Skip to content
Voltar aos resultados

Técnicas de Redução de Variância para Simulação de Monte Carlo

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

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Técnicas de redução de variância são uma família de métodos que melhoram a eficiência da simulação de Monte Carlo, alcançando a mesma precisão de estimação com menos sorteios aleatórios.

Desenvolvida incrementalmente a partir da década de 1950 — com variâncias antitéticas atribuídas a Hammersley e Morton, variâncias de controle formalizadas por Lavenberg e Welch, e amostragem por importância enraizada em Kahn e Marshall — a família inclui variâncias antitéticas (AV), variâncias de controle (CV), amostragem por importância (IS) e estratificação, cada uma explorando uma propriedade estrutural diferente da quantidade alvo para reduzir a variância do estimador sem introduzir viés.

A intuição por trás do método

A Monte Carlo padrão funciona calculando a média de um grande número de sorteios aleatórios independentes. Sua fraqueza é que sorteios puramente aleatórios podem ser redundantes — muitos sorteios caem em regiões que contribuem com pouca informação, e erros positivos e negativos não se cancelam eficientemente. Técnicas de redução de variância corrigem isso projetando a aleatoriedade. Variâncias antitéticas pareiam cada sorteio com sua imagem espelhada para que os erros tendam a se cancelar; variâncias de controle ajustam a estimação usando uma quantidade correlacionada cuja média verdadeira é conhecida; amostragem por importância concentra os sorteios onde eles mais importam; e estratificação garante que a amostragem cubra o espaço de entrada uniformemente. O benefício é a mesma precisão com muito menos avaliações de função.

História

Os fundamentos da redução de variância para simulação de Monte Carlo foram estabelecidos na década de 1950. Kahn e Marshall (1953) introduziram a amostragem por importância no contexto do transporte de partículas nucleares. Hammersley e Morton (1956) formalizaram as variâncias antitéticas como uma forma de explorar a simetria em entradas aleatórias. As variâncias de controle foram sistematizadas por Lavenberg e Welch na década de 1980 para uso em simulação estocástica. A monografia de Paul Glasserman em 2003 unificou a teoria e a prática dessas técnicas para engenharia financeira, e o livro de Sheldon Ross sobre simulação as tornou parte padrão da educação de pós-graduação em simulação. Hoje, as técnicas são centrais para finanças computacionais, engenharia de confiabilidade e qualquer campo onde as execuções de simulação sejam caras.

Quando usar

Use técnicas de redução de variância quando a Monte Carlo padrão oferece precisão aceitável apenas com um número impraticável de execuções. AV é adequada para integrandos suaves e monótonos; CV é adequada para problemas onde uma quantidade auxiliar correlacionada com média conhecida está disponível; IS é adequada para estimação de eventos raros ou integração sobre caudas pesadas; estratificação é adequada para espaços de entrada de baixa dimensão. Todas as técnicas requerem pelo menos centenas — idealmente milhares — de iterações antes que o benefício da redução de variância se torne visível. Elas são apropriadas para quantidades aleatórias contínuas e para qualquer domínio de aplicação onde o custo da simulação seja a restrição limitante.

Limitações e considerações

  • Cada técnica requer conhecimento estrutural do problema: AV necessita de um integrando monótono, CV necessita de uma média auxiliar analiticamente conhecida, IS necessita de uma distribuição de proposta bem projetada.
  • Uma distribuição de proposta mal escolhida para amostragem por importância pode aumentar a variância em vez de reduzi-la.
  • A combinação de múltiplas técnicas aumenta a complexidade de implementação e pode interagir de maneiras inesperadas.
  • O benefício da redução de variância é negligenciável em contagens de iteração muito baixas (abaixo de ~1.000 execuções).

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Reduz substancialmente o número de execuções de simulação necessárias para atingir a precisão desejada, diminuindo o custo computacional.
  • As técnicas podem ser combinadas (por exemplo, AV com CV) para redução de variância composta.
  • Nenhum viés é introduzido: todas as técnicas padrão produzem estimadores não enviesados.
  • Amplamente aplicável em diversos domínios — finanças, engenharia, saúde, pesquisa operacional — onde quer que a integração de Monte Carlo seja usada.

Aplicações

  • Precificação de opções em finanças computacionais, onde a amostragem por importância concentra sorteios em caminhos lucrativos (in-the-money).
  • Análise de confiabilidade e risco, onde probabilidades de falha raras são estimadas com muito menos execuções de simulação usando IS.
  • Análise de desempenho de filas e sistemas de serviço usando AV e CV para reduzir o tempo de execução.
  • Simulação de custo-efetividade em saúde, onde CV explora uma aproximação analítica conhecida do modelo de custo.
  • Projeto de engenharia sob incerteza, onde a amostragem estratificada garante cobertura em todo o espaço de parâmetros de entrada.

Como funciona

Como funciona

1

Comece expressando a quantidade de interesse como uma esperança — por exemplo, a média de uma função aplicada a entradas aleatórias. Essa formulação deixa claro de qual distribuição de probabilidade vêm as amostras e como é o estimador Monte Carlo bruto antes que qualquer redução de variância seja aplicada.

