مدل سازی تصادفی

در امور مالی ، از مدل سازی تصادفی برای برآورد نتایج بالقوه که در آن تصادفی یا عدم اطمینان وجود دارد استفاده می شود. با اجازه تغییر تصادفی در ورودی ها ، از مدل های تصادفی برای برآورد احتمال نتایج مختلف استفاده می شود.

مدل سازی تصادفی به مؤسسات مالی اجازه می دهد تا در برآورد خود عدم قطعیت ها را شامل شوند ، و موقعیت هایی را که ممکن است نتایج 100 ٪ شناخته نشود ، حساب می کنند. به عنوان مثال ، یک بانک ممکن است علاقه مند به تجزیه و تحلیل نحوه عملکرد یک نمونه کارها در طی یک بازار بی ثبات و نامشخص باشد. ایجاد یک مدل تصادفی شامل مجموعه ای از معادلات با ورودی هایی است که نشان دهنده عدم قطعیت در طول زمان است. بنابراین ، مدل های تصادفی هر بار که مدل اجرا می شود ، نتایج متفاوتی تولید می کنند.

خلاصه

• از مدل های تصادفی برای برآورد احتمال نتایج مختلف استفاده می شود در حالی که امکان تصادفی در یک یا چند ورودی را در طول زمان فراهم می کند.
• مدل ها منجر به توزیع احتمال می شوند ، که عملکردهای ریاضی هستند که احتمال نتایج مختلف را نشان می دهد.
• در تجزیه و تحلیل مالی ، می توان از مدل های تصادفی برای برآورد موقعیت های مربوط به عدم اطمینان ، مانند بازده سرمایه گذاری ، بازارهای بی ثبات یا نرخ تورم استفاده کرد.

درک مدل های تصادفی

برای اینکه یک مدل تصادفی باشد ، باید یک متغیر تصادفی داشته باشد که در آن سطح عدم اطمینان وجود داشته باشد. با توجه به عدم اطمینان موجود در یک مدل تصادفی ، نتایج تخمین احتمال نتایج مختلف را ارائه می دهد.

برای برآورد احتمال هر نتیجه ، یک یا چند ورودی باید با گذشت زمان تغییر تصادفی را فراهم کند. این منجر به تخمین توزیع احتمال ، که عملکردهای ریاضی هستند که احتمال نتایج مختلف را نشان می دهد.

به عنوان مثال ، اگر شما در حال تجزیه و تحلیل بازده سرمایه گذاری هستید ، یک مدل تصادفی تخمین احتمال بازده های مختلف را بر اساس ورودی نامشخص (به عنوان مثال ، نوسانات بازار) ارائه می دهد. متغیر تصادفی به طور معمول از داده های سری زمانی استفاده می کند ، که تفاوت های مشاهده شده در داده های تاریخی را با گذشت زمان نشان می دهد. توزیع احتمال نهایی ناشی از بسیاری از پیش بینی های تصادفی است که منعکس کننده تصادفی در ورودی ها است.

مدل های تصادفی باید معیارهای مختلفی را رعایت کنند که آنها را از سایر مدل های احتمال متمایز می کند. اول ، مدل های تصادفی باید حاوی یک یا چند ورودی باشند که منعکس کننده عدم اطمینان در وضعیت پیش بینی شده است. به طور کلی ، این مدل باید تمام جنبه های وضعیت را منعکس کند تا توزیع احتمال را به درستی ارائه دهد.

احتمالات با وقایع موجود در مدل ارتباط دارد ، که منعکس کننده تصادفی ورودی ها است. سپس از احتمالات برای پیش بینی یا ارائه اطلاعات مربوط به اوضاع استفاده می شود.

مدل های تصادفی در مقابل مدل های قطعی

همانطور که قبلاً نیز گفته شد ، مدل های تصادفی حاوی یک عنصر عدم اطمینان هستند که از طریق ورودی ها در مدل ساخته می شود. هنگام محاسبه یک مدل تصادفی ، نتایج ممکن است هر بار متفاوت باشد ، زیرا تصادفی در مدل ذاتی است. این مدل ها بسته به ورودی ها و نحوه تأثیر آنها در محلول می توانند نتایج مختلفی را به همراه داشته باشند. این روند می تواند بارها در سناریوهای مختلف تکرار شود تا توزیع احتمال را تخمین بزند.

بر خلاف مدل های تصادفی ، مدل های قطعی دقیقاً برعکس هستند و هیچگونه عدم اطمینان یا تصادفی را شامل نمی شوند. ویژگی تعریف کننده یک مدل قطعی این است که صرف نظر از چند بار مدل اجرا می شود ، نتایج همیشه یکسان خواهد بود.

این امر به این دلیل است که هیچ یک از ورودی ها تصادفی نیستند و فقط یک راه حل برای یک مجموعه خاص از مقادیر وجود دارد. در مدلهای قطعی ، هرگونه عدم اطمینان خارجی است و بر نتایج موجود در مدل تأثیر نمی گذارد.

مدل های سرمایه گذاری تصادفی

در تجزیه و تحلیل مالی ، از مدل های تصادفی می توان برای برآورد موقعیت های مربوط به عدم قطعیت ، مانند بازده سرمایه گذاری ، بازارهای بی ثبات یا نرخ تورم استفاده کرد. از آنجا که فاکتورها با دقت کامل قابل پیش بینی نیستند ، مدل ها راهی را برای موسسات مالی فراهم می کنند تا شرایط سرمایه گذاری را بر اساس ورودی های مختلف تخمین بزنند.

مدل های تصادفی بر اساس مجموعه ای از متغیرهای تصادفی است که در آن پیش بینی ها و محاسبات برای دستیابی به توزیع احتمال تکرار می شوند. این مدل ها می توانند هزاران بار تکرار شوند ، با مجموعه جدیدی از متغیرهای تصادفی هر بار.

توزیع حاصل تخمین می زند که نتایج به احتمال زیاد رخ می دهد و دامنه بالقوه نتایج. این به طور معمول توسط یک منحنی توزیع نشان داده می شود. از آنجا که مدل های تصادفی حاوی ورودی هایی هستند که عدم اطمینان و تنوع را به خود اختصاص می دهند ، نمایش بهتری از موقعیت های زندگی واقعی را فراهم می کند.

منابع بیشتر

با تشکر از شما برای خواندن راهنمای CFI برای مدل سازی تصادفی. برای ادامه پیشرفت شغل خود ، منابع اضافی زیر مفید خواهد بود: