Académique Documents
Professionnel Documents
Culture Documents
Jaume Mussons
Pero el mundo real no funciona de esa manera. Las acciones suben y bajan. Los proyectos
se ejecutan a través del tiempo o por debajo del presupuesto.
RiskAMP
Jaume Mussons
Simulación de Monte Carlo es una manera de construir esta variabilidad en los modelos. En
vez de decir esta población volverá X% cada año, puede decir cosas como esta población
regresarán entre X% y Y% ; y luego averiguar lo que eso significa para su cartera.
Una vez que usted tiene que la variabilidad en el modelo, se puede empezar a entender
el riesgo en su modelo.
¿Cómo funciona?
Hay tres partes principales a una simulación de Monte Carlo. En primer lugar, como se ha
descrito anteriormente, sustituimos valores fijos - cosas como precios de las acciones
previstas y los costos del proyecto - con variables aleatorias. Estamos añadiendo
variabilidad aleatoria al modelo.
Una vez hecho esto, nosotros hacemos el segundo paso: recalcular los cientos de modelos
o miles de veces, cada vez que cambian los valores aleatorios. Esta es la parte "simulación" -
estamos simulando el mundo real donde los valores cambian aleatoriamente.
Por último, la tercera parte: se analizan los resultados del modelo en los cientos o miles de
resultados, y la obtención de las estadísticas de los resultados. Por ejemplo, podríamos
ejecutar una cartera de acciones a través del proceso de simulación. Entonces podemos
mirar los resultados y decir en el 25% de los casos, la cartera perdió dinero. O en el 75% de
los casos, la cartera ha superado al mercado.
¿Por RiskAMP?
Creemos que la RiskAMP Monte Carlo Add-In para Excel ofrece la mejor combinación de
características y precios más bajos - el mejor valor en el software de simulación de Monte
Carlo. La empresa ofrece una versión gratuita de prueba del software
RiskAMP
Jaume Mussons
El RiskAMP Add-in hace que sea fácil para empezar, con una completa interfaz de usuario
de apuntar y hacer clic para crear distribuciones aleatorias y generar tablas y gráficos. Una
vez que usted se sienta más cómodo con él, usted puede utilizar el conjunto completo de
funciones de Excel para diseñar modelos de análisis más complejos y más interesantes.
Cómo
Añadir Simulación de Monte Carlo a sus modelos de hoja de cálculo
Esta guía describe cómo convertir un modelo estático Excel hoja de cálculo en una
simulación de Monte Carlo, y el tipo de información que usted puede aprender de la
simulación. Se le guiará a través de las técnicas básicas, y las funciones que tendrá que
utilizar. El modelo completo, incluyendo cada uno de los pasos a continuación, está
disponible para su descarga.
Mientras que el 5,4% es un rendimiento esperado, sabemos que los rendimientos reales
pueden variar considerablemente. El primer paso en la construcción del modelo de Monte
Carlo está reemplazando estos retornos fijos con valores distribuidos de forma aleatoria,
para aproximar mejor el mundo real.
RiskAMP
Jaume Mussons
Una simulación Monte Carlo calcula el mismo modelo muchas veces, y trata de generar
información útil a partir de los resultados. Para ejecutar una simulación de Monte Carlo,
seleccione "Monte Carlo" -> "Ejecutar Simulación de Monte Carlo ..." en el menú. Cuando el
cuadro de diálogo de simulación está abierto, haga clic en "Start" para ejecutar una
simulación. Si marca la casilla "Permitir actualizaciones de pantalla" en el cuadro de diálogo,
verá los valores aleatorios en el modelo cambiando una y otra vez mientras se ejecuta la
RiskAMP
Jaume Mussons
simulación. Para un uso normal debe desmarcar esta casilla, ya que hará que la ejecución
de la simulación más lentamente.
El RiskAMP Add-in incluye una serie de funciones para analizar los resultados de una
simulación de Monte Carlo. Para empezar, vamos a ver los resultados promedio de la
simulación utilizando la función SimulationAverage.
Nota: la primera vez que entre estas funciones en una hoja de cálculo, verás un # N / A
error. Esto es porque la simulación no ha recogido los datos para la célula todavía. Una vez
que se ejecuta una simulación, este error desaparecerá.
Cuando se ejecuta una simulación de Monte Carlo, en cada iteración nuevos valores
aleatorios se colocan en la columna D y la hoja de cálculo se vuelve a calcular. Esto resulta
en un valor diferente en la celda F11. La simulación de Monte Carlo se ejecuta cientos o
miles de veces, y en cada iteración del RiskAMP Añadir-en las tiendas y recuerda el valor de
la celda F11.Una vez que la simulación se ha completado, el valor promedio puede
calcularse a partir de este conjunto de valores almacenados.
