Volodina-vasilisa.ru

Антикризисное мышление
0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Анализ рисков монте карло

VI Международная студенческая научная конференция Студенческий научный форум — 2014

АНАЛИЗ ИННОВАЦИОННЫХ РИСКОВ МЕТОДОМ МОНТЕ-КАРЛО

Инновационная деятельность, в сравнении с прочими видами предпринимательской деятельности, характеризуется большим риском. Высокая степень неопределенности и отсутствие полной гарантии ожидаемого результата создают определенные проблемы на стадии отбора инновационных проектов. В связи с этим предприятиям, занятым в инновационной сфере, необходимо применять наиболее успешные и новаторские подходы для анализа проектов. Одним из основных методов следует считать метод оценки рисков.

Необходимость анализа проектных рисков в современных условиях обусловлена, прежде всего, тем, что построенные по любому инновационному проекту потоки денежных средств относятся к будущим периодам и носят прогнозный характер. Поэтому возрастает вероятность недостоверности используемых для расчетов числовых данных, а значит, и самих результатов. Следовательно, наиболее важной частью экспертизы становится учет и оценка возможных негативных последствий таких ошибок. Основным инструментом подобных исследований служит анализ рисков проекта, являющийся важнейшей составной частью экспертизы инновационного проекта и играющий значительную роль в принятии решения об инвестировании. Кроме того, анализ рисков должен играть роль своеобразного «переходного моста» от экспертизы проекта к управлению его реализацией[1].

В общем виде, риск в инновационной деятельности можно определить, как вероятность потерь, возникающих при вложении организацией средств в производство новых товаров и услуг, в разработку новой техники и технологий, которые, возможно, не найдут ожидаемого спроса на рынке, а также при вложении средств в разработку управленческих инноваций, которые не принесут ожидаемого эффекта. В предпринимательской деятельности риск принято отождествлять с возможностью потери предприятием части своих ресурсов, снижение планируемых доходов или появление дополнительных расходов в результате осуществления определенной производственной и финансовой деятельности.

При оценивании проектов наиболее существенными представляются следующие виды инвестиционных рисков:

— риск, связанный с нестабильностью экономического законодательства и текущей экономической ситуации, условий инвестирования и использования прибыли;

— внешнеэкономический риск (возможность введения ограничений на торговлю и поставки, закрытия границ и т.п.);

— неопределенность политической ситуации, риск неблагоприятных социально-политических изменений в стране или регионе;

— неполнота или неточность информации о динамике технико-экономических показателей, параметрах новой техники и технологии;

— колебания рыночной конъюнктуры, цен, валютных курсов и т.п.;

— неопределенность природно-климатических условий, возможность стихийных бедствий;

— производственно-технологический риск (аварии и отказы оборудования, производственный брак и т.п.);

— неопределенность целей, интересов и поведения участников;

— неполнота или неточность информации о финансовом положении и деловой репутации предприятий-участников (возможность неплатежей, банкротств, срывов договорных обязательств)[2].

Классификация существующих рисков необходима, прежде всего, для определения рациональных методов оценки инвестиционного проекта.

Методы оценки инвестиционных рисков подразделяются на качественный метод, то есть описание всех предполагаемых рисков проекта, оценка их последствий и мер по снижению, а так же количественный, заключающийся в расчетах изменений эффективности проекта в связи с рисками.

В качественной оценке выделяют экспертный метод, метод анализа уместности затрат, метод аналогий.

В качестве методов количественного анализа рисков инвестиционных проектов используют: метод корректировки нормы дисконта; анализ чувствительности критериев эффективности; метод сценариев; анализ вероятностных распределений потоков платежей; деревья решений; метод; нечетко-множественный анализ; Монте-Карло (имитационное моделирование) и др[3].

Метод имитационного моделирования Монте-Карло создает дополнительную возможность при оценке риска за счет того, что делает возможным создание случайных сценариев. Применение анализа риска использует все богатство информации, будь она в форме объективных данных или оценок экспертов, для количественного описания неопределенности, существующей в отношении основных переменных проекта и для обоснованных расчетов возможного воздействия неопределенности на эффективность инвестиционного проекта. Результат анализа риска выражается не каким-либо единственным значением NPV (Net present value или Чистая приведённая стоимость), а в виде вероятностного распределения всех возможных значений этого показателя. Следовательно, потенциальный инвестор, с помощью метода Монте-Карло будет обеспечен полным набором данных, характеризующих риск проекта. На этой основе он сможет принять взвешенное решение о предоставлении средств.

