Técnicas de reducción de varianza para simulación de Monte Carlo
- Propuesto por
- Hammersley & Morton (antithetic variates, 1956); Lavenberg & Welch (control variates, 1981); importance sampling roots in Kahn & Marshall (1953)
- Año
- 1950s–1980s (technique family)
- Tipo
- Simulation variance-reduction technique family
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
Las técnicas de reducción de varianza son una familia de métodos que mejoran la eficiencia de la simulación de Monte Carlo al lograr la misma precisión de estimación con menos extracciones aleatorias.
Desarrolladas incrementalmente a partir de la década de 1950 —con las variaciones antitéticas atribuidas a Hammersley y Morton, los variates de control formalizados por Lavenberg y Welch, y el muestreo por importancia con raíces en Kahn y Marshall— la familia incluye variaciones antitéticas (AV), variates de control (CV), muestreo por importancia (IS) y estratificación, cada una explotando una propiedad estructural diferente de la cantidad objetivo para reducir la varianza del estimador sin introducir sesgo.
La intuición detrás del método
El Monte Carlo estándar funciona promediando un gran número de extracciones aleatorias independientes. Su debilidad es que las extracciones puramente aleatorias pueden ser redundantes: muchas extracciones caen en regiones que aportan poca información y los errores positivos y negativos no se cancelan eficientemente. Las técnicas de reducción de varianza solucionan esto diseñando la aleatoriedad. Las variaciones antitéticas emparejan cada extracción con su imagen especular para que los errores tiendan a cancelarse; los variates de control ajustan la estimación utilizando una cantidad correlacionada cuya media verdadera se conoce; el muestreo por importancia concentra las extracciones donde más importan; y la estratificación asegura que el muestreo cubra el espacio de entrada de manera uniforme. La recompensa es la misma precisión con muchas menos evaluaciones de funciones.
Historia
Los fundamentos de la reducción de varianza para la simulación de Monte Carlo se sentaron en la década de 1950. Kahn y Marshall (1953) introdujeron el muestreo por importancia en el contexto del transporte de partículas nucleares. Hammersley y Morton (1956) formalizaron las variaciones antitéticas como una forma de explotar la simetría en las entradas aleatorias. Los variates de control fueron sistematizados por Lavenberg y Welch en la década de 1980 para su uso en simulación estocástica. La monografía de Paul Glasserman de 2003 unificó la teoría y la práctica de estas técnicas para la ingeniería financiera, y el libro de texto de Sheldon Ross sobre simulación las ha convertido desde entonces en una parte estándar de la educación de posgrado en simulación. Hoy en día, las técnicas son centrales en las finanzas computacionales, la ingeniería de confiabilidad y cualquier campo donde las ejecuciones de simulación sean costosas.
Cuándo usarlo
Utilice técnicas de reducción de varianza cuando el Monte Carlo estándar proporcione una precisión aceptable solo con un número poco práctico de ejecuciones. AV es adecuado para integrandos suaves y monótonos; CV es adecuado para problemas donde está disponible una cantidad auxiliar correlacionada con una media conocida; IS es adecuado para la estimación de eventos raros o la integración sobre colas pesadas; la estratificación es adecuada para espacios de entrada de baja dimensión. Todas las técnicas requieren al menos varios cientos —idealmente varios miles— de iteraciones antes de que el beneficio de la reducción de varianza sea visible. Son apropiadas para cantidades aleatorias continuas y para cualquier dominio de aplicación donde el costo de la simulación sea la restricción limitante.
Limitaciones y consideraciones
- Cada técnica requiere conocimiento estructural del problema: AV necesita un integrando monótono, CV necesita una media auxiliar analíticamente conocida, IS necesita una distribución de propuesta bien diseñada.
- Una distribución de propuesta mal elegida para el muestreo por importancia puede aumentar la varianza en lugar de reducirla.
- La combinación de múltiples técnicas aumenta la complejidad de implementación y puede interactuar de maneras inesperadas.
- El beneficio de la reducción de varianza es insignificante con recuentos de iteraciones muy bajos (menos de ~1.000 ejecuciones).
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Reduce sustancialmente el número de ejecuciones de simulación necesarias para alcanzar una precisión objetivo, disminuyendo el costo computacional.
- Las técnicas se pueden combinar (p. ej., AV con CV) para una reducción de varianza compuesta.
- No se introduce sesgo: todas las técnicas estándar producen estimadores insesgados.
- Ampliamente aplicable en diversos dominios —finanzas, ingeniería, atención médica, investigación de operaciones— dondequiera que se utilice la integración de Monte Carlo.
Aplicaciones
- Precios de opciones en finanzas computacionales, donde el muestreo por importancia concentra las extracciones en trayectorias in-the-money.
- Análisis de confiabilidad y riesgo, donde las probabilidades de fallas raras se estiman con muchas menos ejecuciones de simulación utilizando IS.
- Análisis de rendimiento de sistemas de colas y servicios utilizando AV y CV para reducir la longitud de la ejecución.
- Simulación de costo-efectividad en atención médica, donde CV explota una aproximación analítica conocida al modelo de costos.
- Diseño de ingeniería bajo incertidumbre, donde el muestreo estratificado asegura la cobertura en el espacio de parámetros de entrada.
