Monte Carlo Simulação E Sistema De Negociação Pdf

Monte Carlo Simulation Carregar o leitor. BREAKING DOWN Monte Carlo Simulação Uma vez que negócios e finanças são atormentados por variáveis ​​aleatórias, Monte Carlo simulações têm uma vasta gama de potenciais aplicações nestes domínios. Eles são usados ​​para estimar a probabilidade de excessos de custos em grandes projetos ea probabilidade de que um preço de ativos se mova de uma certa maneira. Telecoms usá-los para avaliar o desempenho da rede em diferentes cenários, ajudando-os a otimizar a rede. Analistas usá-los para avaliar o risco de uma entidade inadimplência e analisar derivativos, como opções. As seguradoras e os perfuradores de poços de petróleo também os usam. Monte Carlo simulações têm inúmeras aplicações fora do negócio e finanças, como em meteorologia, astronomia e física de partículas. Monte Carlo simulações são nomeados após o jogo hot spot em Mônaco, uma vez que azar e resultados aleatórios são centrais para a modelagem técnica, assim como eles são para jogos como roleta, dados e máquinas caça-níqueis. A técnica foi desenvolvida pela primeira vez por Stanislaw Ulam, um matemático que trabalhou no Projeto Manhattan. Após a guerra, enquanto se recuperava de uma cirurgia no cérebro, Ulam se divertia jogando inúmeros jogos de paciência. Ele se interessou em traçar o resultado de cada um desses jogos, a fim de observar sua distribuição e determinar a probabilidade de ganhar. Ele mencionou isso a John Von Neumann, e os dois colaboraram para desenvolver a simulação de Monte Carlo. Modelagem de preços de ativos Uma maneira de empregar uma simulação de Monte Carlo é modelar possíveis movimentos de preços de ativos usando o Excel ou um programa similar. Existem dois componentes para os movimentos de preços de ativos: a deriva, que é um movimento direcional constante, e uma entrada aleatória, representando a volatilidade do mercado. Analisando dados de preços históricos, você pode determinar a deriva, desvio padrão. Variância e movimento de preço médio de um título. Estes são os blocos de construção de uma simulação de Monte Carlo. Para projetar uma trajetória de preço possível, use os dados de preço históricos do ativo para gerar uma série de retornos periódicos diários usando o logaritmo natural (observe que esta equação difere da fórmula de mudança percentual usual): retorno diário periódico ln (dias preço dias anteriores Preço) Em seguida use as funções AVERAGE, STDEV. P e VAR. P em toda a série resultante para obter as entradas médias diárias de retorno, desvio padrão e variação, respectivamente. A deriva é igual a: drift average daily return - (variância 2) Alternativamente, drift pode ser definido como 0, esta escolha reflete uma certa orientação teórica, mas a diferença não será enorme, pelo menos para períodos de tempo mais curtos. Em seguida obtenha uma entrada aleatória: desvio padrão do valor aleatório NORMSINV (RAND ()) A equação para o preço dos dias seguintes é: próximo dia preço preço de hoje e (drift random value) Para tomar e para uma dada potência x no Excel, Função: EXP (x). Repita este cálculo o número desejado de vezes (cada repetição representa um dia) para obter uma simulação de movimento futuro do preço. Ao gerar um número arbitrário de simulações, você pode avaliar a probabilidade de que um preço de segurança seguirá determinada trajetória. Aqui está um exemplo, mostrando cerca de 30 projeções para o estoque da Time Warner Incs (TWX) para o restante de novembro de 2015: As freqüências de diferentes resultados gerados por esta simulação formarão uma distribuição normal. Isto é, uma curva de sino. O retorno mais provável é no meio da curva, o que significa que há uma chance igual que o retorno real será maior ou menor do que esse valor. A probabilidade de que o retorno real esteja dentro de um desvio padrão da taxa mais provável (esperada) é 68 que estará dentro de dois desvios-padrão é 95 e que estará dentro de três desvios padrão é 99,7. Ainda assim, não há garantia de que o resultado mais esperado irá ocorrer, ou que os movimentos reais não excederão as projeções mais selvagens. Crucialmente, simulações Monte Carlo ignorar tudo o que não está incorporado no movimento de preços (tendências macro, liderança da empresa, hype, fatores cíclicos) em outras palavras, eles assumem mercados perfeitamente eficientes. Por exemplo, o fato de que a Time Warner abaixou