Skip to content
Torna ai risultati

Tecniche di riduzione della varianza per la simulazione Monte Carlo

Introdotto da
Hammersley & Morton (antithetic variates, 1956); Lavenberg & Welch (control variates, 1981); importance sampling roots in Kahn & Marshall (1953)
Anno
1950s–1980s (technique family)
Tipo
Simulation variance-reduction technique family

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Le tecniche di riduzione della varianza sono una famiglia di metodi che migliorano l'efficienza della simulazione Monte Carlo, ottenendo la stessa accuratezza di stima con meno estrazioni casuali.

Sviluppata in modo incrementale a partire dagli anni '50 — con le varianti antitetiche attribuite a Hammersley e Morton, le varianti di controllo formalizzate da Lavenberg e Welch, e il campionamento per importanza radicato in Kahn e Marshall — la famiglia comprende varianti antitetiche (AV), varianti di controllo (CV), campionamento per importanza (IS) e stratificazione, ciascuna delle quali sfrutta una diversa proprietà strutturale della quantità target per ridurre la varianza dello stimatore senza introdurre distorsioni.

L’intuizione alla base del metodo

Il Monte Carlo standard funziona mediando un gran numero di estrazioni casuali indipendenti. La sua debolezza è che le estrazioni puramente casuali possono essere ridondanti: molte estrazioni finiscono in regioni che contribuiscono poco all'informazione, e gli errori positivi e negativi non si annullano efficientemente. Le tecniche di riduzione della varianza correggono questo problema ingegnerizzando la casualità. Le varianti antitetiche accoppiano ogni estrazione con la sua immagine speculare in modo che gli errori tendano ad annullarsi; le varianti di controllo aggiustano la stima utilizzando una quantità correlata la cui media vera è nota; il campionamento per importanza concentra le estrazioni dove contano di più; la stratificazione assicura che il campionamento copra uniformemente lo spazio di input. Il vantaggio è la stessa accuratezza con molte meno valutazioni della funzione.

Storia

Le fondamenta della riduzione della varianza per la simulazione Monte Carlo furono poste negli anni '50. Kahn e Marshall (1953) introdussero il campionamento per importanza nel contesto del trasporto di particelle nucleari. Hammersley e Morton (1956) formalizzarono le varianti antitetiche come modo per sfruttare la simmetria negli input casuali. Le varianti di controllo furono sistematizzate da Lavenberg e Welch negli anni '80 per l'uso nella simulazione stocastica. La monografia di Paul Glasserman del 2003 unificò la teoria e la pratica di queste tecniche per l'ingegneria finanziaria, e il libro di testo di Sheldon Ross sulla simulazione le ha da allora rese una parte standard dell'istruzione di simulazione a livello di laurea. Oggi le tecniche sono centrali nella finanza computazionale, nell'ingegneria dell'affidabilità e in ogni campo in cui le esecuzioni di simulazione sono costose.

Quando usarlo

Utilizzare tecniche di riduzione della varianza quando il Monte Carlo standard fornisce un'accuratezza accettabile solo con un numero impraticabile di esecuzioni. AV è adatta per integrandi lisci e monotoni; CV è adatta per problemi in cui è disponibile una quantità ausiliaria correlata con media nota; IS è adatta per la stima di eventi rari o l'integrazione su code pesanti; la stratificazione è adatta per spazi di input a bassa dimensionalità. Tutte le tecniche richiedono almeno diverse centinaia — idealmente diverse migliaia — di iterazioni prima che il beneficio della riduzione della varianza diventi visibile. Sono appropriate per quantità casuali continue e per qualsiasi dominio applicativo in cui il costo della simulazione è il vincolo principale.

Limiti e considerazioni

  • Ogni tecnica richiede una conoscenza strutturale del problema: AV necessita di un integrando monotono, CV necessita di una media ausiliaria analiticamente nota, IS necessita di una distribuzione di proposta ben progettata.
  • Una distribuzione di proposta per il campionamento per importanza scelta male può aumentare la varianza anziché ridurla.
  • La combinazione di più tecniche aumenta la complessità di implementazione e può interagire in modi imprevisti.
  • Il beneficio della riduzione della varianza è trascurabile a conteggi di iterazione molto bassi (sotto circa 1.000 esecuzioni).

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Riduce sostanzialmente il numero di esecuzioni di simulazione necessarie per raggiungere un'accuratezza target, abbassando i costi computazionali.
  • Le tecniche possono essere combinate (ad es., AV con CV) per una riduzione della varianza composta.
  • Non viene introdotta alcuna distorsione: tutte le tecniche standard producono stimatori non distorti.
  • Ampiamente applicabile in diversi domini — finanza, ingegneria, sanità, ricerca operativa — ovunque venga utilizzata l'integrazione Monte Carlo.

Applicazioni

  • Prezzatura di opzioni nella finanza computazionale, dove il campionamento per importanza concentra le estrazioni sui percorsi in-the-money.
  • Analisi di affidabilità e rischio, dove le probabilità di guasto raro vengono stimate con molte meno esecuzioni di simulazione utilizzando IS.
  • Analisi delle prestazioni di sistemi di code e servizi utilizzando AV e CV per ridurre la lunghezza delle esecuzioni.
  • Simulazione di costo-efficacia sanitaria, dove CV sfrutta un'approssimazione analitica nota del modello di costo.
  • Progettazione ingegneristica in condizioni di incertezza, dove il campionamento stratificato assicura la copertura dello spazio dei parametri di input.

Come funziona

Come funziona

1

Iniziare esprimendo la quantità di interesse come un'aspettativa — ad esempio, la media di una funzione applicata a input casuali. Questa formulazione chiarisce da quale distribuzione di probabilità provengono i campioni e quale sia l'aspetto dello stimatore Monte Carlo grezzo prima che venga applicata qualsiasi riduzione della varianza.

