- •Глава 1. Принципы моделирования случайных элементов 6
- •Глава 3. Метод Монте-Карло и его применения 51
- •3.4. Задания 63
- •Глава 4. Система моделирования gpss 64
- •Глава 5. Моделирование сложных систем на основе gpss 127
- •5.2.1. Иммитационная модель системы 136
- •Глава 6. Задания лабораторного практикума по gpss 152
- •Глава 7. Статистическое моделирование в финансовом анализе. 181
- •Введение
- •Глава 1.Принципы моделирования случайных элементов
- •1.1. Моделирование случайных величин
- •1.1.1.Моделирование базовых случайных величин (бсв) Понятие бсв
- •Датчики бсв
- •Метод Макларена-Марсальи
- •Специальные тесты проверки точности моделирования бсв
- •Тест «совпадения моментов»
- •Тест «ковариация»
- •Тест «равномерность двухмерного распределения»
- •1.1.2.Статический анализ точности моделирования
- •1.1.3.Задания
- •1.2. Моделирование дискретных случайных величин (дсв)
- •1.2.1.Понятие дсв. Общая схема алгоритма моделирования
- •1.2.3.Графический анализ точности моделирования
- •1.2.4.Задания
- •Дискретное равномерное распределение
- •1.3. Моделирование непрерывных случайных величин (нсв)
- •1.3.1.Понятие нсв. Универсальные методы моделирования нсв. Понятие нсв.
- •Метод обратной функции.
- •Метод исключения
- •1.3.2.Тесты проверки точности моделирования нсв Критерии согласия
- •- Критерий согласия Пирсона
- •Критерий согласия Колмогорова.
- •Критерий серий
- •Критерий “нисходящих” и ”восходящих” серий
- •1.3.3.Алгоритмы моделирования для основных непрерывных распределений Равномерное распределение
- •Алгоритм моделирования
- •Одномерное нормальное распределение
- •Алгоритм моделирования
- •Экспоненциальное распределение
- •Алгоритм моделирования
- •Распределение Лапласа
- •Алгоритм моделирования
- •Алгоритмы моделирования:
- •Бета-распределение.
- •Связь с другими распределениями
- •Алгоритмы моделирования:
- •Алгоритмы моделирования
- •Алгоритм моделирования
- •Моделирование случайных величин с заданной гистограммой
- •Алгоритм моделирования
- •Моделирование случайных величин с заданным полигоном частот
- •1.3.4.Задания Равномерное распределение
- •Одномерное нормальное распределение
- •Распределение Лапласа
- •Распределение Вейбулла-Гнеденко
- •Гамма распределение
- •Бета-распределение
- •Распределение Коши
- •Логистическое распределение
- •Распределение Стьюдента
- •Распределение Фишера
- •3.2. Вычисление определенного интеграла методом Монте-Карло
- •Пример.
- •Текст программы:
- •3.3. Решение системы алгебраических уравнений методом Монте-Карло
- •3.4. Задания
- •Глава 4.Система моделирования gpss
- •4.1. Краткие сведения из теории
- •4.2. Основные правила и операторы языка gpss
- •4.2.1.Структура операторов gpss
- •4.2.2.Основные операторы языка gpss
- •4.3. Основные блоки gpss/pc и связанные с ними объекты
- •4.3.1.Блоки, связанные с транзактами
- •4.3.2.Блоки, связанные с аппаратными объектами
- •4.3.3.Блоки для сбора статистических данных
- •4.3.4.Блоки, изменяющие маршруты транзактов
- •4.3.5.Блоки, работающие с памятью
- •4.3.6.Блоки для работы со списками пользователя
- •4.4. Управляющие операторы gpss/pc
- •4.5. Некоторые приемы конструирования gpss-моделей
- •4.5.1.Косвенная адресация
- •4.5.2.Обработка одновременных событий
- •4.6. Команды gpss/pc и технология работы с пакетом
- •4.6.1.Загрузка интегрированной среды
- •4.6.2.Ввод новой модели
- •4.6.3.Редактирование текста модели
- •4.6.4.Запись и считывание модели с диска
- •4.6.5.Прогон модели и наблюдение за моделированием
- •4.6.6.Получение и интерпретация стандартного отчета
- •5.1.3.Анализ результатов иммитационного моделирования
- •5.2. Моделирование работы участка цеха
- •5.2.1.Иммитационная модель системы
- •110 Generate 30,5 Первый сегмент модели
- •280 Generate 20,5 Второй сегмент модели
- •450 Generate 480 Третий сегмент модели (таймер)
- •5.2.2.Анализ результатов иммитационного моделирования
- •Обсуждение результатов моделирования
- •105 A2 storage 2 Второй станок моделируется как накопитель
- •5.3. Порядок оформления отчета
- •5.3.1.Содержание отчета
- •Задания для самопроверки
- •5.3.2.Создание выходного файла
- •Задание для домашней подготовки
- •5.3.3.Описание элементов выходного файла
- •Глава 6.Задания лабораторного практикума по gpss
- •Глава 7.Статистическое моделирование в финансовом анализе.
