Примеры
1. GENERATE 15,3,25
Генерируются транзакты с интервалом прихода от 12 до 18 единиц времени, первый из которых поступает в момент времени 25 единиц.
2. GENERATE 5,FN$2„15
Генерируются транзакты с приоритетом 15, интервалы времени между ними определяются произведением числа 5 на значение функции FN$2.
Блок TERMINATE (ЗАВЕРШИТЬ) удаляет транзакт. Его формат описания:
TERMINATE А
А - величина, вычитаемая из содержимого счетчика завершений. Значение счетчика завершений или количество транзактов, которое необходимо пропустить через модель, задается оператором START при запуске программы.
Транзакт удаляется из модели и поступает в пассивный буфер. Если в поле А пробел, воздействия на счетчик завершений не происходит, в противном случае его значение уменьшается на величину, указанную в поле А.
Примеры
TERMINATE
Транзакт удален, но значение счетчика завершений не изменяется.
TERMINATE 2
Значение счетчика завершений уменьшается на 2.
Функционирование канала обслуживания можно представить в виде выполнения трех операций: прием сообщения, его задержку, связанную с обработкой (обслуживанием) и освобождение КО.
Прием сообщения в среде GPSS имитируется блоком SEIZE (ЗАНЯТЬ). Транзакт занимает устройство, если оно свободно или встает в очередь в противном случае. Формат описания:
SEIZE А
А - номер устройства.
Транзакт пытается занять устройство, определенное полем А. Если прервано, транзакт задерживается в предыдущем блоке.
Примеры
SEIZE 5
Попытка занять прибор 5.
SEIZE Р$3
Попытка занять прибор, указанный в параметре 3.
Задержку сообщения на время обслуживания (обработки) в среде GPSS выполняет блок ADVANCE (ЗАДЕРЖАТЬ), который задерживает транзакт на время . Его формат описания:
ADVANCE А,В
А - среднее время задержки (константа, если В не задано);
В - разброс относительно среднего значения, должен быть меньше или равен А.
Блок ADVANCE обеспечивает временную задержку транзакта в течение определенного интервала. Значение задержки по умолчанию равно нулю. Если поле В не является FN$, то время задержки является случайным числом, распределенным равномерно на интервале от (A - В) до (А + В). Если поле В является функцией FN$, то время задержки определяете произведением поля А на значение функции в поле В. Функция может быть использована для задания времени задержки с определенным средним значением и отклонением, зависящим от А.
Примеры:
1. ADVANCE 75 - Транзакт будет оставаться в блоке ADVANCE в течение 75 единиц модельного времени.
2. ADVANCE 12,5 - Транзакт будет оставаться в блоке от 7 до 17 единиц времени.
3. ADVANCE 5,FN$l - Время задержки равно произведению значения функции FN$1 на число пять.
Освобождение заявки осуществляется блоком RELEASE (ОСВОБОДИТЬ), который выводит транзакт. Его формат описания:
RELEASE А
А - номер устройства (числовое или символьное имя освобождаемого устройства).
Устройство, указанное в поле А, освобождается и становится доступным для других транзактов. Освобождать устройство должен тот же транзакт, который его занимал.
Примеры
1. RELEASE 10
Освободить устройство 10.
2. RELEASE Р$2
Освободить устройство, указанное в параметре 2.
Проверка базового ДСЧ: построение гистограммы, оценка отрезка апериодичности.
Оценка качества генераторов случайных чисел»
Цель работы: Проверка датчиков псевдослучайных чисел путем имитационного моделирования в среде MATLAB.
Выполнение работы.
1.1. Оценка распределения формируемых датчиком чисел.
1.1.1. Выберем из раздела Sources инструментального приложения Simulink ДСЧ - (рис. 1). В окне настройки блока устанавливаются диапазон изменения случайной величины [0, 1] и начальная величина в строке Initial seed.
Наблюдение случайного процесса на выходе ДСЧ осуществляется осциллографом Scope1 из раздела Sinks. Генератор Uniform Random Number формирует непрерывный равномерно распределенный в диапазоне [0, 1] случайный процесс.
