Bài giảng môn mô hình tài chính chương 4 mô hình mô phỏng monte carlo

24 9 0
  • Loading ...
1/24 trang

Thông tin tài liệu

Ngày đăng: 30/11/2016, 22:10

C H Ư Ơ N G Financial Modeling  So sánh mô hình tối ưu hóa & MH mô  Lợi ích MH mô trình thiết lập biến ngẫu nhiên  So sánh mô với bảng tính Excel với mô Monte Carlo (phần mềm Crystal Ball)  Ứng dụng mô với kết hợp công cụ Solver để giải toán điều kiện không chắn Financial Modeling 4.1.Giới thiệu • Ý tưởng mô • Mô so với tối ưu hóa • Mô & biến ngẫu nhiên 4.2 Thiết lập biến ngẫu nhiên 4.3 Mô với bảng tính thông thường (Excel) 4.4 Mô với Crystal Ball 4.5.Tối ưu hóa điều kiện không chắn Financial Modeling  Mục tiêu mô tạo môi trường mà tình có khả xảy đạt thông qua thực nghiệm  Các ứng dụng mô thực tiễn:  Phân tích rủi ro dự án  Lái xe thi sát hạch  Thử nghiệm tác động gió máy bay cách tạo gió đường hầm nhân tạo  Huấn luyện phi công cabin thực tế với hình mô Financial Modeling Mô so với tối ưu hóa Mô hình tối ưu hóa Mô hình mô - MH cho tập hợp giá trị biến số định (giá trị đầu ra) để tối đa hóa hay tối thiểu hóa giá trị hàm mục tiêu MH tối ưu hóa tìm giải pháp tối ưu  MH tối ưu hóa cho kết - MH đánh giá giá trị hàm mục tiêu đạt theo thay đổi tập hợp giá trị đầu vào  MH mô đo lường chất lượng giải pháp chọn thay đổi ntn liệu đầu vào thay đổi ngẫu nhiên  MHMP không tìm giải pháp tối ưu Financial Modeling Lợi ích MH mô phỏng:   MH phân tích không khả thi toán có yếu tố không chắn:  Thay đổi ngẫu nhiên lượng cầu HĐNSVốn  Sử dụng hàng tồn kho không đặn theo thời gian MH phân tích dự báo theo hành vi bình quân (trong dài hạn) Thực tế, kết biến động ngắn hạn  Sử dụng MH MP để giải trường hợp  Mô thực nhiều phần mềm: bảng tính Excel đơn lẻ, bảng tính add–ins (Crystal Ball, @Risk, ngôn ngữ lập trình máy tính: Pascal, C++, ngôn ngữ mô cho mục đích đặc biệt SIMAN) Financial Modeling Mô & biến ngẫu nhiên    MH mô thường sử dụng để phân tích định điều kiện có rủi ro, khả biến động hay nhiều yếu tố MH chắn  Lượng cầu sp tháng tới,  Sự thay đổi giá cổ phiếu Các nhân tố: cách chắn  biến ngẫu nhiên Sự thay đổi biến ngẫu nhiên mô tả phân phối xác suất Loại mô gọi: phương pháp Monte Carlo, PP bánh xe Roulette: cấu hình tạo lập nên kiện ngẫu nhiên hay không chắn Financial Modeling MH mô phỏng: phải tạo giá trị cho biến ngẫu nhiên  Biến ngẫu nhiên liên tục: Nhận giá trị liên tục (từ  1), khoảng cách biến ngẫu nhiên  hàm Rand () VD: bánh xe quay số 0,25 0,75 0,5 Biến ngẫu nhiên rời rạc: Nhận 1số lượng giới hạn giá trị VD: lượng cầu sản phẩm, số lượng nhân công =INT(x+(y-x+1)*rand())  Financial Modeling Các dạng phân phối xác suất: Phân phối đồng dạng: giá trị ngẫu nhiên khoảng (min, max) có XS xảy  Phân phối chuẩn: giá trị ngẫu nhiên có XS xảy cao (giá trị trung bình) Các