Метод Монте-Карло используется в имитационном моделировании, показывающем влияние неопределенности на эффективность проекта.
Данный метод предполагает расчет множества вариантов сочетания переменных величин показателей. По ним рассчитывают чистый дисконтированный доход. По сравнению с другими методами здесь требуется крупный массив информации, сбор которой и составляет главную трудность. Также в методе Монте-Карло сложно определяются взаимосвязи вводимых переменных, поэтому правила их отбора зависят от сложности проекта.
При решении некоторого класса экономических и математических задач пользуются методом Монте-Карло. При этом параметры рассматриваются как случайные величины, их распределения моделируются, и затем на основе этих распределений формируются оценочные показатели. В методе соединены прямые и косвенные измерения риска.
Метод похож на анализ чувствительности тем, что также оценивает влияние параметров денежного потока на NPV и другие оценки. Но в методе Монте-Карло рассматривается распределение соответствующих значений оценок риска. Это позволяет записывать их в форме дисперсии, стандартного отклонения или коэффициента вариации.
В методе Монте-Карло предполагается, что значения всех параметров, определяющих величину компонент денежного потока, заданы, за исключением тех, которые являются факторами риска. Их распределения и моделируются на ЭВМ.
Метод Монте-Карло можно разбить на следующие этапы.
1. Выделение показателей, по которым будет измеряться риск.
2. Определение параметров и формы распределения.
Для анализа обычно выделяются наиболее подверженные риску компоненты денежного потока. В принципе можно рассматривать все компоненты и соответствующие случайные параметры. Но такое увеличение последних может привести к противоречивым результатам и потребовать больше времени.
3. Моделирование значений случайных параметров на основе выбранной формы
распределения.
4. Вычисление денежного потока и NPV проекта, а также других показателей.
5. Многократное выполнение расчетов по этапам 3 и 4.
6. Получение расчетных оценок риска, графиков распределения.
7. Анализ результатов.
Метод Монте-Карло позволяет получить распределение доходности проекта на основе математической модели, в которой значения параметров не определены, но известны их вероятностные распределения и корреляция (связь между изменениями параметров).
Учитывать корреляцию очень важно, т.к. посчитав коррелированные переменные полностью независимыми, компьютер сгенерирует нереалистичные сценарии.
В методе Монте-Карло объединены метод анализа чувствительности и метод сценариев.
Метод Монте-Карло имеет свои минусы. Как и анализ сценариев, он оставляет открытым вопрос о том, стоит ли реализовывать данный проект. Результаты методов не дают точных рекомендаций по этому поводу.
Рассмотрим две особенности метода Монте-Карло. Метод обладает простой структурой вычислительного алгоритма. Составляется программа для осуществления одного случайного испытания, а затем мы повторяем испытание N раз, причем опыты друг от друга не зависят. Результаты усредняются. Поэтому Монте-Карло также называют методом статистических испытаний. Вторая особенность состоит в обратной пропорциональности ошибки вычисления и количества испытаний.
Метод Монте-Карло можно применять к любому процессу, на течение которого влияют случайные факторы. С помощью этого метода можно решать и задачи, не связанные с какими-либо случайными факторами, так как мы можем искусственно создать вероятностную модель. Иногда выгодно отказаться от моделирования истинного случайного процесса в пользу искусственного. Метод Монте-Карло предполагает генерирование случайных чисел. Их можно получать различными способами, разыгрываются псевдослучайные числа, раньше применялись специальные таблицы случайных чисел.
С помощью метода Монте-Карло эксперт получает значение ожидаемой чистой настоящей стоимости проекта и плотность распределения этой случайной величины. Риск по проекту оценивается стандартным отклонением и коэффициентом вариации. Однако аналитик не обладает информацией о том, сможет ли прибыльность по проекту компенсировать риск по нему. Таким образом, при корректности модели, мы получаем важные сведения о доходности проекта и о его устойчивости. Решение же относительно проекта будет зависеть от правильного анализа данных и склонности инвестора к риску.
