Membawa ketidakpastian dan risiko dalam peramalan
Banyak peristiwa kebetulan.
Jadi Anda telah membuat perkiraan arus kas hati-hati diteliti untuk Anda ingin memulai bisnis. Dan mungkin tampaknya itu seperti brosur.
Tapi bagaimana yang baik adalah perkiraan ini benar-benar? Apakah Anda membuat persis pendapatan diperkirakan? Tepat? Dan dalam dunia ini harga komoditas berfluktuasi liar, akan masukan Anda biaya persis apa yang telah Anda perkirakan?
Jika pendapatan Anda hanya sedikit di atas apa yang Anda harapkan dan biaya Anda hanya sedikit lebih tinggi, adalah bisnis yang menjanjikan Anda sebenarnya lebih cenderung keputusan menjadi bencana kerugian?
Dan apa perkiraan lainnya - prakiraan produksi, perkiraan populasi, perkiraan ekonomi, bahkan ramalan cuaca? Bagaimana Anda membawa keacakan semata-mata kedalam kehidupan sehari-hari?
Salah satu cara untuk melakukan hal ini secara kuantitatif adalah dengan Monte Carlo Analisis, sebuah keputusan penting dan teknik analisis resiko.
Memahami Perangkat :
Nama "Monte Carlo Analisis" mengacu ke kasino di Monte Carlo di Monaco, di mana ratusan peristiwa kebetulan terjadi setiap hari.
Metode Monte Carlo adalah suatu teknik yang melibatkan penggunaan angka acak dan probabilitas untuk memecahkan masalah. Istilah Metode Monte Carlo diciptakan oleh S. Ulam dan Nicholas Metropolis dalam referensi untuk permainan kesempatan, atraksi yang populer di Monte Carlo, Monako (Hoffman, 1998; Metropolis dan Ulam, 1949).
Ide di balik teknik ini adalah bahwa Anda berikan nomor acak yang merepresentasikan input pasti (pendapatan dan harga komoditas dalam contoh di atas) ke dalam model peramalan Anda, dan kemudian melacak apa yang keluar di ujung lain.
Ini tidak akan membuat Anda kemana saja jika Anda beri dalam jumlah yang benar-benar acak, atau jika Anda menggunakan hanya satu set input. Namun, bila Anda menghasilkan pseudo-acak masukan berdasarkan distribusi probabilitas yang sesuai, dan pakan cukup dari mereka ke dalam model Anda, Anda menghasilkan distribusi yang berguna dan sangat informatif output untuk dicatat.
Sebelum PC menjadi umum di tempat kerja, ini tidak praktis. Hanya menyiapkan satu run dari perkiraan arus kas (dengan satu set input) akan memakan waktu perhitungan manual dan pemeriksaan satu hari . Namun dengan komputer, Anda dapat menjalankan ratusan atau ribuan set input melalui model Anda hanya dalam beberapa menit.
Untuk melakukan ini, Anda harus Analisis Risiko MS Excel plug-in seperti Risiko @, RiskAmp atau Crystal Ball, atau Anda akan memerlukan beberapa bentuk akhir depan Simulasi Monte Carlo untuk pemodelan sistem yang Anda gunakan.
Cara Menggunakan nya :
Simulasi komputer harus dilakukan dengan menggunakan model komputer untuk meniru kehidupan nyata atau membuat prediksi. Bila Anda membuat model yang spreadsheet seperti Excel, Anda memiliki sejumlah parameter input dan beberapa persamaan yang menggunakan input mereka untuk memberikan satu set output (atau variabel respon). Jenis model biasanya deterministik, yang berarti bahwa Anda mendapatkan hasil yang sama tidak peduli berapa kali Anda menghitung ulang.
[ Contoh 1: Sebuah Model deterministik untuk Kepentingan Majemuk ]
Gambar 1: Sebuah peta model parametrik deterministik satu set variabel input untuk satu set variabel output.
Simulasi Monte Carlo adalah metode untuk mengevaluasi iteratif model deterministik menggunakan set nomor acak sebagai masukan. Metode ini sering digunakan ketika model adalah kompleks, nonlinier, atau melibatkan lebih dari sekedar beberapa parameter yang tidak pasti. Sebuah simulasi biasanya dapat melibatkan lebih dari 10.000 evaluasi model, tugas yang di masa lalu hanya praktis menggunakan komputer super.