Usted verá que el valor medio, regresó en H11 celular, es muy cercano al valor fijo original
del 30,08% (ver la celda F11 en la figura A). Esto es como se esperaba, ya que los datos
aleatorios que estamos utilizando para las devoluciones tiene un promedio de 5.4%, que
era el valor fijo en el modelo original.
RiskAMP
Jaume Mussons
Como se señaló anteriormente, la rentabilidad media dada por la simulación Monte Carlo
se encuentra cerca el modelo original, fijo. Si ese fuera el único que podíamos aprender de
la simulación, no tendría mucha utilidad. Sin embargo, podemos obtener mucha más
información útil a partir de la simulación de Monte Carlo examinado rangos y percentiles.
Para empezar, podemos mirar a los valores mínimos y máximos identificados durante la
simulación utilizando losSimulationMin y SimulationMax funciones:
En la figura D, I11 celda contiene el valor mínimo de la celda F11 visto durante la
simulación. Esto es significativamente peor que la media, y representa el riesgo que figura
en el modelo de cartera. Esto significa que hay alguna posibilidad de que esta cartera, a los
5 años, terminará con una pérdida neta de 23%.
En cuanto a los valores máximos absolutos minimum y tiende a exagerar los valores
atípicos, o de las colas, de los posibles resultados del modelo de cartera. También podemos
aprender sobre probabilidad de percentiles, mediante elSimulationPercentile función:
El 25 Percentil, a continuación, representa un valor que es igual o mayor que 25% de los
resultados observados durante la simulación. Otra forma de decirlo es, hay una
probabilidad del 25% que cualquier valor en la simulación será menor o igual a esta
cantidad; y, al mismo tiempo, hay una posibilidad de 75% de que cualquier valor en la
simulación será mayor que o igual a esta cantidad.
En la Figura E, células J11 muestra el resultado 25 Percentil de la celda F11. Esto nos dice
que, en la simulación, el 75% de las veces el valor de F11 es mayor que o igual a 16,61%. O
bien, hay un 75% de probabilidades de que nuestro modelo tendrá un rendimiento total
del 16,61% o superior.
Conclusión
Por supuesto, cualquier análisis es sólo tan bueno como el modelo y los datos que se
ingresan. Este modelo es muy simple, ya que no tiene en cuenta los costes de inversión y la
inflación. El modelo también es muy sensible a la media y la desviación estándar de nuestro
retorno esperado.
RiskAMP
Jaume Mussons
Planificación de proyecto
Una visión general y Ejemplo de Uso del análisis de Monte Carlo en Planificación de
Proyectos
Con la práctica, y las buenas técnicas de análisis, generalmente puede construir una
proyección razonable para el tiempo de finalización del proyecto. Pero en el mundo real, no
es posible prever todas las contingencias, e incluso la mejor planificación de los proyectos
incluirá alguna sobre o subestimaciones.
Supongamos, además, que estas tareas deben completarse en secuencia, es decir, cada
tarea depende de la tarea que tiene ante sí. ¿Cuánto tiempo durará el proyecto tardará en
completarse?
Usted puede mirar en las proyecciones para cada tarea y añadirlos; esto le dará el mejor de
los casos, era de esperar, y peor de los casos de todo el proyecto.
Esto es útil, pero aún poco realista; porque es poco probable que cada tarea se tomará el
tiempo mejor de los casos, o el tiempo del peor caso. Lo más probable, una tarea tomará
un poco más de tiempo, y la otra será completada antes de lo previsto.
Aquí es donde el análisis de Monte Carlo puede ser útil. A partir de las estimaciones para el
proyecto, podemos ejecutar un análisis basado en estimaciones aleatorias para cada
tarea. Esto producirá un modelo que tiene en cuenta la variabilidad, y también considera
que cada tarea es independiente.
Adición de aleatoriedad
Para hacer eso, el primer paso es añadir una variable aleatoria que modela cada tarea. Hay
dos distribuciones comúnmente usadas para hacer esto: la distribución beta-PERT (también
llamado justa distribución PERT), y la distribución triangular.
RiskAMP
Jaume Mussons
Para este ejemplo, vamos a utilizar la distribución PERT. Esta distribución se utiliza para el
modelado de datos de expertos cuando, como en este caso, tenemos estimaciones para el
rango de valores posibles. Se necesita un mínimo, máximo y valor más probable, y devuelve
una muestra de esa distribución. La distribución crea una curva suave.
En este caso, con valores aleatorios seleccionados para cada tarea, se puede ver que la
primera tarea se necesita un poco más de lo esperado. La última tarea requiere más tiempo
también. La segunda tarea se ha completado antes de lo previsto.
