تقنيات تقليل التباين للمحاكاة مونت كارلو
- قدّمه
- Hammersley & Morton (antithetic variates, 1956); Lavenberg & Welch (control variates, 1981); importance sampling roots in Kahn & Marshall (1953)
- السنة
- 1950s–1980s (technique family)
- النوع
- Simulation variance-reduction technique family
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تقنيات تقليل التباين هي عائلة من الأساليب التي تحسن كفاءة محاكاة مونت كارلو من خلال تحقيق نفس دقة التقدير بعدد أقل من السحوبات العشوائية. تم تطوير هذه العائلة تدريجيًا منذ الخمسينيات من القرن الماضي - مع إرجاع المتغيرات المتضادة إلى Hammersley و Morton، وتشكيل المتغيرات الضابطة بواسطة Lavenberg و Welch، وأخذ عينات الأهمية المتجذرة في Kahn و Marshall - وتشمل المتغيرات المتضادة (AV)، والمتغيرات الضابطة (CV)، وأخذ عينات الأهمية (IS)، والطبقية، وكل منها يستغل خاصية هيكلية مختلفة للكمية المستهدفة لتقليل تباين المقدر دون إدخال تحيز.
الفكرة الحدسية وراء الطريقة
تعمل محاكاة مونت كارلو القياسية عن طريق حساب متوسط عدد كبير من السحوبات العشوائية المستقلة. ضعفها هو أن السحوبات العشوائية البحتة يمكن أن تكون زائدة عن الحاجة - حيث تهبط العديد من السحوبات في مناطق لا تساهم إلا بمعلومات قليلة، والأخطاء الإيجابية والسلبية لا تلغي بعضها البعض بكفاءة. تعمل تقنيات تقليل التباين على إصلاح ذلك عن طريق هندسة العشوائية. تقترن المتغيرات المتضادة كل سحب بصورته المرآتية بحيث تميل الأخطاء إلى الإلغاء؛ وتعدل المتغيرات الضابطة التقدير باستخدام كمية مترابطة معروف متوسطها الحقيقي؛ وتركز عينات الأهمية السحوبات حيث تكون أكثر أهمية؛ وتضمن الطبقية تغطية مساحة المدخلات بالتساوي. المكافأة هي نفس الدقة مع عدد أقل بكثير من تقييمات الدالة.
التاريخ
تم وضع أسس تقليل التباين لمحاكاة مونت كارلو في الخمسينيات من القرن الماضي. قدم Kahn و Marshall (1953) أخذ عينات الأهمية في سياق نقل الجسيمات النووية. قام Hammersley و Morton (1956) بتشكيل المتغيرات المتضادة كوسيلة لاستغلال التناظر في المدخلات العشوائية. تم تنظيم المتغيرات الضابطة بواسطة Lavenberg و Welch في الثمانينيات لاستخدامها في المحاكاة العشوائية. وحدت مونوجراف Paul Glasserman عام 2003 نظرية وممارسة هذه التقنيات للهندسة المالية، وأصبح كتاب Sheldon Ross عن المحاكاة منذ ذلك الحين جزءًا قياسيًا من تعليم المحاكاة للدراسات العليا. اليوم، تعد هذه التقنيات مركزية في التمويل الحسابي وهندسة الموثوقية وأي مجال تكون فيه تشغيلات المحاكاة مكلفة.
متى تُستخدم
استخدم تقنيات تقليل التباين عندما تعطي محاكاة مونت كارلو القياسية دقة مقبولة فقط عند عدد غير عملي من التشغيلات. AV مناسب للدوال التكاملية السلسة والرتابة؛ CV مناسب للمشاكل التي تتوفر فيها كمية مساعدة مترابطة ذات متوسط معروف؛ IS مناسب لتقدير الأحداث النادرة أو التكامل على الذيول الثقيلة؛ الطبقية مناسبة لمساحات المدخلات منخفضة الأبعاد. تتطلب جميع التقنيات مئات - ويفضل آلاف - التكرارات على الأقل قبل أن تصبح فائدة تقليل التباين واضحة. وهي مناسبة للكميات العشوائية المستمرة ولأي مجال تطبيقي تكون فيه تكلفة المحاكاة هي القيد الملزم.
الحدود والاعتبارات
- تتطلب كل تقنية معرفة هيكلية بالمشكلة: AV تحتاج إلى دالة تكاملية رتيبة، CV تحتاج إلى متوسط مساعد معروف تحليليًا، IS تحتاج إلى توزيع اقتراح مصمم جيدًا، الطبقية تحتاج إلى تغطية منتظمة لمساحة المدخلات.