В общем случае имитационное моделирование Монте-Карло – это процедура, с помощью которой математическая модель определения какого-либо финансового показателя (в нашем случае NPV) подвергается ряду имитационных прогонов с помощью компьютера. В ходе процесса имитации строятся последовательные сценарии с использованием исходных данных, которые по смыслу проекта являются неопределенными, и потому в процессе анализа полагаются случайными величинами. Процесс имитации осуществляется таким образом, чтобы случайный выбор значений из определенных вероятностных распределений не нарушал существования известных или предполагаемых отношений корреляции среди переменных. Результаты имитации собираются и анализируются статистически, чтобы оценить меру риска[4].

Рассмотрим пример методики оценки инновационных проектных рисков методом Монте-Карло, которая проводится в следующем порядке:

1. Определение ключевых факторов инвестиционного проекта и диапазона их изменения. Обычно определяют наиболее значимые факторы для оценки риска инвестиционных инновационных проектов:

— риск нереализации новых продуктов и технологий;

— коммерческий риск (маркетинговый и деловой);

— риск неверного прогнозирования ситуации и получения неправильных исходных данных;

— риск невозврата заемных средств;

— эксплуатационные риски (производственные риски);

— риски усиления конкуренции;

— форс-мажорные обстоятельства и прочие.

Далее задается диапазон изменения фактора, т.е. минимальная и максимальная границы их изменения, на весь расчетный период.

2. Определяются возможные случайные значения заданных факторов, посредством использования математических функций. Метод Монте-Карло достаточно трудоемкий и его невозможно провести без использования вычислительной техники. Случайные значения факторов задаются с использованием стандартных средств EXCEL.

Программа имитирует неопределённость рыночных процессов, подставляя выбранную случайным образом величину в экономико-математическую модель расчета показателей экономической эффективности.

3. Рассчитываются возможные сценарии развития событий, с учетом того, что факторы, влияющие на показатели эффективности, заданы как случайные числа.

4. В каждом сценарии осуществляется расчет показателя эффективности инвестиционного проекта — чистая текущая стоимость проекта (NPV), в результате чего получается массив значений NPV.

5. Полученный массив анализируется с помощью статистических методов.

Результат статистического анализа оформляется в виде наиболее стандартной таблицы (Таблица 1). При этом статистическим критерием оценки риска является коэффициент вариации[5].

Читать еще:  Рыночная премия за риск в россии

В соответствии со статистическим правилом трех сигм значение NPV окажется в следующих интервалах:

— с вероятностью 68,2% — в диапазоне: NPVср — σ ≤ NPVср ≤ NPVср + σ; — с вероятностью 95,4% — в диапазоне: NPVср — 2σ ≤ NPVср ≤ NPVср + 2σ; — с вероятностью 99,7% — в диапазоне: NPVср — 3σ ≤ NPVср ≤ NPVср + 3σ;

Таблица 1 – Количественная оценка риска инвестиционного риска

Анализ рисков монте карло

ПРИМЕНЕНИЕ МЕТОДА МОНТЕ-КАРЛО ДЛЯ ОЦЕНКИ ИНВЕСТИЦИОННЫХ ПРОЕКТОВ

Ефремова Елена Алексеевна

студент 5 курса, кафедры ММиМЭ, ОГУ, РФ, г. Оренбург

Прядкина Вера Алексеевна

студент 5 курса, кафедры ММиМЭ, ОГУ, РФ, г. Оренбург

Инвестиции представляют собой долгосрочные вложения финансовых и экономических ресурсов с целью получения доходов в будущем. Они являются ключевым фактором при создании или развитии организации, реализации инвестиционного проекта. При этом важно весь инвестиционный процесс в целом: предварительный анализ, мониторинг, коррекция инвестиционного проекта в процессе выполнения и его завершение.

Наиболее важным элементом анализа инвестиционных проектов является оценка рисков. Риск — это возможность возникновения в ходе реализации проекта условий, при которых наступят негативные последствия для участников проекта и значительное сокращение или отсутствие доходов инвестиционного проекта [6].

Инвестиционный риск — это такой риск, в результате которого происходит обесценивание вложений капитала, возникает опасность потери инвестиций (или неполучения полной отдачи от них) и непредвиденных финансовых потерь (утрата доходов, капитала, снижение прибыли) в ситуации неопределенности условий инвестирования средств [3].