sua orientação para o ano em 4 de novembro não é refletido aqui, exceto no movimento de preços para esse dia, o último valor nos dados se esse fato foi contabilizado, a maior parte das simulações provavelmente Não prevê um modesto aumento no preço. Correndo Monte Carlos é a única maneira de analisar grandes decisões incertas. Quot quot Sua mandatado na Suncor para fazer Monte Carlo simulação em todas as grandes projetos de estimativas de custo de capital. A análise de risco faz parte de cada decisão que tomamos. Estamos constantemente confrontados com incerteza, ambiguidade e variabilidade. E mesmo que tenhamos acesso sem precedentes à informação, não podemos prever com precisão o futuro. A simulação Monte Carlo (também conhecida como Método Monte Carlo) permite ver todos os resultados possíveis das suas decisões e avaliar o impacto do risco, permitindo uma melhor tomada de decisão sob incerteza. O que é simulação de Monte Carlo Simulação de Monte Carlo é uma técnica matemática computadorizada que permite que as pessoas a prestar contas de risco na análise quantitativa e tomada de decisão. A técnica é usada por profissionais em áreas tão díspares como finanças, gerenciamento de projetos, energia, fabricação, engenharia, pesquisa e desenvolvimento, seguros, gás de petróleo, transporte e meio ambiente. A simulação de Monte Carlo fornece ao tomador de decisão uma gama de possíveis resultados e as probabilidades que eles ocorrerão para qualquer escolha de ação. Mostra as possibilidades extremas dos resultados de ir para o quebrou e para o decisionmdashash mais conservador da decisão junto com todas as conseqüências possíveis para decisões do meio-da-estrada. A técnica foi usada primeiramente por cientistas que trabalham na bomba atômica que foi nomeada para Monte - Carlo, a cidade de recurso de Monaco renowned para seus casinos. Desde sua introdução na Segunda Guerra Mundial, a simulação Monte Carlo tem sido usada para modelar uma variedade de sistemas físicos e conceituais. Como funciona a simulação de Monte Carlo A simulação de Monte Carlo realiza a análise de risco através da construção de modelos de possíveis resultados, substituindo um intervalo de valoresmdasha pela distribuição de probabilidade para qualquer fator que tenha incerteza inerente. Em seguida, calcula os resultados repetidamente, cada vez usando um conjunto diferente de valores aleatórios das funções de probabilidade. Dependendo do número de incertezas e das faixas especificadas para eles, uma simulação de Monte Carlo pode envolver milhares ou dezenas de milhares de recálculos antes de estar completo. A simulação de Monte Carlo produz distribuições de possíveis valores de resultado. Usando distribuições de probabilidade, as variáveis ​​podem ter diferentes probabilidades de resultados diferentes ocorrendo. As distribuições de probabilidade são uma maneira muito mais realista de descrever a incerteza em variáveis ​​de uma análise de risco. As distribuições de probabilidade comuns incluem: Normal ndash Ou ldquobell curve. rdquo O usuário simplesmente define o valor médio ou esperado e um desvio padrão para descrever a variação sobre a média. Valores no meio perto da média são mais prováveis ​​de ocorrer. É simétrico e descreve muitos fenômenos naturais como peoplersquos alturas. Exemplos de variáveis ​​descritas pelas distribuições normais incluem as taxas de inflação e os preços da energia. Lognormal ndash Os valores são positivamente inclinados, não simétricos como uma distribuição normal. Ele é usado para representar valores que donrsquot ir abaixo de zero, mas têm potencial positivo ilimitado. Exemplos de variáveis ​​descritas por distribuições lognormal incluem valores imobiliários, preços das ações e reservas de petróleo. Uniform ndash Todos os valores têm a mesma chance de ocorrer, eo usuário simplesmente define o mínimo e máximo. Exemplos de variáveis ​​que podem ser uniformemente distribuídas incluem custos de fabricação ou receitas de vendas futuras para um novo produto. Ndash Triangular O usuário define os valores mínimo, mais provável e máximo. Valores em torno do mais provável são mais prováveis ​​de ocorrer. As variáveis ​​que poderiam ser descritas por uma distribuição triangular incluem o histórico de vendas passado por unidade de tempo e níveis de estoque. PERT - O usuário define os valores mínimo, mais provável e máximo, assim como a distribuição triangular. Valores