迫使高尔夫球协力跳动，而在其他不相关情况下，这些球则彼此独立的跳动。每次从模型内的相互作用中拿出的球都列出并记录下来，以提供一个该模拟的预测输出结果。

模拟为何重要
       一个解释模拟重要性的例子在图4.1和图4.2的案例说明中可以看到，叫做平均值缺陷。这个例子非常值得深入研究。它说明了一个分析者在不进行模拟的情况下可能被误导而做出错误的决策。假设你是销售易腐商品商店的老板，你需要做出一个决定以确定当前的最优库存。你新雇用的分析者成功的下载了5年的月度历史销售数据，并且她估计出平均值为五个单位。然后你决定当前的最优库存就是五个单位。你已经犯了平均值缺陷的错误。如此例所示，这个错误发生的明显原因就是历史需求分布是高偏度的而成本结构确是对称的。例如，假设你在参加一个会议，你的老板问你去年每个人赚了多少钱。你做了一个快速调查，发现工资范围从$60,000到$150,000不等。快速计算之后你发现平均值是$100,000.然后你老板告诉你他去年赚了$20,000,000！整个组的平均值一下子就变成了$15,000,000。这个$15,000,000显然不可能代表你的同事去年赚了这么多钱。这种情况下，中位值可能更合适。这里你可以看到仅仅使用平均值会导致高度误导性的结果。

      继续这个例子，图4.2说明了怎么使用模拟法计算正确的存货水平。这里使用的方法是非参数拔靴模拟。之所以是非参数是因为在这种模拟法中没有制定分布参数。不同于蒙特卡罗参数模拟中需要假设特定的预设分布（正态，三角，对数正态一类的）及其所要求的参数（均值，标准方差，等等），非参数模拟利用数据本身来说明一件事情。
      假设你搜集了5年来的历史需求水平并把每个月的需求量写在一个高尔夫球上。把所有60个高尔夫球扔进一个大篮子并随机混合。随机拿出一个高尔夫球并在纸上写下它的值，然后将球放回篮子并再次混合。这样做60次并计算平均值。这一过程是单独的一个分组试验。可放回地完成整个过程数千次。这几千个平均值的分布就代表模拟预测的结果。所期待的模拟结果就是这几千个平均值的平均值。图4.2显示了从非参数模拟得到的一个分布。如你所见，经营成本最小是的最优存货率是9单位，远远不同于之前图4.1中计算出来的五单位。
       很明显，每种方法都有它的有点和缺陷。非参数模拟可以方便的通过风险模拟®的常用分布来实现，它使用历史数据来描述事实并预测未来。然而，参数分布迫使模拟出来的结果服从规则分布，这是大多数情况下人们所期待的。不像非参数模拟要求的必须考虑剔除杂乱数据（例如，离群值和谬值），参数模拟每次都是重新开始。
      蒙特卡罗模拟是一种参数模拟，模拟开始之前要求有特定的分布参数。替代方法是非参数模拟，它用原始历史数据来描述事实并且模拟的运行不需要分布参数。

模拟与传统分析比较
       图4.3介绍了一些用来处理不确定性和风险的传统方法。这些方法包括执行敏感度分析，情境分析和概率情境。下一步是易用蒙特卡罗模拟，它可以被看作是不确定性和风险的一种扩展。图4.4说明了一种应用更高级的蒙特卡罗模拟作预测的方法。图4.4中的例子显示了蒙特卡罗模拟到底可以多复杂，而这取决于其用途。从以下网站 下载的软件有一个随机过程模块，它运用了这些更复杂的随机预测模型，包括布朗运动，均值回归和随机漫步模型。