Cómo funciona
Cómo funciona
Comience expresando la cantidad de interés como una esperanza —por ejemplo, la media de una función aplicada a entradas aleatorias. Este encuadre deja claro de qué distribución de probabilidad provienen las muestras y cómo es el estimador de Monte Carlo crudo antes de aplicar cualquier reducción de varianza.
Elija la técnica que coincida con la estructura del problema. Las variaciones antitéticas funcionan cuando el integrando es monótono en la entrada, por lo que emparejar cada extracción uniforme u con su complemento 1 − u garantiza la correlación negativa y la cancelación de errores. Los variates de control funcionan cuando existe una cantidad correlacionada con una esperanza analítica conocida; el estimador se ajusta por la diferencia entre la media simulada del control y su media conocida. El muestreo por importancia funciona cuando es necesario aumentar la probabilidad de eventos raros o de alto peso; una distribución de propuesta más pesada en las colas reemplaza a la original, y cada muestra se repondera por la relación de verosimilitud. La estratificación divide el espacio de entrada en estratos y asigna extracciones proporcionalmente, asegurando que ninguna región esté sobrerrepresentada o infrarrepresentada. Las técnicas se pueden combinar —por ejemplo, CV y AV juntas— para ahorros adicionales.
Genere muestras según la técnica elegida. Para AV, genere pares de extracciones (u, 1 − u); para IS, extraiga de la distribución de propuesta y registre los pesos de importancia; para estratificación, extraiga dentro de cada estrato. El número de iteraciones debe ser al menos de miles para que los beneficios de la reducción de varianza sean medibles.
Agregue las muestras en una estimación puntual y una estimación de varianza. Para AV, el estimador es el promedio de los valores de función emparejados. Para CV, el promedio crudo se corrige por el coeficiente óptimo multiplicado por la desviación de la media de la muestra del control de su esperanza conocida. Para IS, cada evaluación de función se multiplica por su peso de importancia antes de promediar.
Compare la varianza del estimador con varianza reducida contra la varianza de un estimador de Monte Carlo simple con el mismo número de extracciones. La relación de las dos varianzas —el factor de reducción de varianza— cuantifica la ganancia. Si el factor está cerca de 1, la técnica no está explotando la estructura del problema y puede ser necesario un enfoque diferente o más iteraciones.
Errores comunes
- Usar variaciones antitéticas cuando el integrando no es monótono en las entradas: la suposición de correlación negativa se rompe y el método puede aumentar la varianza.
- Usar una distribución de propuesta de muestreo por importancia que tenga colas más ligeras que la objetivo: los eventos raros se submuestrean y la varianza del estimador puede explotar.
- Estimar el coeficiente CV a partir de la misma muestra utilizada para el estimador sin tener en cuenta el sesgo inducido en tamaños de muestra pequeños.
- Ejecutar muy pocas iteraciones (menos de ~1.000): el factor de reducción de varianza no se puede medir de manera confiable y el beneficio sobre el Monte Carlo simple es invisible.
- Combinar AV y CV sin verificar que la combinación mantiene la correlación negativa: el estimador conjunto puede no lograr los ahorros esperados.
Preguntas frecuentes
¿Qué técnica debo elegir: AV, CV, IS o estratificación?
Elija según la estructura de su problema. Si el integrando es monótono en las entradas, AV es sencillo y eficaz. Si tiene una cantidad relacionada cuya esperanza puede calcular analíticamente, CV es generalmente la opción más potente. Si necesita estimar una probabilidad de evento raro o integrar sobre colas pesadas, IS es la herramienta adecuada. La estratificación funciona bien en dimensiones bajas a moderadas cuando desea una cobertura uniforme del espacio de entrada. Las técnicas también se pueden combinar para obtener ganancias adicionales.
¿Cuántas ejecuciones de simulación necesito?
El beneficio de la reducción de varianza solo se vuelve medible una vez que tiene al menos varios cientos de ejecuciones; varios miles es un umbral más confiable. Con muy pocas iteraciones, el factor de reducción de varianza no se puede estimar de manera estable, y un estimador de Monte Carlo simple puede tener un rendimiento comparable. Como regla práctica, no utilice estas técnicas con menos de 1.000 iteraciones.
¿Pueden las técnicas de reducción de varianza introducir sesgo?
No, las cuatro técnicas estándar (AV, CV, IS, estratificación) producen estimadores insesgados cuando se implementan correctamente. El estimador CV requiere una estimación precisa del coeficiente óptimo; estimarlo a partir de una pequeña muestra piloto y reutilizar la misma muestra para la estimación principal puede introducir un pequeño sesgo de muestra finita, por lo que es una buena práctica utilizar una muestra piloto separada o una fórmula de coeficiente asintóticamente válida.
¿Qué sucede si mi propuesta de muestreo por importancia está mal elegida?
Una distribución de propuesta que sea demasiado ligera en las colas en relación con la objetivo puede causar un aumento catastrófico de la varianza, haciendo que IS sea peor que el Monte Carlo simple. Siempre verifique que la propuesta tenga colas más pesadas que la objetivo en la región relevante, y verifique la varianza de los pesos de importancia como diagnóstico: valores de peso extremadamente grandes señalan una propuesta deficiente.
Métodos relacionados
Fuentes
Ross, S.M. (2012). Simulation (5th ed.). Academic Press.
ISBN: 978-0124158252Copiado.Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer.
Abrir referencia DOICopiado.