- •7.1. Моделирование наращенных сумм и современных величин платежа.
- •Задание 4.
- •7.2. Моделирование величины реальной наращенной суммы платежей с учетом инфляции.
- •7.3. Моделирование обменного курса валют при двойной конверсии валют.
- •Приложение
- •Примечание к таблице п.3
- •Литература
Задание 4.
По 10000 реализаций P,
вычисляемых по формуле (2), оценить
числовые характеристики современной
величины P наращенной
суммы S: Pmin,
Pmax,
E{P},
D{P},
P{
},
для следующих значений параметров,
входящих в правую часть формулы (2):
1)
= 4, n1 =
n2 = n3
= n4 =
0,25 года, ставки процентов, измеренные
в долях, измеряются в начале каждого
квартала по цепной зависимости Маркова
с трендом: ik
= f(k)+
,
k = 1, 2, 3, 4, где f(k)
= 0,05 + 0,001(k - 1) -
тренд, характеризующий общую тенденцию
изменения ставок процентов,
-маржа,
измеряющаяся по цепной зависимости
Маркова, с двумя состояниями. В первом
состоянии
принимает значение 0,005, во втором -
значение 0,01. Вектор вероятностей
начальных состояний
,
матрица одношаговых переходов имеет
следующие компоненты: p11
= 0,7; p12 =
0,3; p21 = 0,2;
p22 = 0,8.
Наращенная сумма S = 10000,
P1 = 9600, P2
= 9700;
Оцените числовые характеристики начальной суммы P, вычисляемой по формуле (4) с теми же значениями параметров, что и в пункте 1).
Задание 5.
Вексель на сумму S = 245000 может быть учтен в банке за 120 дней до его погашения с вероятностью 0,6, но тогда банковская учетная ставка d будет описываться дискретной случайной величиной
-
d
6 %
6,2 %
6,4 %
P
0,7
0,2
0,1
за 80 дней до его погашения с вероятностью 0,2 и в этом случае
-
d
6,5 %
6,8 %
7 %
P
0,6
0,2
0,2
за 40 дней до его погашения с вероятностью 0,2 и в этом случае d R (7,5 %; 9 %).
. По 1000 реализаций P,вычисленных
по формуле (3), оценить числовые
характеристики P:
Pmin,
Pmax,
E{P},
D{P},
P{200000
220000}.
7.2. Моделирование величины реальной наращенной суммы платежей с учетом инфляции.
Реальная наращенная сумма ссуды или депозита с учетом инфляции определяется по формуле:
(1)
и определяет покупательскую способность наращенной суммы S, измеренную по номиналу (смотри формулы (1), (3) предыдущего пункта 7.1, где jp – индекс цен. Так как инфляция является цепным процессом, т.е. цены в периоде повышаются на hk процентов относительно уровня, сложившегося в периоде -1, то индекс за m таких периодов равен произведению цепных индексов цен
,
(2)
где типы инфляции
измеряются в процентах. В формуле
(1) наращенная сумма S
и индекс цен hk
должны вычисляться за один и тот же
промежуток времени.
