Modelowanie w ryzyku

ZASŁYSZANE:

When it comes to modelling, I always thought it was a bit funny to see the world of the academic models compete with world of the operational models. One being correct and advanced but nearly impossible to implement in the business due to the facts of real life without needing to make assumptions and constrains so big that the model lost all its beauty and “correctness” and becoming in-transparent huge monsters (although giving the result with at least five digits). And the other ones being insufficient or becoming engineered into adhoc-hell sometimes sufficient for giving predictions (one scenario forecast) but worthless for risk and other times worthless on both. RiskSim (switching regime copula hybrid model) and FCSim (forward curve simulation with steered dependencies) as examples.

+ & - 10% isn’t that bad when it comes to transparency but it then the result demands some understanding from the interpreter. Or my other favourite that was the so-called profit curve where you made some assumptions and regressions (often linear) on the coming profit e.g. monthly profit with the forward spread going into delivery as a variable. You can then calculate the risk around the curve (discrete in sections of the spread is most likely due to the number of data points). Secondly you can now simulate the forward curve in order to get the risk from today to the delivery month. In order to get more sophisticated one could always increase the number of variable in the regression adding for example the hydrological balance, average temperature. This will then risk to add the complexity in the FC-simulation. And as always one should do some significance test on all variables used. However one of the beauty of this approach is that is quite transparent and understandable in interface of the two models. And also it has the advantage that one could use historical distribution for the profit curve and/or model adjusted scenarios if one do not expect the history to repeat itself (in this aspect). Also one could stress to the extreme in the FC scenarios and still have some accuracy if the profit curve is within the historical boundaries.

Wstęp do rajdu z Monte Carlo

Pierwszym etapem będzie przedstawienie podstawowych założeń metody Monte Carlo i schematu przebiegu symulacji. Metodę tę opracował zespół kierowany przez jednego z najwybitniejszych matematyków okresu II wojny światowej Johna von Neumanna. Po raz pierwszy Monte Carlo zostało wykorzystane w celu opisu losowej natury ruchu cząstek. Natomiast nazwa tej metody nawiązuje do losowego oraz przypadkowego charakteru prezentowanych zjawisk. Posiada ona szerokie zastosowanie w rozmaitych działach matematyki numerycznej. Głównym zastosowaniem Monte Carlo jest matematyczne modelowanie procesów o nadmiernym stopniu złożoności, których wyniki jest trudno przewidzieć za pomocą podejścia analitycznego. Zakres jej zastosowania jest szeroki, jednak spełniony musi być warunek, że podlegający analizie problem musi dać się opisać teoretycznie w ujęciu stochastycznym, pomimo tego, że sam problem może mieć charakter ściśle deterministyczny. Znaczącą rolę pełni w tej metodzie przypadkowa randomizacja wielkości określających proces, która to odnosi się w podobny sposób do rozkładów procesów prostych, jak i złożonych. Najistotniejszymi częściami składowymi tej metody są: przedstawienie modeli stochastycznych analizowanych procesów realnych, modelowania zmiennych losowych o danym rozkładzie prawdopodobieństwa, rozwiązywania problemu statystycznego z zakresu teorii estymacji.

Monte Carlo jest kwalifikowane do metod symulacyjnych.

Najistotniejszymi zaletami stosowania symulacji Monte Carlo jest możliwość:
1) określenia wysokości spodziewanego P/L;
2) doboru optymalnego poziomu udziału akcji w portfelu;
3) ustalenia wielkości oszczędności, które pozwolą na realizację celu finansowego.

Wśród najważniejszych wad symulacji wymienić można:
1) trudności z ustaleniem prawdopodobieństwa występowania dowolnych zdarzeń;
2) trudności ze zdefiniowaniem wartości oczekiwanych zmiennych losowych .

Monte Carlo – synonim raju czy męki?

Nadszedł w końcu odpowiedni moment, aby rozpocząć walkę z demonem jakim z pozoru może wydawać się symulacja Monte Carlo w VBA. Temat ten zamierzam Państwu przybliżyć w kilku postach. Mam nadzieję, że zaoszczędzą one Wam trudu poszukiwań oraz rozmyślań na temat wykorzystania niektórych z materiałów dostępnych w wyszukiwarce Google zwanej potocznie „dr. Google”. Muszę dodać od siebie, że materiałów tych jest dość znaczna ilość, ale jednak dla mnie nic nie równa się z jedną pozycją. Pewnie wiele z Was będzie kojarzyło tę książkę, ponieważ jest ona jedną z najbardziej wartościowych pozycji na rynku wydawniczym dotyczącym tematyki Excela. Książką tą jest Biblia Excela autorstwa Johna Walkenbacha. Równie pomocne mogą okazać się niektóre z filmów znajdujących się na YouTube. Jednak wspomniane materiały wymagają poświęcenia ogromnej ilości czasu oraz nie dają gwarancji, że od razu uda nam się uzyskać finalny efekt, jakim jest bez wątpienia przeprowadzenie prawidłowo zaprojektowanej symulacji Monte Carlo. 

Zamierzam Państwu pokazać moją drogę i wyzwania stojące przede mną w związku z realizacją tego projektu. W ostatnim poście poświęconemu temu tematowi przeanalizuję zebrane przeze mnie doświadczenia oraz opracuję prawidłowy z mojego punktu widzenia schemat blokowy realizacji tego zadania. Mam nadzieję, że przedstawione przeze materiały pozwolą Państwu na prawidłowe, zrozumiałe   oraz bezproblemowe wykonanie symulacji Monte Carlo. Czego sobie i Państwu życzę!:-)