1.1.2. Обработка случайного процесса осуществляется численными методами. Поэтому он преобразуется в цифровую форму с помощью АЦП Zero-Order Hold из раздела Discrete, в окне настройки которого устанавливается период дискретизации, равный 0,01.
1.1.3. Подключим к выходу ДСЧ блок Histogram из раздела Statistics пакета расширения DSP Blockset. Этот блок вычисляет относительные частоты попадания случайной величины в - й разряд. Значения частот регистрируются блоком Display1 из раздела Sinks.
1.1.4. Для построения гистограммы исследуемого случайного процесса схема дополняется блоком Zero-Order Hold, выполняющим функцию формирователя гистограммы с периодом Т=1, и блоком MATLAB Fcn2 из раздела Functions & Tables, осуществляющим построение гистограммы. В окне настройки этого блока в строку MATLAB Function вводится функция bar.
1.1.5. Установка параметров модели производится в меню Simulation окна моделирования на вкладке Solver диалогового окна Simulation parameters:
в строке Simulation time указывается начальное и конечное значения модельного времени (0, 10);
в строке Solver options устанавливается Variable-step (имитация с переменным шагом для моделирования непрерывных систем и процессов). В списке справа указывается метод моделирования, например ode113(Adams);
в строке Relative tolerance указывается относительная точность вычислений при моделировании непрерывных систем.
При длительности моделирования ТМ=10 и периоде дискретизации Т=0,01 получается 1000 значений случайной величины. На основании этой выборки строится гистограмма частот, число разрядов которой равно .
1.1.6. Запуск процедуры моделирования осуществляется кнопкой Start simulation в командной строке окна моделирования. По завершении моделирования появляется рисунок (Figure No1) с изображением гистограммы, а относительные частоты отображаются на Display1.
1.1.7. Проверка соответствия имитируемой случайной величины заданному закону распределения . Для оценки соответствия воспользуемся критерием согласия Пирсона, согласно которому проверка производится следующим образом:
По заданной плотности вероятностей определяем теоретическую вероятность попадания случайной величины в каждый разряд:
.
В случае равновероятного распределения
.
Вычисляется контрольная величина
. (1)
Величина вычисляется с помощью универсального блока Fcn из раздела Functions & Tables, подключенного к выходу формирователя Zero-Order Hold. В строку Expression окна настройки этого блока вводится правая часть выражения (1). Индикация осуществляется блоком Display.
По таблице - распределения находят критическое значение для уровня значимости 0,05 и К-1 степеней свободы.
Если , считают, что случайная величина X распределена по закону F(x).
Если , то гипотеза о том, что случайная величина распределена по заданному закону, отвергается.
Экзаменационный билет № 18
1. Модель производственной фирмы: выручка от реализации, прибыль фирмы, точка безубыточности, влияние объема производства на прибыль фирмы.
. (4)
Мерой риска служит дисперсия (вариация) , которая характеризует степень отклонения доходности как случайной величины от среднего значения. Используется оценка дисперсии
, (5)
Инвестор при принятии решений основывается на двух характеристиках: ожидаемой доходности и риске. Такой подход получил в англоязычной финансовой литературе название «mean-variance-approach» (среднее-вариация).
Для диверсификации (перераспределения) риска с целью его снижения составляется портфель. Возможность диверсификации зависит от ковариации между доходностями активов
,
,
Оценка ковариации доходностей и активов
(6)
и коэффициент корреляции
.
, ,
Модель рынка по Марковицу - <A, m, C>,
.
Пример 1. Для иллюстрации составления модели рассмотрим сегмент рынка с акциями четырех компаний (Табл.1) . В таблице цены даны на начало месяца.
рассчитываются временные ряды доходностей по акциям за инвестиционный период Т=1 месяц.