Показатели и методы оценки эффективности инвестиционного проекта используются, во-первых, для определения эффективности инвестиционного проекта (когда необходимо принять решение: утвердить или отклонить проект); во-вторых, для сравнения альтернативных инвестиционных проектов (если требуется выбрать проект из нескольких альтернативных).

Методы количественной оценки предполагают численное определение величины риска инвестиционного проекта. Если точные оценки параметров задать невозможно, однако есть возможность определить интервалы возможного колебания показателей. В этом случае можно использовать метод имитационного моделирования Монте-Карло, который формирует множество возможных случайных сценариев. Результат анализа риска выражается в виде вероятности [1].

Практическое применение данного метода продемонстрировало широкие возможности его использования в инвестиционном проектировании, особенно в условиях неопределённости и риска.

Идея метода заключается в соединении анализа чувствительности и вероятностных распределений факторов модели. Вместо создания отдельных сценариев (наилучший, наихудший и наиболее вероятный), в имитационном методе генерируются сотни возможных комбинаций факторов с учётом их вероятностного распределения. [6]

Алгоритм метода Монте-Карло включает следующие этапы:

1. установление взаимосвязи между исходными и выходными показателями в виде математического уравнения или неравенства;

2. задание законов распределения вероятностей для ключевых параметров модели;

3. проведение компьютерной имитации значений ключевых параметров модели.

4. расчет основных характеристик распределений исходных и выходных показателей;

5. проведение анализа полученных результатов (графический и количественный) и принятие решения.

Рассмотрим применение метода Монте-Карло на примере инвестиционного проекта для строительной компании, которая рассматривает вопрос о приобретении патента для последующего производства нового вида строительного материала. Данный материал отличается высокой прочностью, низкой теплопроводностью, водонепроницаемостью и хорошей звукоизоляцией. Стоимость патента составляет $ 3,4 млн. Срок проекта составляет три года. Рынок строительных материалов является весьма конкурентным. Конкуренция со стороны других материалов может привести к снижению цены ниже предполагаемой. Также из-за влияния конкуренции трудно точно предсказать объем продаж строительного материала. Помимо цены и объема продаж не поддаются точному прогнозу будущая себестоимость материала и операционные издержки. Очень часто себестоимость и издержки превышают прогнозируемые. Кроме того, они могут колебаться год от года. Основная информация по проекту представлена в таблице 1. Себестоимость и операционные издержки рассчитываются как некоторый процент от объема продаж.

Характеристики инвестиционного проекта

Анализ рисков монте карло

Оказывается, что многие биологические, экономические, демографические и другие явления порождают одну и ту же статистику и оказываются связанными с одними и теми же механизмами, что позволяет их отнести к рискам катастрофического вида. Если при оценке риска классического и равномерно повышающегося с учетом вида колебаний убыточности хорошо работают обычные статистические методы, то для рисков катастрофического характера эти методы не дают достоверного результата их прогнозной величины. Поэтому количественное определение величины рисков такого вида общепринятыми в страховой теории методами невозможно, требуется рассмотреть иные подходы к решению данной проблемы.

Исследование этих процессов возможно на основе новых информационных технологий, важнейшей частью которых являются математические модели. В данной работе рассмотрим возможность применения метода Монте-Карло к анализу и оценке катастрофических рисков, возникающих при страховании урожая.

