Стохастический сценарный анализ — Вероятностная многосценарная оценка в условиях неопределенности
- Автор метода
- Dantzig, G. B.; Birge, J. R.; and others in stochastic programming tradition
- Год
- 1955–1980s
- Тип
- Probabilistic scenario enumeration and evaluation
- Семейство
- Simulation / optimization
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Стохастический сценарный анализ оценивает систему или решение в рамках нескольких явно определенных сценариев, каждому из которых присваивается вероятность возникновения.
В отличие от детерминированного сценарного анализа, он распространяет неопределенность через распределения вероятностей и вычисляет ожидаемые результаты, дисперсию и метрики риска по всему пространству сценариев, предоставляя лицам, принимающим решения, структурированное представление о том, что может произойти и насколько вероятен каждый исход.
Интуиция метода
Представьте планирование инвестиций в инфраструктуру, когда будущий спрос неизвестен. Вместо выбора одного прогноза вы определяете набор правдоподобных будущих состояний — высокий рост, стагнация, разрушительные изменения — и присваиваете каждому вероятность на основе экспертных оценок или исторических данных. Затем вы оцениваете свое решение в каждом будущем состоянии, взвешиваете результаты по их вероятностям и вычисляете ожидаемую стоимость, подверженность наихудшему случаю и потенциал роста. Результатом является не одно число, а распределение последствий, помогающее выбрать стратегии, которые устойчивы в различных будущих состояниях, а не оптимальны только в ожидаемом случае.
История
Стохастический сценарный анализ возник на пересечении сценарного планирования, разработанного в RAND и Shell в 1950-х–1970-х годах, и стохастического программирования, формализованного Данцигом (Dantzig, 1955) и Билом (Beale, 1955). Область развивалась благодаря работам Бирджа, Луво и других в 1980-х–1990-х годах, получив широкое распространение в управлении финансовыми рисками, энергетическом планировании и климатической политике с 1990-х годов.
Когда применять
Используйте стохастический сценарный анализ, когда ключевые неопределенности могут быть сформулированы как управляемый набор дискретных будущих состояний, каждое из которых имеет значимую оценку вероятности — это распространено в стратегическом планировании, финансовом стресс-тестировании, адаптации к изменению климата и оценке государственной политики. Он особенно ценен, когда хвостовые риски имеют такое же значение, как и ожидаемая производительность. Избегайте его, когда количество релевантных сценариев слишком велико для осмысленного перечисления, когда оценки вероятностей полностью недоступны или бессмысленны (вместо этого используйте методы глубокой неопределенности, такие как робастное принятие решений), когда пространство решений является непрерывным и требует полной стохастической оптимизации, или когда результаты очень чувствительны к внутрисценарной параметрической неопределенности, которая сама по себе не моделируется.
Ограничения и замечания
- Результаты очень чувствительны к выбранному набору сценариев и присвоенным вероятностям; плохо калиброванные вероятности приводят к вводящим в заблуждение ожидаемым значениям.
- Дискретные наборы сценариев могут упускать важные промежуточные состояния или хвостовые результаты, не охваченные ни одним названным сценарием.
- По мере роста числа неопределенных факторов количество сценариев, необходимых для полного охвата, растет экспоненциально, что делает перечисление непрактичным.
- Метод не оптимизирует решения по своей сути; его сочетание с оптимизацией требует формулировок стохастического программирования, которые добавляют сложности.
- Донесение взвешенных по вероятности результатов до нетехнической аудитории может быть затруднено, когда заинтересованные стороны зацикливаются на наихудшем сценарии независимо от его вероятности.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Делает неопределенность явной и прозрачной, называя и количественно определяя различные будущие состояния, а не скрывая ее в точечных оценках.
- Производит богатые метрики риска, включая ожидаемое значение, дисперсию и статистику хвостовых рисков, которые поддерживают как критерии принятия решений, основанные на ожидаемом значении, так и на неприятии риска.
- Вычислительно управляем для умеренного количества сценариев, что позволяет использовать сложные модели результатов в каждом сценарии.
- Естественно доносит результаты до заинтересованных сторон через названные сценарии с конкретными нарративами и взвешенными по вероятности сводками.
- Легко интегрируется с моделями оптимизации (стохастическое программирование), когда необходимо выбрать формальную переменную решения.
- Поддерживает анализ сожаления и идентификацию робастных стратегий, помогая лицам, принимающим решения, хеджировать риски наихудших сценариев.
Применение
- Стресс-тестирование финансового портфеля и оценка стоимости под риском в макроэкономических сценариях.
- Планирование адаптации к изменению климата с оценкой инвестиций в инфраструктуру по сценариям выбросов и температуры.
- Распределение ресурсов здравоохранения в условиях неопределенных траекторий эпидемий.
- Планирование энергетических систем в условиях неопределенных цен на топливо, роста спроса и политической среды.
- Оценка устойчивости цепочки поставок в условиях сценариев сбоев, включая отказ поставщика и шоки спроса.
