- •1. Подходы различных школ к определению понятия риска
- •2. Риск и управление рисками. Понятия и определения.
- •3.Классификация рисков.
- •4.Экологические, технические, инвестиционные риски.
- •5. Промышленные, кредитные, финансовые риски
- •6. Коммерческие, политические, страховые риски.
- •7. Место управления рисками в процессе разработки и реализации управленческих решений
- •8.Логическая схема управления рисками
- •9. Мониторинг рисков
- •10. Количественная и качественная оценка рисков
- •11. Оптимизация рисков
- •12. Методы снижения рисков
- •13. Эффективность и оценка управления рисками
- •14. Модель организации работ по управлению рисковыми проектами
- •15. Процесс управления рисками в предпринимательской организации
- •16. Компоненты процесса управления рисками
- •17. Концепция временной стоимости денег
- •18. Антисипативный и декурсивный способ начисления процентов
- •19. Проект и его окружение
- •20. Управление рисками в течении жизненного цикла проекта
- •21. Понятие проектного риска
- •22. Методы оценки проектных рисков.
- •23. Анализ чувствительности проекта
- •24. Анализ сценариев проекта
- •25. Метод имитационного моделирования (Монте-Карло)
- •26. Дерево решений
- •27. Нейтрализация проектных рисков. Хеджирование проектных рисков.
- •28. Учет рисков при финансировании проектов.
- •29. Финансовые риски в проектной деятельности
- •30. Расчет прибыльности проекта с использованием приемов и методов финансовой математики
- •31. Страхование рисков проекта.
25. Метод имитационного моделирования (Монте-Карло)
Имитационное моделирование (ситуационное моделирование) — метод, позволяющий строить модели, описывающие процессы так, как они проходили бы в действительности. Такую модель можно «проиграть» во времени как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером процессов. По этим данным можно получить достаточно устойчивую статистику.
Имитационное моделирование — это метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему, с которой проводятся эксперименты с целью получения информации об этой системе. Экспериментирование с моделью называют имитацией (имитация — это постижение сути явления, не прибегая к экспериментам на реальном объекте).
Можно выделить две разновидности имитации:
Метод Монте-Карло (метод статистических испытаний);
Метод имитационного моделирования (статистическое моделирование).
Специальный метод изучения поведения заданной статистики при проведении многократных повторных выборок, существенно использующий вычислительные возможности современных компьютеров. При проведении анализа по методу Монте-Карло компьютер использует процедуру генерации псевдослучайных чисел для имитации данных из изучаемой генеральной совокупности. Процедура анализа по методу Монте-Карло модуля Моделирование структурными уравнениями строит выборки из генеральной совокупности в соответствии с указаниями пользователя, а затем производит следующие действия:
Для каждого повторения по методу Монте-Карло:
Имитирует случайную выборку из генеральной совокупности, Проводит анализ выборки, Сохраняет результаты.
После большого числа повторений, сохраненные результаты хорошо имитирует реальное распределение выборочной статистики. Метод Монте-Карло позволяет получить информацию о выборочном распределении в случаях, когда обычная теория выборочных распределений оказывается бессильной.
Ме́тод Мо́нте-Ка́рло (методы Монте-Карло, ММК) — общее название группы численных методов, основанных на получении большого числа реализаций стохастического (случайного) процесса, который формируется таким образом, чтобы его вероятностные характеристики совпадали с аналогичными величинами решаемой задачи. Используется для решения задач в различных областях физики, химии, математики, экономики, оптимизации, теории управления и др.
26. Дерево решений
Дерево принятия решений — дерево, использующееся для решения задач классификации данных или, иначе говоря, для задачи аппроксимации заданной булевой функции. Один из вариантов машинного обучения с учителем.
Ситуация, в которой стоит применять деревья принятия решений, обычно выглядит так: есть много случаев, каждый из которых описывается некоторым конечным набором дискретных атрибутов, и в каждом из случаев дано значение некоторой (неизвестной) булевой функции, зависящей от этих атрибутов. Задача — создать достаточно экономичную конструкцию, которая бы описывала эту функцию и позволяла классифицировать новые, поступающие извне данные.
На ребрах дерева решения записаны атрибуты, от которых зависит целевая функция, в листьях записаны значения целевой функции, а в остальных узлах — атрибуты, по которым различаются случаи. Чтобы классифицировать новый случай, надо спуститься по дереву до листа и выдать соответствующее значение.