em torno do mais provável são mais prováveis ​​de ocorrer. Entretanto os valores entre o mais provável e os extremos são mais prováveis ​​de ocorrer do que o triangular que é, os extremos não são como emfatizados. Um exemplo do uso de uma distribuição PERT é descrever a duração de uma tarefa em um modelo de gerenciamento de projetos. Discreto ndash O usuário define valores específicos que podem ocorrer ea probabilidade de cada um. Um exemplo pode ser os resultados de um processo: 20 chance de veredicto positivo, 30 mudança de veredicto negativo, 40 chance de liquidação e 10 chances de nulidade. Durante uma simulação de Monte Carlo, os valores são amostrados aleatoriamente a partir das distribuições de probabilidade de entrada. Cada conjunto de amostras é chamado de iteração e o resultado resultante dessa amostra é registrado. A simulação Monte Carlo faz isso centenas ou milhares de vezes, eo resultado é uma distribuição de probabilidade de possíveis resultados. Desta forma, a simulação Monte Carlo fornece uma visão muito mais abrangente do que pode acontecer. Diz-lhe não só o que poderia acontecer, mas como é provável que isso aconteça. A simulação de Monte Carlo fornece uma série de vantagens em relação à análise determinista ou de ponto único: resultados probabilísticos. Os resultados mostram não só o que poderia acontecer, mas a probabilidade de cada resultado. Resultados Gráficos. Devido aos dados que uma simulação de Monte Carlo gera, itrsquos fácil de criar gráficos de resultados diferentes e suas chances de ocorrência. Isso é importante para comunicar os resultados a outras partes interessadas. Análise sensitiva. Com apenas alguns casos, a análise determinística torna difícil ver quais variáveis ​​influenciam o resultado mais. Na simulação de Monte Carlo, itrsquos fácil ver quais entradas tiveram o maior efeito nos resultados finais. Análise de cenários: Em modelos determinísticos, é muito difícil modelar diferentes combinações de valores para diferentes insumos para ver os efeitos de cenários verdadeiramente diferentes. Usando a simulação de Monte Carlo, os analistas podem ver exatamente quais entradas tinham quais valores juntos quando certos resultados ocorreram. Isto é inestimável para prosseguir uma análise mais aprofundada. Correlação de Entradas. Na simulação Monte Carlo, itrsquos possível modelar relações interdependentes entre variáveis ​​de entrada. Itrsquos importante para a exatidão representar como, na realidade, quando alguns fatores sobe, outros vão para cima ou para baixo conformemente. Um aprimoramento para a simulação de Monte Carlo é o uso de latino Hypercube amostragem, que amostras mais precisos de toda a gama de funções de distribuição. Produtos de simulação Monte Carlo de Palisade O advento de aplicações de planilhas para computadores pessoais proporcionou aos profissionais a oportunidade de usarem a simulação de Monte Carlo no trabalho de análise diária. O Microsoft Excel é a ferramenta de análise de planilhas dominante eo Palisadersquos RISK é o complemento de simulação Monte Carlo líder para o Excel. Introduzido pela primeira vez para o Lotus 1-2-3 para o DOS em 1987, RISK tem uma longa reputação estabelecida para precisão computacional, flexibilidade de modelagem e facilidade de uso. A introdução do Microsoft Project levou a outra aplicação lógica da simulação Monte Carlo, analisando as incertezas e os riscos inerentes à gestão de grandes projetos. RISK também é usado para gerenciamento de projetos. Copyright cópia 2016 Palisade Corporation. Todos os direitos reservados. Palisade EMEA amp Índia 31 O Verde, Oeste Drayton Middlesex UB7 7PN (UK) 0800 783 5398 UK 0800 90 80 32 França 0800 181 7449 Alemanha 900 93 8916 Espanha 44 1895 425050 vendasEmábalisade vendasIndiapalisade Palisade Latinoameacuterica 1 607 277 8000 x318 54 (11) 5252 -8795 Argentina 56 2581-3492 Chile 507 836-5675 Panamaacute 52 55 5350 2852 Meacutexico 51 1 708-6781 Peruacute 57 1 508-5187 Colombia servicioalclientepalisade ventaspalisade palisade-ltaIntrodução para simulação de Monte Carlo O que acontece quando eu digito RAND Uma célula Como posso simular valores de uma variável aleatória discreta Como posso simular valores de uma variável aleatória normal Como uma empresa de cartões pode determinar quantos cartões produzir? Gostaríamos de estimar com precisão as probabilidades de eventos incertos. Por exemplo, qual é a probabilidade de