giá trị hay GTTB có XS xảy (cân đối)  Phân phối nhị thức: Chỉ xảy giá trị & kết độc lập  Phân phối lognomal: Biến tăng vô hạn nhỏ Log biến có phân phối chuẩn  Và nhiều dạng PPXS khác  Financial Modeling    Hàm phân phối tích lũy – F(x) (Cumulative Distribution Function - CDF) Hàm PP tích lũy: XS mà giá trị D (biến ngẫu nhiên D) ≤ x hay F(x) = Prob{D ≤ x}, VD: giá trị lượng cầu D Hàm phân phối tích lũy: giúp xác định biến ngẫu nhiên liên tục Đồ thị phân phối tích lũy: thiết lập lượng cầu ngẫu nhiên Xác suất Bước 1: Định vị giá trị u biến ngẫu nhiên lên trục tung F(x) 1,0 0,8 0,6 u 0,4 d 0,2 Bước 2: Đọc giá trị ngẫu nhiên d (giá trị lượng cầu d) tương ứng trục hoành 10 11 12 13 14 x Financial Modeling 10 Khung tình huống:  Hãng Airbus cân nhắc vấn đề tài khả bổ sung thêm nhánh sản phẩm  Chi phí khởi cho MH máy bay mới: ~150 triệu$  Dự báo lượng cầu: 10 chiếc/năm năm  Giá bán: 35 triệu$/chiếc  CP cố định:15 triệu$/năm, CP biến đổi: 75% d.số  Khấu hao thiết bị: 10 triệu$/năm, năm Giá trị lại thiết bị vào cuối năm = 0$  Chi phí sử dụng vốn 10%, T.TNDN: 34% Financial Modeling 11 Financial Modeling 12 Vấn đề đặt ra:  Airbus có nên thực dự án không?  Nếu lượng cầu loại máy bay không chắn giả định, mà giá trị sau: 8,9,10, 11 12 SP XS xảy giá trị Hãy đánh giá rủi ro dự án? Cụ thể:  GTTB giá trị mong đợi NPV bao nhiêu?  Xác suất để NPV có giá trị âm bao nhiêu?  Cách giải quyết: xây dựng MH mô dự án điều kiện không chắn Financial Modeling 13 Một số lưu ý:  Tăng số lần phép thử để dự đoán tốt giá trị mong đợi, có sai số GTBQ mô & giá trị mong đợi  Mô cung cấp thông tin hữu ích từ phân phối giá trị kết đạt Đây thông tin có giá trị & kết có từ phân tích giản đơn, chí phân tích rủi ro giá lên/giá xuống  Kết mô nhạy cảm theo giả định yếu tố nhập lượng đầu vào Financial Modeling 14  Bảng tính Add-Ins: Crystal Ball & @Risk: đơn giản hóa nhiều tiến trình thiết lập biến ngẫu nhiên & tập hợp kết thống kê đầu  Đối với MH có quy luật phân phối phức tạp số phép thử vòng lặp nhiều làm việc mô bảng tính trở nên không khả thi Chương trình Add-Ins có số lượng chức lập trình sẵn khác cho biến ngẫu nhiên hoàn toàn tự động Financial Modeling 15     Crystal Ball với nhiều phép thử độ tin cậy kết mô cao Nhưng ví dụ thực 10.000 phép thử độ tin cậy bao nhiêu? Theo quan điểm thống kê: xây dựng khoảng tin cậy dựa kết đạt VD: có 95% độ tin cậy GTTB NPV nằm khoảng ±1,96 độ lệch chuẩn GTTB dự đoán Trong trường hợp độ lệch chuẩn GTTB dự đoán độ lệch chuẩn lý thuyết chia cho bậc số phép thử Financial Modeling 16 Financial Modeling 17 Vấn đề đặt với nhà quản lý kết hợp MH mô & MH tối ưu  Công cụ Solver giúp tìm giải pháp tối ưu điều kiện chắn: biến nội sinh (biến số đầu vào MH) tạo giá trị hàm mục tiêu tối ưu  Các chương trình mô Crystal Ball