Skip to content
検索結果に戻る

モンテカルロシミュレーションのための分散削減技術

提唱者
Hammersley & Morton (antithetic variates, 1956); Lavenberg & Welch (control variates, 1981); importance sampling roots in Kahn & Marshall (1953)
年
1950s–1980s (technique family)
種類
Simulation variance-reduction technique family

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

分散削減技術は、より少ない乱数引きで同じ推定精度を達成することにより、モンテカルロシミュレーションの効率を改善する手法群である。1950年代以降、段階的に開発され、アンチセティック変動はHammersleyとMortonに、制御変動はLavenbergとWelchによって形式化され、重要度サンプリングはKahnとMarshallに根ざしている。この手法群には、アンチセティック変動(AV)、制御変動(CV)、重要度サンプリング(IS)、層化が含まれ、それぞれが推定量の分散を低減するために、バイアスを導入することなく、対象量の異なる構造的特性を利用している。

手法の背後にある直感

標準的なモンテカルロ法は、多数の独立した乱数引きの平均を取ることによって機能する。その弱点は、純粋な乱数引きが冗長であることである。多くの引きがほとんど情報に寄与しない領域に着地し、正と負のエラーが効率的に相殺されない。分散削減技術は、ランダム性を操作することによってこれを修正する。アンチセティック変動は、各引きとその鏡像をペアにしてエラーが相殺されるようにする。制御変動は、真の平均が既知の相関のある量を使用して推定値を調整する。重要度サンプリングは、最も重要な場所に引きを集中させる。層化は、サンプリングが入空間を均等にカバーすることを保証する。その結果、はるかに少ない関数評価で同じ精度が得られる。

歴史学

モンテカルロシミュレーションのための分散削減の基礎は1950年代に築かれた。KahnとMarshall(1953)は、核粒子輸送の文脈で重要度サンプリングを導入した。HammersleyとMorton(1956)は、ランダム入力の対称性を利用する方法としてアンチセティック変動を形式化した。制御変動は、確率的シミュレーションでの使用のために1980年代にLavenbergとWelchによって体系化された。Paul Glassermanの2003年のモノグラフは、金融工学におけるこれらの技術の理論と実践を統合し、その後、Sheldon Rossのシミュレーションに関する教科書は、それらを大学院シミュレーション教育の標準的な部分とした。今日、これらの技術は計算金融、信頼性工学、およびシミュレーション実行が高価なあらゆる分野の中心となっている。

使うべき場面

標準的なモンテカルロ法で実用不可能なほど多数の実行でしか許容可能な精度が得られない場合に、分散削減技術を使用する。AVは滑らかで単調な被積分関数に適している。CVは、既知の平均を持つ相関のある補助量が利用可能な問題に適している。ISは、まれなイベントの推定または重い尾部での積分に適している。層化は、低次元の入力空間に適している。すべての技術は、分散削減の利点が目に見えるようになる前に、少なくとも数百回、理想的には数千回の反復を必要とする。これらは連続的な確率変数や、シミュレーションコストが制約となるあらゆる応用分野に適している。

限界と注意点

  • 各技術は問題の構造的知識を必要とする。AVは単調な被積分関数を必要とし、CVは解析的に既知の補助平均を必要とし、ISは適切に設計された提案分布を必要とする。
  • 重要度サンプリングのための提案分布の選択が不適切だと、分散を削減するどころか増加させる可能性がある。
  • 複数の技術を組み合わせると、実装の複雑さが増し、予期せぬ相互作用を引き起こす可能性がある。
  • 非常に少ない反復回数(約1,000回未満)では、分散削減の利点は無視できるほど小さい。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 目標精度に到達するために必要なシミュレーション実行回数を大幅に削減し、計算コストを低減する。
  • 技術は組み合わせて使用できる(例:AVとCV)ことで、分散削減効果を compounding できる。
  • バイアスは導入されない。すべての標準的な技術は、無バイアス推定量を生成する。
  • モンテカルロ積分が使用されるあらゆる分野、すなわち金融、工学、ヘルスケア、オペレーションズリサーチなど、広範な領域に適用可能である。

応用

  • 金融計算におけるオプション価格設定。重要度サンプリングにより、インザマネーパスへの引きを集中させる。
  • 信頼性およびリスク分析。まれな故障確率をISを使用してはるかに少ないシミュレーション実行回数で推定する。
  • キューイングおよびサービスシステム性能分析。AVおよびCVを使用して実行長を短縮する。
  • ヘルスケアの費用対効果シミュレーション。CVは、コストモデルの既知の解析的近似を利用する。
  • 不確実性下の工学設計。層化サンプリングにより、入力パラメータ空間全体を均一にカバーする。