2

Scegliere la tecnica che corrisponde alla struttura del problema. Le varianti antitetiche funzionano quando l'integrando è monotono rispetto all'input, quindi accoppiare ogni estrazione uniforme u con il suo complemento 1 − u garantisce correlazione negativa e annullamento degli errori. Le varianti di controllo funzionano quando esiste una quantità correlata con un'aspettativa analitica nota; lo stimatore viene aggiustato dalla differenza tra la media simulata del controllo e la sua media nota. Il campionamento per importanza funziona quando è necessario aumentare la probabilità di eventi rari o di alto peso; una distribuzione di proposta più pesante nelle code sostituisce quella originale, e ogni campione viene rivalutato in base al rapporto di verosimiglianza. La stratificazione divide lo spazio di input in strati e alloca le estrazioni proporzionalmente, assicurando che nessuna regione sia sovra- o sotto-campionata. Le tecniche possono essere combinate — ad esempio, CV e AV insieme — per risparmi aggiuntivi.

3

Estrarre campioni secondo la tecnica scelta. Per AV, generare coppie di estrazioni (u, 1 − u); per IS, estrarre dalla distribuzione di proposta e registrare i pesi di importanza; per la stratificazione, estrarre all'interno di ciascuno strato. Il numero di iterazioni dovrebbe essere almeno nell'ordine delle migliaia affinché i benefici della riduzione della varianza siano misurabili.

4

Aggregare i campioni in una stima puntuale e una stima della varianza. Per AV lo stimatore è la media dei valori della funzione accoppiati. Per CV la media grezza viene corretta dal coefficiente ottimale moltiplicato per la deviazione della media campionaria del controllo dalla sua aspettativa nota. Per IS ogni valutazione della funzione viene moltiplicata per il suo peso di importanza prima della media.

5

Confrontare la varianza dello stimatore a varianza ridotta con la varianza di uno stimatore Monte Carlo semplice con lo stesso numero di estrazioni. Il rapporto tra le due varianze — il fattore di riduzione della varianza — quantifica il guadagno. Se il fattore è vicino a 1, la tecnica non sta sfruttando la struttura del problema e potrebbe essere necessario un approccio diverso o più iterazioni.

Errori comuni

  • Utilizzare varianti antitetiche quando l'integrando non è monotono rispetto agli input: l'assunzione di correlazione negativa viene meno e il metodo potrebbe effettivamente aumentare la varianza.
  • Utilizzare una distribuzione di proposta per il campionamento per importanza che sia più leggera nelle code rispetto a quella target: gli eventi rari vengono sotto-campionati e la varianza dello stimatore può esplodere.
  • Stimare il coefficiente CV dallo stesso campione utilizzato per lo stimatore senza tenere conto della distorsione indotta per campioni di piccole dimensioni.
  • Eseguire poche iterazioni (meno di circa 1.000): il fattore di riduzione della varianza non può essere misurato in modo affidabile e il beneficio rispetto al Monte Carlo semplice è invisibile.
  • Combinare AV e CV senza verificare che la combinazione mantenga la correlazione negativa: lo stimatore congiunto potrebbe non raggiungere i risparmi attesi.

Domande frequenti

Quale tecnica dovrei scegliere — AV, CV, IS o stratificazione?

Scegliere in base alla struttura del proprio problema. Se l'integrando è monotono rispetto agli input, AV è semplice ed efficace. Se si dispone di una quantità correlata la cui aspettativa può essere calcolata analiticamente, CV è solitamente l'opzione più potente. Se è necessario stimare una probabilità di evento raro o integrare su code pesanti, IS è lo strumento giusto. La stratificazione funziona bene in dimensioni da basse a moderate quando si desidera una copertura uniforme dello spazio di input. Le tecniche possono anche essere combinate per guadagni aggiuntivi.

Quante esecuzioni di simulazione sono necessarie?

Il beneficio della riduzione della varianza diventa misurabile solo una volta che si hanno almeno diverse centinaia di esecuzioni; diverse migliaia è una soglia più affidabile. Con pochissime iterazioni il fattore di riduzione della varianza non può essere stimato stabilmente, e uno stimatore Monte Carlo semplice potrebbe effettivamente performare in modo comparabile. Come regola pratica, non utilizzare queste tecniche con meno di 1.000 iterazioni.

Le tecniche di riduzione della varianza possono introdurre distorsioni?

No — tutte e quattro le tecniche standard (AV, CV, IS, stratificazione) producono stimatori non distorti se implementate correttamente. Lo stimatore CV richiede una stima accurata del coefficiente ottimale; stimarlo da un piccolo campione pilota e riutilizzare lo stesso campione per la stima principale può introdurre una piccola distorsione per campioni finiti, quindi è buona norma utilizzare un pilota separato o una formula del coefficiente asintoticamente valida.

Cosa succede se la mia proposta per il campionamento per importanza è scelta male?

Una distribuzione di proposta troppo leggera nelle code rispetto a quella target può causare un aumento catastrofico della varianza, rendendo IS peggiore del Monte Carlo semplice. Verificare sempre che la proposta abbia code più pesanti della target nella regione pertinente, e controllare la varianza dei pesi di importanza come diagnostica — valori dei pesi estremamente grandi segnalano una proposta scadente.

Metodi correlati

Fonti

  1. Ross, S.M. (2012). Simulation (5th ed.). Academic Press.

    ISBN: 978-0124158252
    Copiato.
  2. Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer.

    Apri il riferimento DOI
    Copiato.