giải biến số đầu vào điều kiện không chắn  Kết hợp công cụ nhà quản lý giải toán tối ưu điều kiện không chắn  Công cụ OptQuest Crystal Ball giải vấn đề  Financial Modeling 18  Thiết lập danh mục tối ưu điều kiện không chắn Khung tình huống:  Giả định NĐT lựa chọn đầu tư vào danh mục gồm cổ phiếu: Intel, Microsoft, Proter & Gamble, chứng quỹ Money Market Các biến số định W, X, Y, Z với:  W: % VĐT vào chứng quỹ Money Market  X: % VĐT vào cổ phiếu Intel  Y: % VĐT vào cổ phiếu Microsoft  Z: % VĐT vào cổ phiếu Proter & Gamble Financial Modeling 19 Khung tình huống:  Các ĐKRB: % VĐT vào tài sản ≤ 50% tổng VĐT vào DM, tổng tỷ trọng VĐT =  Sử dụng quan sát lịch sử: TSSL hàng năm năm qua:  Intel 46,6% Microsoft 2,1% Proter & Gamble 20,8% Chứng QĐT Money Market 5,2% Financial Modeling 20 Excel giải toán tối ưu hóa phi tuyến  Nhưng TSSL mong đợi không chắn xảy mà tuân theo PPXS  thông số “TSSL” : không chắn  Sử dụng OptQuest giải toán  OptQuest cho câu trả lời tương tự Solver Nhưng giá trị OptQuest khác với Solver điểm gì? Kết xử lý từ OptQuest xác nhận rằng:  Sau thực 1000 phép thử, phương sai bình quân DM thực gần với giá trị đạt xử lý tối ưu hóa Solver Mặc dù ví dụ không bổ sung thêm giá trị nào, thật hữu ích xác nhận phương sai mong đợi DM tìm  Financial Modeling 21 Lựa chọn dự án nguồn vốn bị giới hạn Khung tình huống:  Cty R lựa chọn dự án khả thi cho năm tới Mỗi dự án có báo cáo phân tích dòng tiền dự kiến, nhu cầu VĐT ban đầu & kết NPV đạt tương ứng CFO cty định mức ngân sách vốn chi tiêu cho đầu tư năm tới: triệu$ Trong tổng VĐT vào dự án: 2,8 triệu$  cty phải lựa chọn tập hợp dự án có NPV lớn cho tổng VĐT ban đầu nằm giới hạn cho phép: triệu$  Tuy nhiên bổ sung vào MH tính không chắn đo lường theo tỷ lệ thành công dự án cách thêm vào cột “tỷ lệ thành công” kết lựa chọn tối ưu hóa thay đổi nào? Financial Modeling 22 Financial Modeling 23  Chúng ta có khả sử dụng OptQuest để xác định tập hợp khác biến số định phù hợp theo lựa chọn rủi ro, tối thiểu hóa khả NPV xấu nói chung dự án lựa chọn  Đây công cụ mạnh cho phép tối ưu hóa điều kiện không chắn & chọn dự án tối thiểu hóa NPV trường hợp xấu Financial Modeling 24 [...]... đang cân nhắc vấn đề tài chính về khả năng bổ sung thêm 1 nhánh sản phẩm mới  Chi phí khởi sự cho MH máy bay mới: ~150 triệu$  Dự báo lượng cầu: 10 chiếc/năm trong 4 năm  Giá bán: 35 triệu$/chiếc  CP cố định:15 triệu$/năm, CP biến đổi: 75% d.số  Khấu hao thiết bị: 10 triệu$/năm, trong 4 năm Giá trị còn lại của thiết bị vào cuối năm 4 = 0$  Chi phí sử dụng vốn là 10%, T.TNDN: 34% Financial Modeling... NPV là bao nhiêu?  Xác suất để NPV có giá trị âm là bao nhiêu?  