使い方

使い方

1

まず、関心のある量を期待値として表現することから始める。例えば、ランダムな入力に適用された関数の平均値である。この枠組みにより、サンプルがどの確率分布から来ているのか、そして分散削減が適用される前の生のモンテカルロ推定量がどのように見えるのかが明確になる。

2

問題の構造に合った技術を選択する。アンチセティック変動は、被積分関数が入力に対して単調である場合に機能し、各一様分布の引きuとその補数1-uをペアにすることで、負の相関とエラーの相殺が保証される。制御変動は、既知の解析的期待値を持つ相関のある量が存在する場合に機能する。推定量は、制御変数のシミュレートされた平均とその既知の平均との差によって調整される。重要度サンプリングは、まれなイベントまたは重み付きイベントの確率を高める必要がある場合に機能する。尾部が重い提案分布が元の分布を置き換え、各サンプルは尤度比によって再重み付けされる。層化は、入力空間を層に分割し、比例配分で引きを割り当て、どの領域も過剰または過小にサンプリングされないようにする。技術は組み合わせて使用することもできる。例えば、追加の節約のためにCVとAVを組み合わせる。

3

選択した技術に従ってサンプルを生成する。AVの場合は、ペアになった引き(u、1-u)を生成する。ISの場合は、提案分布から引き、重要度重みを記録する。層化の場合は、各層内で引きを生成する。分散削減の利点が測定可能になるには、少なくとも数千回の反復が必要である。

4

サンプルを点推定値と分散推定値に集計する。AVの場合、推定量はペアになった関数値の平均である。CVの場合、生の平均は、制御変数のサンプル平均とその既知の期待値からの偏差に最適な係数を掛けたもので補正される。ISの場合、各関数評価は、平均化する前にその重要度重みを掛ける。

5

同じ数の引きで、分散削減された推定量の分散と、通常のモンテカルロ推定量の分散を比較する。2つの分散の比率、すなわち分散削減係数は、得られた利益を定量化する。係数が1に近い場合、その技術は問題の構造を利用しておらず、異なるアプローチまたはより多くの反復が必要になる可能性がある。

よくある落とし穴

  • 被積分関数が入力に対して単調でない場合にアンチセティック変動を使用すると、負の相関の仮定が崩れ、実際には分散が増加する可能性がある。
  • 重要度サンプリングの提案分布が、対象分布よりも尾部が軽い場合、まれなイベントのサンプリングが不十分になり、推定量の分散が爆発する可能性がある。
  • 推定量のバイアスを考慮せずに、推定に使用するのと同じサンプルからCV係数を推定すること(特に小標本サイズの場合)。
  • 反復回数が少なすぎる(約1,000回未満)場合:分散削減係数を安定して測定できず、通常のモンテカルロ法に対する利点は目に見えない。
  • 組み合わせた場合に負の相関が維持されることを確認せずにAVとCVを組み合わせること:結合推定量が期待される節約を達成できない可能性がある。

よくある質問

どの技術を選択すべきか — AV、CV、IS、または層化?

問題の構造に基づいて選択してください。被積分関数が入力に対して単調であれば、AVは簡単で効果的です。解析的に期待値を計算できる関連する量がある場合は、通常、CVが最も強力なオプションです。まれなイベントの確率を推定したり、重い尾部を積分したりする必要がある場合は、ISが適切なツールです。層化は、入力空間の均一なカバレッジが必要な低次元から中程度の次元でうまく機能します。追加の利益のために技術を組み合わせることもできます。

いくつのシミュレーション実行が必要か?

分散削減の利点は、少なくとも数百回の実行、より確実に数千回の実行があって初めて測定可能になります。反復回数が非常に少ない場合、分散削減係数を安定して推定できず、通常のモンテカルロ法と同等の性能になる可能性があります。実用的なルールとして、1,000回未満の反復ではこれらの技術を使用しないでください。

分散削減技術はバイアスを導入するか?

いいえ — 4つの標準的な技術(AV、CV、IS、層化)はすべて、正しく実装されれば無バイアス推定量を生成します。CV推定量は最適な係数の正確な推定値を必要とします。小標本で推定し、同じ標本をメイン推定に使用すると、有限標本バイアスがわずかに導入される可能性があるため、別のパイロットサンプルを使用するか、漸近的に有効な係数式を使用するのが最善の実践です。

重要度サンプリングの提案が不適切に選択された場合はどうなるか?

対象分布に対して尾部が軽すぎる提案分布は、分散の壊滅的な増加を引き起こし、ISを通常のモンテカルロ法よりも悪化させる可能性があります。常に、提案分布が関連領域で対象分布よりも重い尾部を持っていることを確認し、重要度重みの分散を診断としてチェックしてください。極端に大きい重み値は、不適切な提案を示します。

関連する手法

参考文献

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

    ISBN:978-0124158252
    コピーしました。
  2. Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer.

    DOI 文献を開く
    コピーしました。