En general, este es el tipo de cosa que esperaríamos ver en el mundo real; no el mejor de
los casos, no es el peor de los casos, pero en algún punto intermedio. Un solo caso al azar
no es útil, sin embargo, debido a que representa sólo una de las posibilidades
esencialmente ilimitadas. Aquí es donde podemos utilizar la simulación de Monte Carlo
para medir comprender el riesgo.
Muestra
Tarea Optimista Esperado pesimista (PERT) Mínimo Promedio Máxima
2. La última fila contiene estadísticas calculadas del total - no se trata de sumas de las
columnas por encima de ellos. Si esto no está claro, por favor vea la nota 2 .
3. Las estadísticas se han redondeado al día más cercano. El promedio real para el
total, por ejemplo, era 50,83.
Lo primero que podemos tomar distancia de estos datos es que el tiempo medio de
finalización está cerca de nuestra estimación central. Eso es lo que cabría esperar; que es el
caso más probable para cada tarea. A continuación, podemos ver que los mejores y los
peores casos de la simulación - el mínimo y máximo del total - no son tan extremos como
los absolutos mejores y peores casos, si sólo resumimos las estimaciones.
Es de esperar también, porque las tareas son independientes. Incluso si una tarea se toma
el tiempo peor de los casos, no es necesariamente probable que otra tarea se reunirá la
estimación más pesimista. El modelo de Monte Carlo ayuda a capturar esta variabilidad
independiente, y nos permite endurecer las estimaciones un poco. Ahora podemos decir
que el peor de los casos es de 70 días, en lugar de 80.
Análisis de Probabilidad
¿Qué significa eso? Cuando nos encontramos con la simulación de Monte Carlo, utilizamos
valores aleatorios para cada tarea (sobre la base de las estimaciones), y encontramos que el
tiempo total para el proyecto. Hicimos que los 1.000 veces, y cada vez que fuimos
seleccionados diferentes valores aleatorios, lo que resulta en un nuevo total al azar.
Cuando la simulación fue completa, nos fijamos en cada prueba y contamos el número de
veces que el total fue de 40 días o menos. Nos encontramos con que en sólo el 5% de los
ensayos (50 de 1000) el tiempo total del proyecto fue de 40 días o menos. Por tanto,
podemos decir que, durante la simulación, hubo un 5% de probabilidad de que el proyecto
se completó dentro de 40 días.
Del mismo modo, durante la simulación había una posibilidad de 94% de que el proyecto
se completó en 60 días.
Puntos clave
Sobre la base de este análisis, podemos encontrar un par de puntos clave de la modelo y el
análisis:
A pesar de que nuestras estimaciones mejores y peores casos dan como resultado
los totales de 25 a 80 días, a partir de la simulación podemos proyectar que el
rango en realidad será más estrecha.
Advertencias y Conclusión
También es importante no crear cálculos que son demasiado amplios, y asuma que usted
puede utilizar el análisis para reducir las probabilidades.
Las estimaciones son la parte más importante del modelo. Hasta ahí, en la planificación del
proyecto, es una combinación de arte y habilidad. Análisis de Monte Carlo es sólo una
herramienta que complementa esta. Si usted puede generar estimaciones de proyectos
viables, sin embargo, el análisis de Monte Carlo puede ser muy valioso para ayudar a
identificar y entender los riesgos en sus modelos de planificación de proyectos.
Los archivos de ejemplo utilizan el RiskAMP Monte Carlo complemento; si usted no tiene el
complemento ya, usted puede descargar una versión de prueba gratuita de nuestra página
de descarga .
Descargue el ejemplo utilizado en este artículo
RiskAMP
Jaume Mussons
Este archivo contiene el modelo descrito en la nota anterior. Puede volver a ejecutar la
simulación de Monte Carlo, así como modificar varios valores para ver cómo afectan el
análisis.
El primer ejemplo es relativamente simple, para los propósitos de describir cómo funciona
el análisis subyacente. Este segundo ejemplo contiene un modelo más complejo, pero
utiliza un análisis idéntico.
Notas
1. Nosotros decimos que el tiempo es más complejo que costará porque las tareas
pueden tener dependencias, lo que significa el comienzo de una tarea que podría
retrasarse si otra tarea se ejecuta a través del tiempo. Si bien el costo del proyecto
tiene sus propias complejidades, que representan el factor tiempo hace que las
proyecciones de tiempo de modelado matemáticamente más difícil.
2. En las cuatro primeras columnas de la tabla, la última fila es una suma de los valores
por encima de ella. Esto incluye la columna "PERT", donde generamos valores
aleatorios para cada tarea. La última fila de la columna de la PERT es una suma de
los tiempos de trabajo.
Es por eso que es importante que estamos tomando las estadísticas del total, más
que la suma de las estadísticas de cada columna. Queremos saber lo que es el valor
mínimo cuando las cosas suceden al azar, como lo hacen en el mundo real.