2

Escolha a técnica que corresponda à estrutura do problema. Variâncias antitéticas funcionam quando o integrando é monótono na entrada, de modo que parear cada sorteio uniforme u com seu complemento 1 − u garante correlação negativa e cancelamento de erros. Variâncias de controle funcionam quando existe uma quantidade correlacionada com uma esperança analítica conhecida; o estimador é ajustado pela diferença entre a média simulada do controle e sua média conhecida. Amostragem por importância funciona quando a probabilidade de eventos raros ou de alto peso precisa ser aumentada; uma distribuição de proposta mais pesada nas caudas substitui a original, e cada amostra é reponderada pela razão de verossimilhança. Estratificação divide o espaço de entrada em estratos e aloca sorteios proporcionalmente, garantindo que nenhuma região seja super ou sub-amostrada. As técnicas podem ser combinadas — por exemplo, CV e AV juntas — para economias adicionais.

3

Gere amostras de acordo com a técnica escolhida. Para AV, gere pares de sorteios (u, 1 − u); para IS, sorteie da distribuição de proposta e registre os pesos de importância; para estratificação, sorteie dentro de cada estrato. O número de iterações deve ser de pelo menos milhares para que os benefícios da redução de variância sejam mensuráveis.

4

Agregue as amostras em uma estimação pontual e uma estimação de variância. Para AV, o estimador é a média dos valores de função pareados. Para CV, a média bruta é corrigida pelo coeficiente ótimo vezes o desvio da média da amostra do controle de sua esperança conhecida. Para IS, cada avaliação de função é multiplicada por seu peso de importância antes da média.

5

Compare a variância do estimador com variância reduzida contra a variância de um estimador Monte Carlo simples com o mesmo número de sorteios. A razão entre as duas variâncias — o fator de redução de variância — quantifica o ganho. Se o fator for próximo de 1, a técnica não está explorando a estrutura do problema e uma abordagem diferente ou mais iterações podem ser necessárias.

Erros comuns

  • Usar variâncias antitéticas quando o integrando não é monótono nas entradas: a suposição de correlação negativa falha e o método pode, na verdade, aumentar a variância.
  • Usar uma distribuição de proposta de amostragem por importância que seja mais leve nas caudas do que a alvo: eventos raros são sub-amostrados e a variância do estimador pode explodir.
  • Estimar o coeficiente CV a partir da mesma amostra usada para o estimador sem levar em conta o viés induzido em tamanhos de amostra pequenos.
  • Executar poucas iterações (abaixo de ~1.000): o fator de redução de variância não pode ser medido de forma confiável, e o benefício sobre a Monte Carlo simples é invisível.
  • Combinar AV e CV sem verificar se a combinação mantém a correlação negativa: o estimador conjunto pode não atingir a economia esperada.

Perguntas frequentes

Qual técnica devo escolher — AV, CV, IS ou estratificação?

Escolha com base na estrutura do seu problema. Se o integrando for monótono nas entradas, AV é simples e eficaz. Se você tiver uma quantidade relacionada cuja esperança possa ser calculada analiticamente, CV é geralmente a opção mais poderosa. Se você precisar estimar uma probabilidade de evento raro ou integrar sobre caudas pesadas, IS é a ferramenta certa. A estratificação funciona bem em dimensões baixas a moderadas quando você deseja cobertura uniforme do espaço de entrada. As técnicas também podem ser combinadas para ganhos adicionais.

Quantas execuções de simulação são necessárias?

O benefício da redução de variância só se torna mensurável quando você tem pelo menos algumas centenas de execuções; milhares é um limiar mais confiável. Com pouquíssimas iterações, o fator de redução de variância não pode ser estimado de forma estável, e um estimador Monte Carlo simples pode, na verdade, ter desempenho comparável. Como regra prática, não use essas técnicas com menos de 1.000 iterações.

A redução de variância pode introduzir viés?

Não — todas as quatro técnicas padrão (AV, CV, IS, estratificação) produzem estimadores não enviesados quando implementadas corretamente. O estimador CV requer uma estimativa precisa do coeficiente ótimo; estimá-lo a partir de uma pequena amostra piloto e reutilizar essa mesma amostra para a estimação principal pode introduzir um pequeno viés de amostra finita, portanto, é uma boa prática usar uma amostra piloto separada ou uma fórmula de coeficiente assintoticamente válida.

O que acontece se minha proposta de amostragem por importância for mal escolhida?

Uma distribuição de proposta que é muito leve nas caudas em relação à alvo pode causar um aumento catastrófico na variância, tornando IS pior do que Monte Carlo simples. Sempre verifique se a proposta tem caudas mais pesadas do que a alvo na região relevante e verifique a variância dos pesos de importância como um diagnóstico — valores de peso extremamente grandes sinalizam uma proposta ruim.

Métodos relacionados

Fontes

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

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

    Abrir referência DOI
    Copiado.