Метод Монте-Карло является аналитическим методом формализованного описания неопределенности, используемым в наиболее сложных для прогнозирования рисках. Он основан на применении имитационных моделей, позволяющих создать множество сценариев, которые согласуются с заданными ограничениями на исходные переменные. То есть, при известных законах распределения переменных (например, урожайности) можно с помощью определенной методики получить не единственное значение, а распределение показателя риска (построить гистограмму в общем случае, либо подобрать теоретический закон распределения вероятностей). Подбор закона распределения переменных осуществляется как на данных объективных наблюдений (статистики), так и на экспертных оценках. При этом строится одна модель прогнозных потоков денежных средств страховой компании (поступающих взносов, выплат, суммарных страховых сумм), которая рассматривается как модель принятия решений в условиях неопределенности. Проведение анализа риска методом Монте-Карло предполагает осуществление предварительных оценок другими аналитическими методами. Переменными считаются случайные составляющие проекта (урожайность, количество заключенных договоров страхования, застрахованная площадь посевов и т.д.), параметрами — те составляющие проекта, значения которых предполагаются детерминированными (гарантированный уровень урожайности, цена одного центнера застрахованной культуры и т.д.). Математическая модель, то есть убыточность страховой суммы пересчитывается при каждом новом имитационном эксперименте, в течение которого значения основных неопределенных переменных выбираются случайным образом на основе генерирования случайных чисел. То есть генерируется случайное число (от 0 до 1) путем компьютерной операции, которое рассматривается как значение функции распределения для соответствующей переменной. Затем значение каждой независимой переменной восстанавливается как аргумент функции распределения вероятностей данной переменной, (эта зависимость считается известной). Значения переменных величин подставляются в модель, и рассчитывается интегральный показатель убыточности. Этот алгоритм повторяется n раз. Каждый имитационный эксперимент — это случайный сценарий. Точность подбираемого закона распределения убыточности и его характеристик зависит от количества имитационных моделей n. Далее, выборка из n значений убыточности анализируется либо графическим методам, либо количественным. В связи с тем, что вероятность каждого сценария равна Pi = 1/n, то вероятность того, что проектное значение убыточности будет ниже определенного значения, будет равна количеству результатов, при которых значение убыточности было ниже этого значения, умноженному на вероятность реализации одного наблюдения. Построив график кумулятивного распределения частот появления результатов, можно рассчитать вероятность того, что убыточность будет ниже или выше заданного значения.

Читать еще:  Управление риском проекта это

Показатель ожидаемого значения убыточности представляет собой агрегирование в виде единственного числа всей информации, имеющейся в распределении вероятностей убыточности. Для классических рисков таким показателем является взвешанная средняя значений всех возможных убыточностей, в качестве весов используют вероятности каждого результата. Для катастрофических рисков среднее не является характеристикой. В данном случае должны использоваться другие подходы к оценке и прогнозу величины риска таких распределений, дающие корректные и устойчивые результаты.

Для распределений с «тяжелыми хвостами», которыми описываются и катастрофические риски страховщика, ущерб, а, следовательно, и убыточность, растут нелинейно (по крайней мере, для периода времени, не превышающих некоторого значения, отвечающего характерному периоду повторяемости максимально возможной убыточности). Нелинейный рост убыточности со временем соответствует бесконечному значению математического ожидания величины убыточности. Нелинейность роста убыточности со временем приводит к тому, что никакая характеристика годового значения убыточности (в том числе медиана его распределения) не пригодна для долгосрочного прогноза величины убыточности. Используя результаты работы [Кузнецов И.В., Писаренко В.Ф., Родкин М.В. Методы расчета ущерба от катастроф различного типа //Экономика и математические методы. — 1997. — Том 33. — Вып.4. — С.39 — 49] можно утверждать, что надежный прогноз на Т лет вперед возможен только на базе каталога, описывающего вид убыточности за срок не менее 1,5Т лет, то есть характерное значение максимального значения годовой убыточности (медиана максимальной убыточности) может быть оценено только для интервалов времени, не превышающих 70% длительности исходного каталога. Так, для получения прогноза на 10 лет длительность используемого каталога должна быть не менее 15 лет. При этом величина медианы максимальной годовой убыточности выражается через время Т следующим образом:

В данном случае А, β и λ являются параметрами распределения Паретто и определяются из полученного вида функции распределения убыточности. Для распределений Парето суммарная и максимальная годовая убыточность становятся сравнимы по величине, поэтому максимальная годовая убыточность за время Т может быть использована в качестве простой, но теоретически обоснованной оценки суммарной убыточности (или суммарного ущерба) для распределений с тяжелыми хвостами.

Таким образом, для оценки и прогноза рисков катастрофического вида могут использоваться такие показатели, как характерная максимальная годовая убыточность, соотношение характерной максимальной годовой и суммарной убыточности (для которой существует возможность оценки верхней и нижней границы.

Метод Монте-Карло при анализе риска

Использование метода Монте-Карло в условиях управления рыночными рисками. Преимущества применения способа имитации событий при планировании стратегии развития предприятия. Примеры построения функциональных зависимостей и вероятностей числовых величин.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Метод МонтеКарло при анализе риска

Управление рисками на сегодняшний день является актуальной проблемой. Поэтому особое внимание уделяется методам управления рисками.