que os fluxos de caixa de novos produtos tenham um valor presente líquido positivo (VPL) Qual é o fator de risco de nossa carteira de investimentos A simulação de Monte Carlo nos permite modelar situações que apresentam incerteza e, em seguida, Milhares de vezes. Nota: O nome Monte Carlo simulação vem de simulações computador realizadas durante a década de 1930 e 1940 para estimar a probabilidade de que a reação em cadeia necessária para uma bomba atômica para detonar funcionaria com êxito. Os físicos envolvidos neste trabalho foram grandes fãs de jogos de azar, então eles deram as simulações do nome de código Monte Carlo. Nos próximos cinco capítulos, Ill fornecer alguns exemplos de como você pode usar o Microsoft Office Excel 2007 para executar simulações de Monte Carlo. Quem usa a simulação de Monte Carlo Muitas empresas usam a simulação de Monte Carlo como uma parte importante de seu processo de tomada de decisão. Aqui estão alguns exemplos. A General Motors, a Proctor and Gamble, a Pfizer, a Bristol-Myers Squibb e a Eli Lilly usam simulação para estimar tanto o retorno médio como o fator de risco de novos produtos. Na GM, esta informação é usada pelo CEO para determinar quais produtos chegam ao mercado. A GM utiliza a simulação para atividades como prever o lucro líquido para a corporação, prever os custos estruturais e de compra e determinar a sua suscetibilidade a diferentes tipos de risco (tais como mudanças na taxa de juros e flutuações da taxa de câmbio). Lilly usa simulação para determinar a capacidade ideal da planta para cada droga. A Proctor and Gamble usa simulação para modelar e otimizar o risco cambial. A Sears usa simulação para determinar quantas unidades de cada linha de produto devem ser encomendadas aos fornecedores, por exemplo, o número de pares de calças Dockers que devem ser encomendadas este ano. Empresas de petróleo e drogas usam a simulação para avaliar opções reais, como o valor de uma opção para expandir, contrair ou adiar um projeto. Os planejadores financeiros usam a simulação de Monte Carlo para determinar estratégias ótimas de investimento para a aposentadoria de seus clientes. O que acontece quando eu digito RAND () em uma célula Quando você digita a fórmula RAND () em uma célula, você recebe um número que é igualmente susceptível de assumir qualquer valor entre 0 e 1. Assim, cerca de 25% do tempo, você Deve obter um número menor ou igual a 0,25 em torno de 10 por cento do tempo que você deve obter um número que é de pelo menos 0,90, e assim por diante. Para demonstrar como a função RAND funciona, dê uma olhada no arquivo Randdemo. xlsx, mostrado na Figura 60-1. Figura 60-1 Demonstrando a função RAND Nota: Quando você abre o arquivo Randdemo. xlsx, você não verá os mesmos números aleatórios mostrados na Figura 60-1. A função RAND sempre automaticamente recalcula os números que ele gera quando uma planilha é aberta ou quando novas informações são inseridas na planilha. Copiei da célula C3 para C4: C402 a fórmula RAND (). Eu nomeei o intervalo C3: Dados C402. Então, na coluna F, eu segui a média dos 400 números aleatórios (célula F2) e usei a função COUNTIF para determinar as frações que estão entre 0 e 0,25, 0,25 e 0,50, 0,50 e 0,75 e 0,75 e 1. Quando você Pressione a tecla F9, os números aleatórios são recalculados. Observe que a média dos 400 números é sempre aproximadamente 0,5 e que cerca de 25% dos resultados estão em intervalos de 0,25. Estes resultados são consistentes com a definição de um número aleatório. Observe também que os valores gerados pelo RAND em diferentes células são independentes. Por exemplo, se o número aleatório gerado na célula C3 é um grande número (por exemplo, 0,99), ele não nos diz nada sobre os valores dos outros números aleatórios gerados. Como posso simular valores de uma variável aleatória discreta Suponha que a demanda por um calendário é governada pela seguinte variável aleatória discreta: Para demonstrar a simulação da demanda, veja o arquivo Discretesim. xlsx, mostrado na Figura 60-2 na próxima página . Figura 60-2 Simulação de uma variável aleatória discreta A chave para a nossa simulação é usar um número aleatório para iniciar uma pesquisa a partir do intervalo de tabelas F2: G5 (chamada lookup). Os números aleatórios maiores ou iguais a 0 e inferiores a 0,10 produzirão uma demanda de 10.000 números aleatórios maiores ou iguais a 0,10 e menores que 0,45 produzirão uma