- يمكن أن يؤدي توزيع الاقتراح السيئ الاختيار لأخذ عينات الأهمية إلى زيادة التباين بدلاً من تقليله.
- يؤدي دمج تقنيات متعددة إلى زيادة تعقيد التنفيذ ويمكن أن يتفاعل بطرق غير متوقعة.
- فائدة تقليل التباين ضئيلة عند عدد قليل جدًا من التكرارات (أقل من حوالي 1000 تشغيل).
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يقلل بشكل كبير من عدد تشغيلات المحاكاة اللازمة للوصول إلى دقة مستهدفة، مما يقلل التكلفة الحسابية.
- يمكن دمج التقنيات (مثل AV مع CV) لتحقيق تقليل تباين مركب.
- لا يتم إدخال أي تحيز: جميع التقنيات القياسية تنتج مقدرات غير متحيزة.
- قابلة للتطبيق على نطاق واسع عبر المجالات - التمويل، الهندسة، الرعاية الصحية، بحوث العمليات - في كل مكان يتم فيه استخدام تكامل مونت كارلو.
التطبيقات
- تسعير الخيارات في الهندسة المالية الحسابية، حيث تركز عينات الأهمية السحوبات على المسارات داخل المال.
- تحليل الموثوقية والمخاطر، حيث يتم تقدير احتمالات الفشل النادرة بعدد أقل بكثير من تشغيلات المحاكاة باستخدام IS.
- تحليل أداء طوابير وأنظمة الخدمة باستخدام AV و CV لتقليل طول التشغيل.
- محاكاة فعالية التكلفة في الرعاية الصحية، حيث تستغل CV تقريبًا تحليليًا معروفًا لنموذج التكلفة.
- تصميم هندسي تحت عدم اليقين، حيث تضمن العينات الطبقية التغطية عبر مساحة معلمات المدخلات.
كيف يعمل
كيف يعمل
ابدأ بالتعبير عن الكمية ذات الأهمية كتوقع - على سبيل المثال، متوسط دالة مطبقة على مدخلات عشوائية. هذا التأطير يوضح توزيع الاحتمالات الذي تأتي منه العينات ويبدو عليه مقدر مونت كارلو الخام قبل تطبيق أي تقليل للتباين.
اختر التقنية التي تتناسب مع هيكل المشكلة. تعمل المتغيرات المتضادة عندما تكون الدالة التكاملية رتيبة في المدخل، لذا فإن اقتران كل سحب منتظم u مع مكملته 1 - u يضمن الارتباط السلبي وإلغاء الأخطاء. تعمل المتغيرات الضابطة عندما توجد كمية مترابطة لها توقع تحليلي معروف؛ يتم تعديل المقدر بالفرق بين متوسط المتغير الضابط المحاكى ومتوسطه المعروف. تعمل عينات الأهمية عندما تحتاج احتمالية الأحداث النادرة أو ذات الوزن العالي إلى تعزيز؛ يتم استبدال توزيع الاقتراح الأكثر ثقلاً في الذيول بالتوزيع الأصلي، ويتم إعادة وزن كل عينة بنسبة الاحتمالية. تقسم الطبقية مساحة المدخلات إلى طبقات وتخصص السحوبات بشكل نسبي، مما يضمن عدم الإفراط في أخذ العينات أو نقصها في أي منطقة. يمكن دمج التقنيات - على سبيل المثال، CV و AV معًا - لتحقيق وفورات إضافية.
اسحب العينات وفقًا للتقنية المختارة. بالنسبة لـ AV، قم بإنشاء أزواج سحوبات (u، 1 - u)؛ بالنسبة لـ IS، اسحب من توزيع الاقتراح وسجل أوزان الأهمية؛ بالنسبة للطبقية، اسحب داخل كل طبقة. يجب أن يكون عدد التكرارات في الآلاف على الأقل حتى يمكن قياس فوائد تقليل التباين.
اجمع العينات في تقدير نقطي وتقدير للتباين. بالنسبة لـ AV، يكون المقدر هو متوسط قيم الدالة المقترنة. بالنسبة لـ CV، يتم تصحيح المتوسط الخام بمعامل الأمثل مضروبًا في انحراف متوسط عينة المتغير الضابط عن توقعه المعروف. بالنسبة لـ IS، يتم ضرب كل تقييم للدالة في وزن الأهمية الخاص بها قبل حساب المتوسط.