Актуальность исследования состоит в изучении методов управления рисками, а в честности метода Монте-Карло.

Итак, предметом данной работы является метод. Объектом написания данной работы — метод Монте-Карло.

При написании данной работы были поставлены ряд задач и целей.

Цель: всесторонне охарактеризовать применение метода Монте-Карло в управлении рисками предприятия.

Исходя из поставленной цели, были выдвинуты ряд задач:

1. Метод Монте-Карло при анализе риска.

2. Метод Монте-Карло в условиях управления рыночными рисками.

Исследуя тему данной работы, были использовала труды таких авторов как: Ильин И.П. «Планирование на предприятии», «Энциклопедия финансового риск-менеджмента» под. ред. Лобанова А.А.

1. Метод Монте-Карло при анализе риска

Широкое распространение особенно при анализе риска получил метод Монте-Карло. Этот метод имитации применим для решения почти всех задач при условии, что альтернативы могут быть выражены количественно. Построение модели начинается с определения функциональных зависимостей в реальной системе, которые в последствии позволяют получить количественное решение, используя теорию вероятности и таблицы случайных чисел.

Модель Монте-Карло не столь формализована и является более гибкой, чем другие имитирующие модели. Причины здесь следующие:

при моделировании по методу Монте-Карло нет необходимости определять, что именно оптимизируется;

нет необходимости упрощать реальность для облегчения решения, поскольку применение ЭВМ позволяет реализовать модели сложных систем;

в программе для ЭВМ можно предусмотреть опережения во времени.

Типичным примером задачи, которая может быть решена на основе модели Монте-Карло, может быть задача на обслуживание. Например, при планировании стратегии развития ресторана быстрого обслуживания необходимо знать, как долго в среднем приходится посетителю ждать обслуживания (среднее значение ожидания). Работа ресторана характеризуется следующими парами. Посетители обслуживаются последовательно на одной кухне. Прибытие клиентов носит случайный характер. Поступление заказов характеризуется следующими данными: интервалы поступления требований до 10 мин составляют 40 % случаев, от 10 до 20 мин — 60 %. Продолжительность обслуживания в зависимости от вкусов клиентов — также величина случайная. В 80 % случаев на обслуживание требуется 10 мин, в остальных — 30 мин.

Читать еще:  Планирование управления рисками

В таблице 1 представлены результаты решения задачи на основе имитационной модели Монте-Карло, в которой интервалы между прибытием клиентов и временем обслуживания представлены последовательностью случайных чисел.

Таблица 1. Решение задачи обслуживания с применением метода Монте-Карло

Метод Монте-Карло. Моделирование по методу Монте-Карло. Анализ рисков с использованием метода Монте-Карло

Анализ рисков — неотъемлемая часть любого решения, которое мы принимаем. Мы постоянно сталкиваемся с неопределенностью, неоднозначностью и изменчивостью вокруг нас. И даже несмотря на беспрецедентно широкий доступ к информации, мы не можем точно предсказать будущее и развитие наших проектов.

Наш опыт в управлении проектами и предоставления консалтинговых услуг в Украине и России убедительно показывает, что относительно небольшая часть компаний выполняет анализ рисков и последующее обоснование того, как управлять проектами в условиях изменений.

Большинство же предприятий, особенно небольших, предпочитают действовать, используя логику кроличьей норы. Помните, Алиса в Стране чудес свалилась в кроличью норку и долго куда-то летела, предметы и события проносились мимо нее, а она ничего не делала, только пассивно наблюдала.

А ведь стоит помнить, что составляющая успеха проекта (и любого начинания) состоит именно в управлении рисками: «Надо просто профессионально управлять рисками. Мастер никогда много не проиграет в самом худшем раскладе, а если расклад удачный, то мастер возьмет свое по максимуму» (из учебника игры в преферанс).

В рамках управления рисками существуют как качественные, так и количественные методики анализа. Но когда речь заходит о «рулетке рисков» — в управлении во всем мире произносят слова — Монте Карло, вспоминая метод статистического моделирования. Впервые этим методом воспользовалась ученые, занимавшиеся разработкой атомной бомбы; его назвали в честь Монте-Карло — курорта в Монако, известного своими казино и игровым бизнесом.

В данной статье мы рассмотрим метод Монте-Карло и его реализацию в программном комплексе Spider Project.

Моделирование по методу Монте-Карло представляет собой математический алгоритм, предназначенный для учета риска в процессе количественного анализа и принятия последующих решений.