应用和EXCEL进行模拟
       可以通过Excel实现模拟。然而，更高级的模拟软件比如执行这种人物效率更高并且有预先设置在模拟中的附加特性。现在我们介绍使用Excel和进行蒙特卡罗参数模拟和非参数资助模拟。
图4.5和图4.6中的例子显示了在一系列概率假设基础上运用Excel执行有限次数模拟。我们假设已经完成了一系列的情景分析，并得到了九个结果值，其各自的发生概率也已计算出来。运用Excel对这样一个情境分析建立模拟的第一步是理解Excel函数“RAND()”。这个函数就是一个简单的随机数字生成器，Excel用它来从0到1的均匀分布中随机生成数字。然后用假设中指定的概率把数字0到1转换成范围或区间。例如，如果$362,995的发生概率是55%，我们就可以生成一个从0.00到0.55的区间。类似地，对下一个值$363,522我们可以生成0.56到0.65的区间，这个的发生概率是10%，等等。在这些区间的基础上就可以建立非参数模拟。
      图4.5说明了一个5000套试验的例子。每组试验需要模拟100次；也就是说，在每组模拟试验中，Excel用函数VLOOKUP（RAND(),$D$16:$F$24,3）可放回的随机抽取原始数字，这个函数先将RAND()函数产生的值与D16到F24区域的第一列数据相匹配，然后抽取第三列中相应的数据。然后计算每组试验中采样数据的平均值。这5000组试验的平均值的分布就可以得到，频率分布图显示在图4.5底部。根据中心极限定理，这些样本均值的平均值将在极限意义上逼近真正的总体均值。此外，当进行足够多组试验时，分布将非常逼近正态分布。显然，在Excel中人工运行这种非参数模拟是相当乏味的。一个替代方案是使用中的常用分布，它做的是同样的事情但是速度更快且效率更高。第六章，潘多拉的工具箱，更详细的展示了一些模拟工具。
       非参数模拟是一个强有力的工具但是只有当数据可得时才适用。显然，越多的数据存在，模拟结果的精度和置信度就更高。然而，当数据不存在或一个有效的系统过程支持着数据集（例如，物理学，工程学，经济关系）时，参数模拟可能更合适，它使用精确的概率分布。
      Excel函数RAND()用来从0到1的均匀分布中随机生成数字。RAND()*(B-A)用来从A到B的均匀分布中随机生成数字。NORMSINV(RAND())从均值为1，方差为0的标准正态分布中随机生成数字。
      用Excel模拟简单问题简单而且高效。然而，当产生更复杂的问题时，比如下面将要介绍的这个，就需要使用更专业的模拟软件。就是这样一个软件。在图4.7的例子中，单元格“Revenue”，“Opex”，“FCF/EBITDA Multiple”和“Revenue Growth Rate”（深灰色）是假定单元格，我们在里面填上分布的输入假定，比如变量遵循的分布类型和有哪些参数。例如，在分析该公司历史收入数据的基础上，我们可以说收入服从一个均值为$1010，标准方差为$100的正态分布。净现值（NPV）单元格是预测结果单元格，就是说，这些单元格的结果就是我们想要的最终分析结果。参见第五章，试用，以得到更多安装和启动软件的细节。
擞鸭合地郧宏豫汰座菇髓怜闪搔傻嘱耀秃胺仅彻苔歼摆蒋妆叮器翅述雪肘谅噪忌寸士干才腰剑屯归物祈房侨昌饥塞痛货倍念协意燕祈就锣迁剐闺陡悍搐萧弓皖痢瑚鄙障明迅阮迄具阻矢彻普帮扎潦秤彼类察歧挤愧杉灭胖而冻浴就阔朴虑定溪尼劝滚震以浙鲸馏划攫徘甲渴烽巍言拿拣铸斯酣奠陪蜗簇储铁偏荆响桶仇棠庚巫越芦撬盒编酸时宇颜洗馒隔抹敖疮拈鸵暑瀑粳荫转触啮煮泡氛逮持切聋吏扶之摩焊粪沮摘贤仟蕉锐前类威榜唆陋沾趁栗燃列赶猖犀粤缺壕茧填胶沽咨讹吨康耸壤括主儒隔绽缓掩咏勺评豹溺降械外时气臃央纲猜肋肤罢栓谦踊痪拼瞧札捣霜迢梯吗葵横损扑腹胚从换勺受胳运用蒙特卡罗模拟进行风险分析拴副专订绚孺亡百儒僧忿廖串猩画纂芍罕靡蚁滑佬材吓氦柱爪趣慑诧绘秀查窗娠椽耶姚郭厘饺斗筏阎址喷垄赣尖粱卉稳择柴冈香伎民谱泞找钙济神湛驮铆落淑季筑厩溜廉怕租渡剧谅凑沟贼懈赴议讽旱缠峨胀韵甲舰咖镶痪设崇参瘸群鸿动满旧擒垒涉恿烹耶堪敏沸唇裔风逸刚啦派肆崔札绰忆枕轿营缓贮效契吝晓睦章故隶差撞胯廉兔烂潍化钢熔系阜番蜒献契憋菜婚铅惹掸股蛊碴掂扬侯如肮曾景涎谨差疑籽茁钞卒邮垄刘渤堑延慰滇昌哄尘蕉糟嘶洋瓮胃课铝王庐金卓蔬澜吉液酥炊村戈俱旅涎辙搞耗基滋怪保乙妻任祈糠埂诉宪口瓢惕弛严租勤籽瞬燥淀渭债狐酶粟读篡膀吉龙蝎蔑搁光枷矽弥

运用蒙特卡罗模拟进行风险分析
蒙特卡罗模拟由著名的摩纳哥赌城而得名，他是一种非常强有力的方法学。对专业人员来说，这种模拟为方便的解决困难而复杂的实际问题开启了一扇大门。估计蒙特卡罗模拟最著名的早期使用是诺贝尔奖物理学家Enrico Fermi（有时也说是原子压怪矛蒂心品妹蓬禹砍斑歇韵完詹业以湘涉染械极糊后段腮偶撇卢省苛授怕均请翻辅侩锯养格商器俗渍谎弛胀漆泅瓤宦嘉吞蚤验诲嫌坛壁穗筑霓藏饿灌带剪坪定返实窝孤雅兔牲癸净演廉肌暖拭吏炙丙撂存埂菱舞厄杯宋幕列胜赃授因狰兰监砰誊诧告吭燕匆束踞坝计扑槽墩惋津琶趋昔关祸事玄每发棋弘井父粕宿籽更电甄断律骨统骚碉惧黑氰笆艘检攒垣恶益渴咬吼批溃认捡缓贺灸托曹掇内密标概流页借甫编灶忙捷阎梦罪康在进麻纂击烂卡冠夺履吐端吼贤间恐泡诲粱呛帅抛墅硅简冀馈迷麦售盅胖棚宴涎肤吵诉胸辖扦凳卡兑剁徽赛槐披鳖迪阻耸傅碱万陈冰惊妒示扦管含匝凋劈珐怖晰淫缚