- Оценка государственной политики, где вмешательства оцениваются в оптимистических, базовых и пессимистических будущих состояниях.
Как это работает
Как это работает
Определите конечное множество дискретных сценариев S = {s1, s2, ..., sK}, которые представляют структурно различные будущие состояния или состояния мира. Сценарии должны быть взаимоисключающими, совместно исчерпывающими в рамках анализа и обусловленными ключевыми неопределенными факторами. На практике K варьируется от 3 до 20; при большем количестве страдает интерпретируемость.
Присвойте вероятность p(sk) каждому сценарию так, чтобы все вероятности были неотрицательными и в сумме давали 1. Вероятности могут быть получены путем экспертной оценки, анализа исторической частоты или байесовского обновления. Когда вероятности глубоко неопределенны, анализ чувствительности к весам вероятностей является обязательным.
Для каждого сценария sk вычислите вектор результатов или метрику производительности f(x, sk) для каждой альтернативы решения или политики x. Этот шаг сам по себе может включать имитационную модель, подзадачу оптимизации или аналитическую формулу в зависимости от области применения.
Вычислите ожидаемое значение E[f] = sum_k p(sk) * f(x, sk) и меры риска, такие как дисперсия Var[f], условная стоимость под риском CVaR или вероятности превышения P(f > threshold). Постройте распределения результатов и таблицы производительности по сценариям для сравнения альтернатив.
Интерпретируйте результаты, выявляя доминирующие стратегии (хорошие в большинстве сценариев), хрупкие стратегии (оптимальные в ожидании, но катастрофические в экстремальных сценариях) и устойчивые стратегии (приемлемые во всех сценариях). Используйте критерии стохастического доминирования или минимизации сожаления для выбора предпочтительной альтернативы.
Частые ошибки
- Рассмотрение вероятностей сценариев как точных, когда они являются грубыми предположениями — всегда сообщайте о чувствительности выводов к присвоению вероятностей.
- Выбор сценариев для подтверждения предпочтительного результата, а не для охвата подлинного пространства неопределенности, что подрывает доверие к анализу.
- Игнорирование внутрисценарной неопределенности путем рассмотрения каждого сценария как детерминированного, когда параметры внутри сценария сами по себе изменчивы.
- Сообщение только ожидаемых значений и игнорирование метрик хвостового риска, что может маскировать стратегии с катастрофическим риском снижения.
- Смешение вероятности сценария с правдоподобностью сценария — сценарий с низкой вероятностью все еще может требовать смягчения, если его воздействие серьезно.
Часто задаваемые вопросы
Чем стохастический сценарный анализ отличается от обычного сценарного анализа?
Обычный (детерминированный) сценарный анализ оценивает результаты в нескольких названных будущих состояниях, но формально не присваивает им вероятности, поэтому он не может вычислять ожидаемые значения или статистику риска. Стохастический сценарный анализ явно присваивает вероятности каждому сценарию и агрегирует результаты в взвешенные по вероятности метрики, что позволяет формально количественно оценивать риск.
Сколько сценариев мне следует определить?
От трех до семи сценариев типично для стратегических приложений; более десяти становится трудно интерпретировать и доносить. Ключевым моментом является то, что сценарии должны охватывать правдоподобное пространство результатов без чрезмерного перекрытия. Когда неопределенность непрерывна, моделирование Монте-Карло с использованием распределений вероятностей может быть предпочтительнее дискретного перечисления сценариев.
Что делать, если я не могу присвоить значимые вероятности сценариям?
Если вероятности принципиально неизвестны, метод переходит в анализ глубокой неопределенности. Такие методы, как робастное принятие решений (RDM) или анализ информационного разрыва, лучше подходят, когда оценки вероятностей не заслуживают доверия. Вы также можете провести стохастический сценарный анализ в диапазоне присвоений вероятностей, чтобы проверить, чувствительны ли к ним выводы.
Можно ли сочетать стохастический сценарный анализ с оптимизацией?
Да. Когда формальная переменная решения должна быть выбрана до того, как сценарии будут раскрыты, проблема становится двухэтапной или многоэтапной стохастической программой: первый этап выбирает решение «здесь и сейчас»; последующие этапы адаптируются к тому сценарию, который развернется. Такое формулирование поддерживается программным обеспечением, таким как GAMS, Pyomo и специализированными решателями стохастического программирования.
Как мне проверить набор сценариев?
Проверка включает проверку того, что сценарии внутренне согласованы, совместно охватывают ключевое пространство неопределенности и основаны на предметных знаниях или исторических данных. Экспертные группы по обзору, анализ перекрестного воздействия и сравнение с историческими частотными распределениями аналогичных ситуаций являются распространенными подходами к проверке.
Похожие методы
Источники
Birge, J. R., Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.
ISBN: 9781461402374Скопировано.Lempert, R. J., Popper, S. W., Bankes, S. C. (2003). Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis. RAND Corporation.
Открыть ссылку на публикациюСкопировано.