RiskAMP
Jaume Mussons
La distribución beta-PERT
Visión general de la distribución beta-PERT para el modelado de datos de expertos
La distribución beta-PERT (de aquí en adelante, me referiré a ella como sólo la distribución
PERT) es una herramienta útil para el modelado de datos de expertos. Cuando se utiliza en
una simulación de Monte Carlo, la distribución PERT se puede utilizar para identificar los
riesgos en proyectos y modelos de costos basados en la probabilidad de cumplimiento de
los objetivos y metas a través de cualquier número de componentes del proyecto.
En este artículo se describe la distribución PERT, cómo usarlo, y su uso dentro de una
simulación de Monte Carlo. Una discusión adicional al final se describe la base matemática
para la distribución.
Cuando usted tiene un rango de estimaciones disponibles, hay varias maneras diferentes
que usted puede modelar la distribución de generar valores de muestra. Los tres se
discuten a continuación son la distribución uniforme, la distribución triangular, y la
distribución PERT.
La distribución uniforme
La Distribución Triangular
Si usted tiene una estimación "más probable", además de la estimación mínima y máxima,
se puede utilizar esta información para construir una distribución de probabilidad que
favorece el valor más probable. La distribución más simple teniendo esto en cuenta es la
distribución triangular - en pocas palabras, la distribución se asemeja a un triángulo con el
valor más probable (referido como el modo) en el punto del triángulo.
Sin embargo, mediante el uso de una forma triangular estricto en cuanto a la modalidad, la
distribución triangular puede poner demasiado énfasis en el valor más probable, a expensas
de los valores a cada lado. La distribución triangular es útil, ya que es fácil de calcular y
generar, pero está limitada en su capacidad para modelar estimaciones del mundo real.
RiskAMP
Jaume Mussons
La distribución PERT
La distribución PERT también utiliza el valor más probable, pero está diseñado para generar
una distribución que se asemeja más a distribución de probabilidad realista. Dependiendo
de los valores proporcionados, la distribución PERT puede proporcionar un ajuste estrecho
con las distribuciones logarítmicas normales o normales.
Al igual que la distribución triangular, la distribución PERT destaca el valor "más probable"
sobre la estimaciones mínimas y máximas. Sin embargo, a diferencia de la distribución
triangular la distribución PERT construye una curva suave que coloca progresivamente más
énfasis en los valores alrededor de (cerca de) el valor más probable, en favor de los valores
alrededor de los bordes. En la práctica, esto significa que la "confianza" que la estimación
para el valor más probable, y creemos que aunque no es exactamente precisa (como
estimaciones rara vez lo son), tenemos la expectativa de que el valor resultante será similar
a la estimación .
Los ejemplos de la distribución PERT: compara las curvas suaves con la distribución
triangular, arriba. Valores cercanos a la cima son más probables que los valores cercanos a
los bordes.
Suponiendo que muchos fenómenos del mundo real tienen una distribución normal, el
atractivo de la distribución PERT es que produce una curva similar a la curva normal en
forma, sin saber los parámetros precisos de la curva normal relacionada.
El simple caso de la distribución PERT toma un mínimo, máximo y valor más probable. La
función RiskAMP PERTValueutiliza estos insumos para generar una muestra aleatoria de la
distribución:
Las hojas de cálculo de ejemplo que se instalan con el RiskAMP Add-in incluyen un modelo
de proyecto / tarea utilizando la distribución PERT. Este modelo muestra cómo utilizar la
función PERTValue y cómo mostrar y tabla de probabilidades basado en una distribución
PERT.
El modelo matemático
La distribución PERT es un caso especial de la distribución beta que utiliza tres parámetros:
mínimo, máximo, y lo más probable (modo). A diferencia de la distribución triangular, la
distribución PERT utiliza estos parámetros para crear una curva suave que se ajusta bien a
las distribuciones normales o lognormal.
y la función de distribución
F( x ) = { Bx( v , w )B ( v , w )00 ≤ x ≤ 1de lo contrario
La distribución PERT utiliza el modo o parámetro más probable para generar los
parámetros de forma v y w. Un parámetro de escala λ adicional ajusta el alto de la
distribución; el valor predeterminado para este parámetro es de 4.
w = v ( xsoy una x- µ )( µ - xm i n)
RiskAMP
Jaume Mussons
que se utilizan, con los parámetros máximos de escala mínima y, para probar la distribución
beta.
Para obtener más información y un análisis más detallado, ver (por ejemplo) Análisis de
riesgos - Una guía cuantitativa, por David Vose (John Wiley & Sons, 2000). [ Amazon ]
RiskAMP
Jaume Mussons