demanda de 20.000 números aleatórios maiores ou iguais a 0,45 e menores que 0,75 produzirão Uma demanda de 40.000 e números aleatórios maiores ou iguais a 0.75 renderá uma demanda de 60.000. Eu gerado 400 números aleatórios copiando de C3 para C4: C402 a fórmula RAND (). Eu então gerou 400 tentativas, ou iterações, de demanda de calendário copiando de B3 para B4: B402 a fórmula VLOOKUP (C3, lookup, 2). Esta fórmula garante que qualquer número aleatório menor que 0,10 gera uma demanda de 10.000, qualquer número aleatório entre 0,10 e 0,45 gera uma demanda de 20.000, e assim por diante. No intervalo de células F8: F11, eu usei a função COUNTIF para determinar a fração de nossas 400 iterações que produzem cada demanda. Quando pressionamos F9 para recalcular os números aleatórios, as probabilidades simuladas estão próximas de nossas probabilidades de demanda assumidas. Como posso simular valores de uma variável aleatória normal Se você digitar em qualquer célula a fórmula NORMINV (rand (), mu, sigma). Você irá gerar um valor simulado de uma variável aleatória normal com uma média mu e um desvio padrão sigma. Ive ilustrado este procedimento no arquivo Normalsim. xlsx, mostrado na Figura 60-3. Figura 60-3 Simulação de uma variável aleatória normal Vamos supor que queremos simular 400 testes, ou iterações, para uma variável aleatória normal com uma média de 40.000 e um desvio padrão de 10.000. Copiar a fórmula RAND () de C4 para C5: C403 gera 400 números aleatórios diferentes. Copiando de B4 para B5: B403 a fórmula NORMINV (C4, mean, sigma) gera 400 valores de ensaio diferentes de uma variável aleatória normal com uma média de 40.000 e um desvio padrão de 10.000. Quando pressionamos a tecla F9 para recalcular os números aleatórios, a média permanece próxima de 40.000 eo desvio padrão próximo a 10.000. Essencialmente, para um número aleatório x. A fórmula NORMINV (p, mu, sigma) gera o p percentil de uma variável aleatória normal com uma média mu e um desvio padrão sigma. Por exemplo, o número aleatório 0,77 na célula C4 (ver Figura 60-3) gera na célula B4 aproximadamente o percentil 77 de uma variável aleatória normal com uma média de 40.000 e um desvio padrão de 10.000. Como uma empresa de cartões pode determinar quantos cartões produzir? Nesta seção, Ill demonstrar como Monte Carlo simulação pode ser usado como uma ferramenta de tomada de decisão. Suponha que a demanda por um cartão do Dia dos Namorados seja governada pela seguinte variável aleatória discreta: O cartão é vendido por 4,00 eo custo variável de produção de cada cartão é 1,50. Os cartões restantes devem ser eliminados a um custo de 0,20 por cartão. Quantas cartas devem ser impressas Bàsicamente, simulamos cada quantidade de produção possível (10.000, 20.000, 40.000, ou 60.000) muitas vezes (por exemplo, 1000 iterações). Em seguida, determinamos qual quantidade de ordem produz o lucro médio máximo sobre as 1000 iterações. Você pode encontrar os dados para esta seção no arquivo Valentine. xlsx, mostrado na Figura 60-4. Ive atribuído o intervalo nomes em células B1: B11 para células C1: C11. Ive atribuído o intervalo de células G3: H6 a pesquisa de nome. Nossos parâmetros de preço de venda e custo são inseridos nas células C4: C6. Figura 60-4 Simulação do cartão do Dia dos Namorados Em seguida, insiro uma quantidade de produção de teste (40.000 neste exemplo) na célula C1. Em seguida, crio um número aleatório na célula C2 com a fórmula RAND (). Conforme descrito anteriormente, eu simulo a demanda pelo cartão na célula C3 com a fórmula VLOOKUP (rand, lookup, 2). (Na fórmula VLOOKUP, rand é o nome da célula atribuído à célula C3, não a função RAND). O número de unidades vendidas é o menor da nossa quantidade e demanda de produção. Na célula C8, calculo nossa receita com a fórmula MIN (produzida, demanda) preço unitário. Na célula C9, calculo o custo de produção total com a fórmula produzidaunitprodcost. Se produzimos mais cartões do que estão na demanda, o número de unidades sobrando é igual a produção menos a demanda, caso contrário não sobraram unidades. Nós calculamos o nosso custo de eliminação na célula C10 com a fórmula unitdispcostIF (produzida por gtdemand, produceddemand, 0). Finalmente, na célula C11, calculamos nosso lucro como receita totalvarcost-totaldisposingcost. Gostaríamos de uma maneira eficiente de pressionar F9 muitas vezes (por exemplo, 1000) para cada quantidade de