Если речь идет об оценке в начальный
момент реальной покупательской
способности наращенной суммы депозита
P размещенного в банке
на n лет, и срок n
содержит в себе m
месяцев, то месячные темпы инфляции hk,
=
заранее неизвестны. В этом случае
непосредственно нельзя воспользоваться
формулой (1) . В таких случаях для оценки
будущего значения реальной наращенной
суммы C моделируют
значения последующих месячных темпов
инфляции на основе той или иной модели
изменения этих темпов. В этом разделе
мы будем предполагать, что темпы инфляции
в будущие месяцы являются случайными
величинами с заданными или спрогнозированными
законами распределения вероятностей.
Задание 1
Пусть условия депозита такие же как в
задании 1 предыдущего пункта 7.1.
Дополнительно будем предполагать, что
поквартальные темпы инфляции h1,
h2, h3
и h4
являются независимыми случайными
величинами с прогнозируемыми законами
распределения вероятностей: hI
,
= 1, 2, 3; h4
.
Ставки процентов , ,и
темпы инфляции
h1, h2, h3 и h4 – независимые в совокупности случайные величины.
По 10 реализациям случайных параметров
данной финансовой операции оцените
числовые характеристики C:
Cmin,
Cmax,
E{C},
D{C},
P{ 840000
850000 }.
Решение. Для простоты рассуждений предположим, что результаты моделирования значений наращенной суммы S(I),
=
такие
же как и в решении задания 1 пункта 7.1.
Далее, обозначим через h=(
h1, h2,
h3 ,h4)
четырехмерный вектор, результаты
моделирования 10 реализаций этого
вектора, допустим, следующие:
h(3) = (3,96; 4,02; 4,33; 3,52), h(4) = (4,02; 3,33; 4,17; 3,03), h(5) = (3,49; 3,24; 4,17; 3,84), h(6 ) = (3,31; 4,28; 3,40; 2,83), h(7) = (4,09; 4,31; 3,09; 3,82), h(8) = (4,23; 3,43; 3,82; 3,73), h(9) = (3,14; 3,97; 4,03; 3,57), h(10) = (4,39; 4,02; 3,03; 3,06).
Тогда, в соответствии с формулой (2),
jp(1) = 1,1583027; jp(2) = 1,2020007; jp(3) = 1,1679293; jp(4) = 1,1535849; jp(5) = 1,1557227; jp(6) = 1,1454699; jp(7) = 1,1620704; jp(8) = 1,1609796; jp(9) = 1,1553875; jp(10) = 1,1530006.
Согласно формуле (1)
C(1) =
=842,56; C(2)
= 811,697; C(3)
= 840,77; C(4) =
851,103; C(5)
= 843,715; C(6) =
853,833; C(7)
= 842,238; C(9)
= 842,427; C(10)
= 850,442.
По выборочным значениям
,
оценим числовые характеристики C:
Cmin = 811,697 тыс., Cmax = 853,833 тыс., E{ C } = 842,711 тыс., D{ C } = 124,69 тыс., P{840000 850000} = 0,6.
Задание 2.
По 1000 реализациям оценить числовые характеристики наращенной суммы C: Cmin, Cmax, E{C}, D{C}, P{1200 1250}. Условия для вычисления номинальной наращенной суммы S, без учета инфляции, сформулированы в задании 2, пункт 1), предыдущего раздела 7.1, а распределение вероятностей поквартальных темпов инфляции точно такое же, как и в задании 1 данного раздела.
Задание 3.
По 1000 реализациям оценить числовые
характеристики наращенной суммы C:
Cmin,
Cmax,
E{C},
D{C},
P{13000
13200}. Условия для вычисления номинальной
наращенной суммы S,
без учета инфляции, сформулированы в
задании 3, пункт 1), предыдущего раздела
7.1. Поквартальные темпы инфляции,
выраженные в процентах, описываются
процессом случайного блуждания с
трендом: hI
= 2,6
,где
-случайный
процесс с дискретным фазовым пространством
состояний;
,
Если
в квартале с номером
процесс находится в состоянии
,то
в следующем квартале
,
где
-0,1;
0; 0,1} - дискретная случайная величина с
распределением вероятностей :