Contoh 2: Sebuah Model Stochastic
Dengan menggunakan input acak, Anda pada dasarnya mengubah model deterministik menjadi model stokastik. Contoh 2 menunjukkan konsep ini dengan masalah yang sangat sederhana.
[ Contoh 2: Sebuah Model stokastik untuk Majelis Engsel ]
Pada Contoh 2, kita menggunakan nomor acak sederhana seragam sebagai input untuk model. Namun, distribusi seragam bukan satu-satunya cara untuk mewakili ketidakpastian. Sebelum menjelaskan langkah-langkah simulasi MC umum secara rinci, kata sedikit tentang propagasi ketidakpastian:
Metode Monte Carlo adalah salah satu dari banyak metode untuk menganalisis propagasi ketidakpastian, di mana tujuannya adalah untuk menentukan bagaimana variasi acak, kurangnya pengetahuan, atau kesalahan mempengaruhi sensitivitas, kinerja, atau keandalan dari sistem yang sedang dimodelkan. Simulasi Monte Carlo dikategorikan sebagai metode sampling karena input acak dari distribusi probabilitas untuk mensimulasikan proses sampling dari populasi sebenarnya. Jadi, kita mencoba untuk memilih distribusi input yang paling sesuai dengan data yang sudah kita miliki, atau paling mewakili keadaan saat ini pengetahuan kita. Data yang dihasilkan dari simulasi dapat digambarkan sebagai distribusi probabilitas (atau histogram) atau dikonversi ke bar kesalahan, prediksi kehandalan, zona toleransi, dan interval kepercayaan. (Lihat Gambar 2).
Ketidakpastian Propagasi
Gambar 2: Skema menunjukkan propagasi ketidakpastian utama stokastik. (Prinsip dasar di balik simulasi Monte Carlo.)
Jika Anda telah membuat sejauh ini, selamat! Sekarang untuk bagian yang menyenangkan! Langkah-langkah dalam simulasi Monte Carlo sesuai dengan propagasi ketidakpastian yang ditunjukkan pada Gambar 2 adalah cukup sederhana, dan dapat dengan mudah diimplementasikan di Excel untuk model sederhana. Yang kita perlu lakukan adalah mengikuti lima langkah sederhana yang tercantum di bawah ini:
Langkah 1: Membuat model parametrik, y = f (x 1, x 2, ..., x q).
Langkah 2: Menghasilkan set input acak, x i 1, x i 2, ..., x iq.
Langkah 3: Evaluasi model dan menyimpan hasil sebagai y i.
Langkah 4: Ulangi langkah 2 dan 3 untuk i = 1 sampai n.
Langkah 5: Menganalisis hasil menggunakan histogram, ringkasan statistik, interval keyakinan, dll
Sebuah contoh model deterministik adalah perhitungan untuk menentukan laba atas investasi 5 tahun dengan tingkat bunga tahunan sebesar 7%, diperparah bulanan. Model ini hanya persamaan di bawah ini:
Input
investasi awal (P = $ 1000), tingkat bunga tahunan (r = 7% = 0,07), periode peracikan (m = 12 bulan), dan jumlah tahun (Y = 5).
Bunga Majemuk Model
| |
Hadir nilai, P
| |
Tingkat tahunan, r
| |
Periode / Tahun, m
| |
Tahun, Y
| |
Nilai masa depan, F
| |
Salah satu tujuan dari model seperti ini adalah untuk membuat prediksi dan mencoba "Bagaimana jika?" skenario. Anda dapat mengubah input dan menghitung ulang model dan Anda akan mendapatkan jawaban baru. Anda bahkan mungkin ingin plot grafik dari nilai masa depan (F) vs tahun (Y). Dalam beberapa kasus, Anda mungkin memiliki tingkat bunga tetap, tetapi apa yang Anda lakukan jika tingkat bunga diperbolehkan untuk mengubah?
Untuk persamaan sederhana, Anda mungkin hanya mau tahu skenario kasus terburuk / terbaik, di mana Anda menghitung nilai masa depan berdasarkan tingkat suku bunga terendah dan tertinggi yang Anda harapkan.
Tentu saja, Anda tidak ingin melakukan ini secara manual. Itulah sebabnya ada begitu banyak perangkat lunak (termasuk Excel add-in) untuk mengotomatisasi simulasi Monte Carlo.