قارن تباين المقدر المخفض التباين مع تباين مقدر مونت كارلو العادي بنفس عدد السحوبات. نسبة التباينين - عامل تقليل التباين - تقيس المكسب. إذا كان العامل قريبًا من 1، فإن التقنية لا تستغل هيكل المشكلة وقد تكون هناك حاجة إلى نهج مختلف أو مزيد من التكرارات.
الأخطاء الشائعة
- استخدام المتغيرات المتضادة عندما لا تكون الدالة التكاملية رتيبة في المدخلات: يفشل افتراض الارتباط السلبي وقد تزيد الطريقة فعليًا من التباين.
- استخدام توزيع اقتراح لأخذ عينات الأهمية أخف ذيولاً من الهدف: يتم أخذ عينات نادرة بشكل غير كافٍ ويمكن أن ينفجر تباين المقدر.
- تقدير معامل CV من نفس العينة المستخدمة للمقدر دون حساب التحيز المستحث عند أحجام العينات الصغيرة.
- تشغيل عدد قليل جدًا من التكرارات (أقل من حوالي 1000): لا يمكن قياس عامل تقليل التباين بشكل موثوق، وتكون الفائدة مقارنة بمونت كارلو العادي غير مرئية.
- دمج AV و CV دون التحقق من أن الدمج يحافظ على الارتباط السلبي: قد لا يحقق المقدر المشترك الوفورات المتوقعة.
الأسئلة الشائعة
أي تقنية يجب أن أختار - AV، CV، IS، أم الطبقية؟
اختر بناءً على هيكل مشكلتك. إذا كانت الدالة التكاملية رتيبة في المدخلات، فإن AV مباشر وفعال. إذا كان لديك كمية ذات صلة يمكنك حساب توقعها تحليليًا، فإن CV هو عادةً الخيار الأقوى. إذا كنت بحاجة إلى تقدير احتمالية حدث نادر أو التكامل على الذيول الثقيلة، فإن IS هي الأداة المناسبة. تعمل الطبقية بشكل جيد في الأبعاد المنخفضة إلى المتوسطة عندما تريد تغطية منتظمة لمساحة المدخلات. يمكن أيضًا دمج التقنيات لتحقيق مكاسب إضافية.
كم عدد تشغيلات المحاكاة التي أحتاجها؟
تصبح فائدة تقليل التباين قابلة للقياس فقط عندما يكون لديك مئات التشغيلات على الأقل؛ آلاف التشغيلات هي عتبة أكثر موثوقية. مع عدد قليل جدًا من التكرارات، لا يمكن تقدير عامل تقليل التباين بثبات، وقد يكون مقدر مونت كارلو العادي أفضل أداءً. كقاعدة عملية، لا تستخدم هذه التقنيات بأقل من 1000 تكرار.
هل يمكن لتقنيات تقليل التباين إدخال تحيز؟
لا - جميع التقنيات القياسية الأربع (AV، CV، IS، الطبقية) تنتج مقدرات غير متحيزة عند تنفيذها بشكل صحيح. يتطلب مقدر CV تقديرًا دقيقًا للمعامل الأمثل؛ قد يؤدي تقديره من عينة تجريبية صغيرة وإعادة استخدام نفس العينة للتقدير الرئيسي إلى إدخال تحيز صغير في العينة المحدودة، لذا فإن أفضل ممارسة هي استخدام عينة تجريبية منفصلة أو صيغة معامل صالحة تقريبًا.
ماذا يحدث إذا كان اقتراح أخذ عينات الأهمية الخاص بي سيئ الاختيار؟
يمكن لتوزيع اقتراح خفيف جدًا في الذيول مقارنة بالهدف أن يسبب زيادة كارثية في التباين، مما يجعل IS أسوأ من مونت كارلو العادي. تحقق دائمًا من أن الاقتراح له ذيول أثقل من الهدف في المنطقة ذات الصلة، وتحقق من تباين أوزان الأهمية كتشخيص - تشير قيم الأوزان الكبيرة جدًا إلى اقتراح سيئ.
طرق ذات صلة
المصادر
Ross, S.M. (2012). Simulation (5th ed.). Academic Press.
ردمك: 978-0124158252تم النسخ.Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer.
افتح مرجع DOIتم النسخ.