produção e de contabilizar nosso lucro esperado para cada quantidade. Esta situação é aquela em que uma tabela de dados em dois sentidos chega ao nosso resgate. (Consulte o Capítulo 15, Análise de sensibilidade com tabelas de dados, para obter detalhes sobre tabelas de dados.) A tabela de dados usada neste exemplo é mostrada na Figura 60-5. Figura 60-5 Tabela de dados de duas vias para simulação de cartões de saudação Na gama de células A16: A1015, inscrevi os números 11000 (correspondendo aos nossos 1000 testes). Uma maneira fácil de criar esses valores é começar digitando 1 na célula A16. Selecione a célula e, em seguida, na guia Início no grupo de edição, clique em Preenchimento e selecione Série para exibir a caixa de diálogo Series. Na caixa de diálogo Series, mostrada na Figura 60-6, insira um Valor de Etapa de 1 e um Valor de Parada de 1000. Na área Série In, selecione a opção Colunas e clique em OK. Os números 11000 serão inseridos na coluna A começando na célula A16. Figura 60-6 Usando a caixa de diálogo Série para preencher os números de avaliação 1 a 1000 Em seguida, inserimos nossas possíveis quantidades de produção (10.000, 20.000, 40.000, 60.000) nas células B15: E15. Queremos calcular o lucro para cada número de julgamento (1 a 1000) e cada quantidade de produção. Referimo-nos à fórmula de lucro (calculada na célula C11) na célula superior esquerda da nossa tabela de dados (A15), inserindo C11. Estamos agora prontos para enganar o Excel para simular 1000 iterações de demanda para cada quantidade de produção. Selecione o intervalo de tabela (A15: E1014) e, em seguida, no grupo Ferramentas de dados na guia Dados, clique em O que se análise e, em seguida, selecione Tabela de dados. Para configurar uma tabela de dados bidirecionais, escolha nossa quantidade de produção (célula C1) como a célula de entrada de linha e selecione qualquer célula em branco (escolhemos a célula I14) como a célula de entrada de coluna. Depois de clicar em OK, o Excel simula 1000 valores de demanda para cada quantidade de pedido. Para entender por que isso funciona, considere os valores colocados pela tabela de dados no intervalo de células C16: C1015. Para cada uma dessas células, o Excel usará um valor de 20.000 na célula C1. Em C16, o valor da célula de entrada da coluna de 1 é colocado numa célula em branco e o número aleatório na célula C2 recalcula. O lucro correspondente é então registado na célula C16. Em seguida, o valor de entrada de célula de coluna de 2 é colocado em uma célula em branco, eo número aleatório em C2 novamente recalcula. O lucro correspondente é inserido na célula C17. Ao copiar da célula B13 para C13: E13 a fórmula MÉDIA (B16: B1015). Calculamos o lucro médio simulado para cada quantidade de produção. Ao copiar da célula B14 para C14: E14 a fórmula STDEV (B16: B1015). Calculamos o desvio padrão de nossos lucros simulados para cada quantidade de ordem. Cada vez que pressionamos F9, 1000 iterações de demanda são simuladas para cada quantidade de ordem. Produzir 40.000 cartões sempre produz o maior lucro esperado. Portanto, parece que a produção de 40.000 cartões é a decisão apropriada. O impacto do risco na nossa decisão Se produzimos 20.000 em vez de 40.000 cartões, nosso lucro esperado cai cerca de 22%, mas nosso risco (medido pelo desvio padrão do lucro) cai quase 73%. Portanto, se somos extremamente avessos ao risco, produzir 20.000 cartões pode ser a decisão certa. Aliás, produzir 10.000 cartões sempre tem um desvio padrão de 0 cartões, porque se nós produzimos 10.000 cartões, vamos sempre vender todos eles sem quaisquer sobras. Nota: Nesta pasta de trabalho, defino a opção Cálculo como Automático, exceto para tabelas. (Use o comando Cálculo no grupo Cálculo no separador Fórmulas.) Esta definição assegura que a nossa tabela de dados não será recalculada a menos que premir F9, o que é uma boa ideia porque uma tabela de dados grandes retardará o seu trabalho se recalcular sempre Você tipo algo em sua planilha. Observe que neste exemplo, sempre que você pressionar F9, o lucro médio será alterado. Isso acontece porque cada vez que você pressionar F9, uma seqüência diferente de 1000 números aleatórios é usada para gerar demandas para cada quantidade de ordem. Intervalo de Confiança para o Lucro Médio Uma pergunta natural a fazer nesta situação é, em que intervalo estamos 95% certo de que o lucro médio verdadeiro cairá. Esse intervalo