Табл. 2 Доходности акций компаний
|
|
№ |
Газпром |
Даль- |
Лукойл |
Норникель |
периода |
газ |
|||||
2006 г. |
май-июнь |
1 |
-0,099 |
0,065 |
-0,166 |
-0,117 |
июнь-июль |
2 |
-0,026 |
-0,054 |
0,095 |
0,115 |
|
июль-авг |
3 |
0,118 |
0,183 |
-0,004 |
0,015 |
|
авг-сен |
4 |
-0,007 |
-0,048 |
-0,016 |
0,008 |
|
сен-окт |
5 |
-0,064 |
0,034 |
-0,108 |
-0,058 |
|
окт-нояб |
6 |
0,006 |
0,016 |
0,120 |
0,156 |
|
нояб-дек |
7 |
0,068 |
0,116 |
0,069 |
0,048 |
|
дек-янв |
8 |
-0,096 |
0,130 |
-0,154 |
-0,052 |
|
янв-февр |
9 |
0,035 |
0,049 |
0,053 |
0,231 |
|
февр-март |
10 |
-0,070 |
-0,085 |
-0,040 |
-0,045 |
|
2007 г. |
март-апр |
11 |
0,021 |
0,187 |
0,092 |
0,141 |
апр-май |
12 |
-0,076 |
0,112 |
-0,081 |
0,026 |
|
май-июнь |
13 |
-0,001 |
-0,020 |
-0,004 |
-0,007 |
|
июнь-июль |
14 |
0,108 |
0,072 |
0,023 |
0,073 |
|
июль-авг |
15 |
0,003 |
-0,058 |
-0,018 |
0,025 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
По данным табл. 2 находятся статистические оценки математических ожиданий , дисперсий и ковариаций по формулам (8), (9), (10). Они представляют собой ожидаемые доходности, риски, а также связи между доходностями акций компаний.
Ожидаемые доходности объединены в вектор, а ковариации в матрицу
,
Задан временной ряд. Моделируя в среде Excel, найти модель тренда, которая обеспечивает коэффициент детерминации .
Делать самим.
Экзаменационный билет № 19
1. Нахождение ожидаемой доходности и риска портфеля.
Цель инвестора - получение дохода на вложенный капитал
Т - инвестиционный горизонт
- текущий доход, полученный от актива a в течение периода T (дивиденды, проценты, плата за аренду и др.)
- капитальный доход, представляющий собой прирост стоимости инвестиционных активов за этот же период: - начальная стоимость (цена) актива, - конечная стоимость (цена) актива.
Полный доход от одного актива составляет
(1)
Эффективность инвестирования: полный доход ничего не говорит об эффективности инвестирования, например, доход в 1000 руб. выглядит значительным, если начальный капитал составлял 100 руб., и малым, если инвестируемые средства были порядка 1000000 руб.
Для количественной оценки эффективности капиталовложений используют доходность актива за период Т, равную отношению полного дохода к начальной стоимости актива
(2)
Доходность портфеля π за период T
где - начальная стоимость портфеля, - конечная стоимость, включающая в себя и текущий доход.
.
Если все величины, входящие в формулы (2), (3) известны, то доходность называется достигнутой, или реализованной.
Доходность, вычисленная на основе ожидаемых значений текущего дохода и будущей стоимости актива, называется ожидаемой доходностью.
Риск -
Впервые формализация понятий доходности и риска была приведена в работах Марковица Г
R - доходность актива или портфеля, r реализованная доходность актива или портфеля
2. Модель производственной фирмы: выручка от реализации, прибыль фирмы, точка безубыточности, влияние объема производства на прибыль фирмы.
. (4)
Мерой риска служит дисперсия (вариация) , которая характеризует степень отклонения доходности как случайной величины от среднего значения. Используется оценка дисперсии
, (5)
Инвестор при принятии решений основывается на двух характеристиках: ожидаемой доходности и риске. Такой подход получил в англоязычной финансовой литературе название «mean-variance-approach» (среднее-вариация).
Для диверсификации (перераспределения) риска с целью его снижения составляется портфель. Возможность диверсификации зависит от ковариации между доходностями активов
,
,
Оценка ковариации доходностей и активов
(6)
и коэффициент корреляции
.
, ,
Модель рынка по Марковицу - <A, m, C>,
.
Пример 1. Для иллюстрации составления модели рассмотрим сегмент рынка с акциями четырех компаний (Табл.1) . В таблице цены даны на начало месяца.