Cách giải quyết: xây dựng MH mô phỏng dự án trong điều kiện không chắc chắn Financial Modeling 13 Một số lưu ý:  Tăng số lần phép thử để dự đoán tốt hơn giá trị mong đợi, nhưng vẫn có sai số giữa GTBQ mô phỏng & giá trị mong đợi đúng  Mô phỏng có thể cung cấp thông tin hữu ích từ sự phân phối các giá trị kết quả đạt được Đây là những...  Kết quả mô phỏng khá nhạy cảm theo những giả định yếu tố nhập lượng đầu vào Financial Modeling 14  Bảng tính Add-Ins: Crystal Ball & @Risk: đơn giản hóa rất nhiều tiến trình thiết lập các biến ngẫu nhiên & tập hợp các kết quả thống kê đầu ra  Đối với MH có quy luật phân phối phức tạp hơn hoặc con số phép thử vòng lặp nhiều hơn sẽ làm việc mô phỏng bằng bảng tính trở nên không khả thi Chương trình... nhà quản lý là kết hợp giữa MH mô phỏng & MH tối ưu  Công cụ Solver giúp đi tìm giải pháp tối ưu trong điều kiện chắc chắn: các biến nội sinh (biến số đầu vào của MH) sẽ tạo ra giá trị hàm mục tiêu tối ưu  Các chương trình mô phỏng như Crystal Ball giải quyết các biến số đầu vào trong điều kiện không chắc chắn  Kết hợp 2 công cụ trên nhà quản lý sẽ giải quyết được bài toán tối ưu trong những điều... quan sát trong lịch sử: TSSL hàng năm trong 9 năm qua:  Intel 46 ,6% Microsoft 2,1% Proter & Gamble 20,8% Chứng chỉ QĐT Money Market 5,2% Financial Modeling 20 Excel giải quyết bài toán tối ưu hóa phi tuyến trên  Nhưng TSSL mong đợi không chắc chắn xảy ra mà tuân theo PPXS  thông số “TSSL” : không chắc chắn  Sử dụng OptQuest giải quyết bài toán trên  OptQuest cho câu trả lời tương tự như Solver Nhưng... NĐT lựa chọn đầu tư vào danh mục gồm 4 cổ phiếu: Intel, Microsoft, Proter & Gamble, chứng chỉ quỹ Money Market Các biến số ra quyết định W, X, Y, Z với:  W: % VĐT vào chứng chỉ quỹ Money Market  X: % VĐT vào cổ phiếu Intel  Y: % VĐT vào cổ phiếu Microsoft  Z: % VĐT vào cổ phiếu Proter & Gamble Financial Modeling 19 Khung tình huống:  Các ĐKRB: % VĐT vào mỗi tài sản ≤ 50% tổng VĐT vào DM, tổng tỷ... có số lượng các chức năng được lập trình sẵn khác nhau sẽ cho ra các biến ngẫu nhiên hoàn toàn tự động Financial Modeling 15     Crystal Ball với nhiều phép thử hơn thì độ tin cậy của các kết quả mô phỏng sẽ cao hơn Nhưng nếu trong ví dụ này chúng ta đã thực hiện 10.000 phép thử thì độ tin cậy sẽ là bao nhiêu? Theo quan điểm thống kê: xây dựng khoảng tin cậy dựa trên các kết quả chúng ta đạt được... chung của các dự án được lựa chọn  Đây là 1 công cụ rất mạnh cho phép tối ưu hóa trong điều kiện không chắc chắn & chọn ra được những dự án tối thiểu hóa NPV trong trường hợp xấu nhất Financial Modeling 24
- Xem thêm -

Xem thêm: Bài giảng môn mô hình tài chính chương 4 mô hình mô phỏng monte carlo , Bài giảng môn mô hình tài chính chương 4 mô hình mô phỏng monte carlo , Bài giảng môn mô hình tài chính chương 4 mô hình mô phỏng monte carlo

Gợi ý tài liệu liên quan cho bạn

Nạp tiền Tải lên
Đăng ký
Đăng nhập