é chamado de intervalo de confiança de 95% para lucro médio. Um intervalo de confiança de 95 por cento para a média de qualquer saída de simulação é calculado pela seguinte fórmula: Na célula J11, I calculou o limite inferior para o intervalo de confiança de 95 por cento no lucro médio quando 40.000 calendários são produzidos com a fórmula D131.96D14 / SQRT (1000). Na célula J12, computou-se o limite superior para nosso intervalo de confiança de 95% com a fórmula D131.96D14 / SQRT (1000). Estes cálculos são mostrados na Figura 60-7. Figura 60-7 Intervalo de confiança de 95 por cento para o lucro médio quando 40.000 calendários são encomendados Estamos com 95 por cento de certeza que o nosso lucro médio quando 40.000 calendários são encomendados é entre 56.687 e 62.589. Problemas Um negociante de GMC acredita que a demanda para Envoys 2005 será distribuída normalmente com uma média de 200 e um desvio padrão de 30. Seu custo de receber um Envoy é 25.000, e vende um Envoy para 40.000. Metade de todos os Enviados não vendidos a preço total podem ser vendidos por 30.000. Ele está considerando encomendar 200, 220, 240, 260, 280 ou 300 Enviados. Quantos deve ele requisitar Um supermercado pequeno está tentando determinar quantas cópias da revista de pessoas devem encomendar a cada semana. Eles acreditam que sua demanda por Pessoas é governada pela seguinte variável aleatória discreta: por Michael R. Bryant A análise de Monte Carlo é uma técnica computacional que permite incluir as propriedades estatísticas dos parâmetros de um modelo em uma simulação. Na análise de Monte Carlo, as variáveis ​​aleatórias de um modelo são representadas por distribuições estatísticas, que são amostradas aleatoriamente para produzir a saída dos modelos. A saída é, portanto, também uma distribuição estatística. Em comparação com métodos de simulação que não incluem amostragem aleatória, o método Monte Carlo produz resultados mais significativos, que são mais conservadores e também tendem a ser mais precisos quando usados ​​como previsões. Ao usar o uso Monte Carlo análise para simular negociação, a distribuição de comércio, como representado pela lista de negócios, é amostrado para gerar uma seqüência comercial. Cada uma dessas sequências é analisada, e os resultados são classificados para determinar a probabilidade de cada resultado. Desta forma, um nível de probabilidade ou confiança é atribuído a cada resultado. Sem a análise de Monte Carlo, a abordagem padrão para o cálculo da taxa de retorno histórica, por exemplo, seria analisar a seqüência atual de negócios usando, digamos, o dimensionamento de posição fracionária fixa. Pode-se verificar que a taxa de retorno sobre a seqüência foi de 114. Com a análise de Monte Carlo, por outro lado, centenas ou milhares de seqüências diferentes de negócios são analisadas ea taxa de retorno é expressa com um qualificador de probabilidade. Por exemplo, a taxa de retorno determinada pela análise de Monte Carlo pode ser de 83 com 95 de confiança. Isto significa que de todos os milhares de sequências consideradas, 95 tiveram taxas de retorno maiores ou iguais a 83. A análise de Monte Carlo é particularmente útil na estimativa do máximo pico-a-vale rebaixamento. Na medida em que o levantamento é uma medida útil do risco, melhorar o cálculo do levantamento permitirá avaliar melhor um sistema ou método de negociação. Embora não possamos prever como o mercado diferirá amanhã do que vimos no passado, sabemos que será diferente. Se calcularmos a redução máxima com base na seqüência histórica de negócios, baseávamos nossos cálculos em uma seqüência de negócios que sabemos que não será repetida exatamente. Mesmo que a distribuição de negócios (no sentido estatístico) seja a mesma no futuro, a seqüência desses negócios é em grande parte uma questão de acaso. Calculando o drawdown baseado em uma seqüência particular é algo arbitrário. Além disso, a sequência de transacções tem um efeito muito grande sobre o levantamento calculado. Se você escolher uma seqüência de comércios onde cinco perdas ocorrem em uma linha, você poderia começar um drawdown muito grande. Os mesmos negócios arranjados em uma ordem diferente, de modo que as perdas sejam dispersadas uniformente, puderam ter uma diminuição desprezível. Ao usar uma abordagem de Monte Carlo para calcular o levantamento, a seqüência histórica de negociações é randomizada ea taxa de retorno e