В рамках метода Монте-Карло анализ риска выполняется с помощью моделей возможных результатов. При создании таких моделей любой фактор, которому свойственна неопределенность, заменяется диапазоном значений — распределением вероятностей. Затем выполняются многократные расчеты результатов, причем каждый раз используется другой набор случайных значений функций вероятности. Моделирование по методу Монте-Карло позволяет получить распределения значений возможных последствий.

В Spider Project диапазон значений, необходимый для расчетов задается указанием оптимистической, ожидаемой и пессимистической оценки параметров (длительность и объемы операций, трудоемкость, производительность, количество и загрузка ресурсов, календари операций и ресурсов, требуемые затраты и расходы материалов), котором свойственна неопределенность (См. рисунок 1).

Рисунок 1. Оптимистические, ожидаемые и пессимистические значения параметра длительность

Либо же, если уже существуют 3 версии проекта для анализа рисков по методу трех сценариев, то значения можно импортировать из них (См. рисунок 2.).

Рисунок 2. Импорт значений из трех сценариев.

Давайте рассмотрим применение метода Монте-Карло на примере определения распределения вероятностей длительности проекта.

Суть методики заключается в выполнении ряда симуляций:

  • программа имитирует «выбрасывание костей» и случайным образом генерирует выборку значений, являющимися возможными значениями длительности каждой задачи, у которых такие различные значения возможны;
  • выбирается длительность каждой задачи, вычисляется критический путь, а также общая длительность и дата завершения проекта. (В Spider Project существует понятие “ индекс критичности» – процентное отношение попадания задачи на критический путь(См. рисунок 3));

Рисунок 3. Индекс критичности

  • в результате ряда симуляций для каждой задачи и проекта в целом определяется длительность и дата завершения, которая «выпадала» чаще, и тем самым оценивается ее наиболее вероятная величина;
  • в итоге мы получаем распределение вероятностей возможной длительности и даты завершения проекта (см. рисунок 4).

Рисунок 4. Распределение вероятностей возможной длительности проекта

Рисунок 5. Распределение вероятностей возможной стоимости проекта

Разумеется, что использование подобного метода дает большую точность при большем числе симуляций. Порой для завершения моделирования бывает необходимо произвести тысячи и даже десятки тысяч перерасчетов.

Моделирование по методу Монте-Карло дает гораздо более полное представление о возможных событиях. Оно позволяет судить не только о том, что может произойти, но и о том, какова вероятность такого исхода.

Моделирование по методу Монте-Карло имеет ряд преимуществ по сравнению с детерминистским анализом, или анализом « по точечным оценкам»:

  • Вероятностные результаты. Результаты демонстрируют не только возможные события, но и вероятность их наступления.
  • Графическое представление результатов. Характер данных, получаемых при использовании метода Монте-Карло, позволяет создавать графики различных последствий, а также вероятностей их наступления. Это важно при передаче результатов другим заинтересованным лицам.
  • Анализ чувствительности. За редким исключением детерминистский анализ затрудняет определение того, какая из переменных в наибольшей степени влияет на результаты. При проведении моделирования по методу Монте-Карло несложно увидеть, какие исходные данные оказывают наибольшее воздействие на конечные результаты.
  • Анализ сценариев. В детерминистских моделях очень сложно моделировать различные сочетания величин для различных исходных значений, и, следовательно, оценить воздействие по-настоящему отличающихся сценариев. Применяя метод Монте-Карло, аналитики могут точно определить, какие исходные данные приводят к тем или иным значениям, и проследить наступление определенных последствий. Это очень важно для проведения дальнейшего анализа.

Эта методика применяется профессионалами в разных областях, таких как финансы, управление проектами, энергетика, производство, проектирование, НИОКР, страхование, нефтегазовая отрасль, транспорт и охрана окружающей среды.

Моделирование по методу Монте-Карло позволяет рассмотреть все возможные последствия ваших решений и оценить воздействие риска на цели проекта (сроки, стоимость и т.д.), что обеспечивает более высокую эффективность принятия решений в условиях неопределенности.

В следующей статье будет представлена пошаговая инструкция по анализу рисков методом Монте-Карло в программном комплексе Spider Project.

Сергей Бирюк,
консультант по управлению проектами
компании «Spider Management Technologies Ukraine»

Ссылка на основную публикацию
Adblock
detector