рассчитываются временные ряды доходностей по акциям за инвестиционный период Т=1 месяц.
Табл. 2 Доходности акций компаний
|
|
№ |
Газпром |
Даль- |
Лукойл |
Норникель |
периода |
газ |
|||||
2006 г. |
май-июнь |
1 |
-0,099 |
0,065 |
-0,166 |
-0,117 |
июнь-июль |
2 |
-0,026 |
-0,054 |
0,095 |
0,115 |
|
июль-авг |
3 |
0,118 |
0,183 |
-0,004 |
0,015 |
|
авг-сен |
4 |
-0,007 |
-0,048 |
-0,016 |
0,008 |
|
сен-окт |
5 |
-0,064 |
0,034 |
-0,108 |
-0,058 |
|
окт-нояб |
6 |
0,006 |
0,016 |
0,120 |
0,156 |
|
нояб-дек |
7 |
0,068 |
0,116 |
0,069 |
0,048 |
|
дек-янв |
8 |
-0,096 |
0,130 |
-0,154 |
-0,052 |
|
янв-февр |
9 |
0,035 |
0,049 |
0,053 |
0,231 |
|
февр-март |
10 |
-0,070 |
-0,085 |
-0,040 |
-0,045 |
|
2007 г. |
март-апр |
11 |
0,021 |
0,187 |
0,092 |
0,141 |
апр-май |
12 |
-0,076 |
0,112 |
-0,081 |
0,026 |
|
май-июнь |
13 |
-0,001 |
-0,020 |
-0,004 |
-0,007 |
|
июнь-июль |
14 |
0,108 |
0,072 |
0,023 |
0,073 |
|
июль-авг |
15 |
0,003 |
-0,058 |
-0,018 |
0,025 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
По данным табл. 2 находятся статистические оценки математических ожиданий , дисперсий и ковариаций по формулам (8), (9), (10). Они представляют собой ожидаемые доходности, риски, а также связи между доходностями акций компаний.
Ожидаемые доходности объединены в вектор, а ковариации в матрицу
,
Экзаменационный билет № 20
1. Адаптивное прогнозирование методом Брауна в среде Excel
Адаптивные модели прогнозирования
Адаптивные модели прогнозирования — это модели, способные быстро приспосабливать свою структуру и параметры к изменению условий
Все адаптивные модели базируются на двух схемах: скользящего среднего (СС-модели) и авторегрессии (АР—модели).
Общая схема построения адаптивных моделей:
по нескольким первым уровням ряда оцениваются значения параметров модели;
по имеющейся модели строится прогноз на один шаг вперед, причем его отклонение от фактических уровней ряда расценивается как ошибка прогнозирования, которая учитывается в соответствии с принятой схемой корректировки модели;
далее по модели со скорректированными параметрами рассчитывается прогнозная оценка на следующий момент времени и т.д.
Таким образом, модель постоянно «впитывает» новую информацию и к концу периода обучения отражает тенденцию развития процесса, существующую в данный момент.
Модель Брауна (модель экспоненциального сглаживания)
Модель Брауна может отображать развитие не только в виде линейной тенденции, но также в виде случайного процесса, не имеющего тенденции, а также в виде изменяющейся параболической тенденции. Соответственно различают модели Брауна:
нулевого порядка, описывающие процессы, не имеющие тенденции развития. Они имеет один параметр (оценка текущего уровня). Прогноз развития на шагов вперед осуществляется согласно формуле . Такая модель также называется «наивной» («будет, как было»);
первого порядка . Коэффициент - значение, близкое к последнему уровню, и представляет как бы закономерную составляющую этого уровня. Коэффициент определяет прирост, сформировавшийся в основном к концу периода наблюдения, но отражающий также (правда, в меньшей степени) скорость роста на более ранних этапах;
второго порядка, отражающей развитие в виде параболической тенденции с изменяющимися «скоростью» и «ускорением». Модель имеет три параметра (А2 – оценка текущего прироста или «ускорение»). Прогноз осуществляется по формуле: .
2. Оценка значимости модели по Фишеру.