redução são calculadas para a seqüência aleatória. O processo é então repetido várias centenas ou milhares de vezes. Analisando os resultados em conjunto, podemos encontrar, por exemplo, que em 95 das seqüências, o levantamento foi inferior a 30 quando 4 do capital próprio foi arriscado em cada comércio. Poderíamos interpretar isso como significando que existe uma chance de que a retirada seja menor que 30 quando 4 é arriscado em cada comércio. Em geral, existem duas maneiras de gerar a seqüência de negócios em uma simulação de Monte Carlo. Uma opção é construir cada seqüência de comércios por amostragem aleatória dos mesmos comércios como na seqüência atual, com cada comércio incluído uma vez. Este método de amostragem da distribuição comercial é conhecido como selecção aleatória sem substituição. Outro método de amostragem possível é a seleção aleatória com substituição. Se este método fosse usado, os comércios seriam selecionados aleatoriamente da lista original de negócios sem considerar se o comércio já havia sido selecionado. Na seleção com substituição, um comércio poderia ocorrer mais de uma vez na nova seqüência. O benefício da seleção sem substituição é que ela duplica exatamente a distribuição de probabilidade da seqüência de entrada, enquanto a seleção com substituição não pode. O inconveniente da selecção sem substituição é que as sequências aleatoriamente amostradas estão limitadas ao número de transacções na sequência de entrada. Se você tiver uma seqüência curta de negociações (digamos, menos de 30 operações), isso pode limitar a precisão de determinados cálculos, como o levantamento. Um exemplo baseado na amostragem sem substituição é mostrado abaixo. A negociação é simulada usando o dimensionamento de posição de índice fixo começando com um patrimônio de conta de 10.000. Cada simulação emprega 500 seqüências comerciais (amostras). A primeira seção de resultados na figura mostra os principais resultados, como a taxa de retorno, em uma série de níveis de confiança. Notice, for example, that lower returns are predicted for higher confidence levels. Example of Monte Carlo analysis results. Building Winning Algorithmic Trading Systems: A Traders Journey from Data Mining to Monte Carlo Simulation to Live Trading About this Book Develop your own trading system with practical guidance and expert advice In Building Algorithmic Trading Systems: A Traders Journey From Data Mining to Monte Carlo Simulation to Live Training . Premiado comerciante Kevin Davey compartilha seus segredos para o desenvolvimento de sistemas de negociação que geram retornos de três dígitos. With both explanation and demonstration, Davey guides you step-by-step through the entire process of generating and validating an idea, setting entry and exit points, testing systems, and implementing them in live trading. Youll find concrete rules for increasing or decreasing allocation to a system, and rules for when to abandon one. The companion website includes Daveys own Monte Carlo simulator and other tools that will enable you to automate and test your own trading ideas. A purely discretionary approach to trading generally breaks down over the long haul. With market data and statistics easily available, traders are increasingly opting to employ an automated or algorithmic trading system-enough that algorithmic trades now account for the bulk of stock trading volume. Building Algorithmic Trading Systems teaches you how to develop your own systems with an eye toward market fluctuations and the impermanence of even the most effective algorithm. Learn the systems that generated triple-digit returns in the World Cup Trading Championship Develop an algorithmic approach for any trading idea using off-the-shelf software or popular platforms Test your new system using historical and current market data Mine market data for statistical tendencies that may form the basis of a new system Market patterns change, and so do system results. Past performance isnt a guarantee of future success, so the key is to continually develop new systems and adjust established systems in response to evolving statistical tendencies. For individual traders looking for the next leap forward, Building Algorithmic Trading Systems provides expert guidance and practical advice. Conteúdo Copyright copy 1999-2016 John Wiley ampères Sons, Inc. Todos os direitos reservados. About Wiley Wiley Wiley Job Network