Методы снижения дисперсии для моделирования методом Монте-Карло
- Автор метода
- Hammersley & Morton (antithetic variates, 1956); Lavenberg & Welch (control variates, 1981); importance sampling roots in Kahn & Marshall (1953)
- Год
- 1950s–1980s (technique family)
- Тип
- Simulation variance-reduction technique family
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Методы снижения дисперсии представляют собой семейство методов, которые повышают эффективность моделирования методом Монте-Карло, достигая той же точности оценки при меньшем количестве случайных выборок.
Разработанные постепенно с 1950-х годов — с антитетическими вариатами, приписываемыми Хэммерсли и Мортону, контрольными вариатами, формализованными Лавенбергом и Уэлчем, и выбором по значимости, уходящим корнями в работы Канна и Маршалла, — семейство включает антитетические вариаты (AV), контрольные вариаты (CV), выборку по значимости (IS) и стратификацию, каждый из которых использует различное структурное свойство целевой величины для снижения дисперсии оценщика без внесения смещения.
Интуиция метода
Стандартное моделирование методом Монте-Карло работает путем усреднения большого количества независимых случайных выборок. Его слабость заключается в том, что чисто случайные выборки могут быть избыточными — многие выборки попадают в области, которые дают мало информации, а положительные и отрицательные ошибки не компенсируются эффективно. Методы снижения дисперсии исправляют это путем инженерии случайности. Антитетические вариаты сопоставляют каждую выборку с ее зеркальным отражением, так что ошибки имеют тенденцию к компенсации; контрольные вариаты корректируют оценку с использованием коррелированной величины, истинное среднее которой известно; выборка по значимости концентрирует выборки там, где они наиболее важны; стратификация обеспечивает равномерное покрытие пространства входных данных. Выигрыш заключается в той же точности при гораздо меньшем количестве вычислений функции.
История
Основы снижения дисперсии для моделирования методом Монте-Карло были заложены в 1950-х годах. Канн и Маршалл (1953) ввели выборку по значимости в контексте переноса ядерных частиц. Хэммерсли и Мортон (1956) формализовали антитетические вариаты как способ использования симметрии в случайных входных данных. Контрольные вариаты были систематизированы Лавенбергом и Уэлчем в 1980-х годах для использования в стохастическом моделировании. Монография Пола Глассермана 2003 года объединила теорию и практику этих методов для финансовой инженерии, а учебник Шелдона Росса по моделированию с тех пор сделал их стандартной частью последипломного образования в области моделирования. Сегодня эти методы являются центральными в вычислительных финансах, инженерии надежности и любой области, где симуляционные запуски являются дорогостоящими.
Когда применять
Используйте методы снижения дисперсии, когда стандартное моделирование методом Монте-Карло дает приемлемую точность только при непрактично большом количестве запусков. AV подходит для гладких, монотонных подынтегральных функций; CV подходит для задач, где доступна коррелированная вспомогательная величина с известным средним; IS подходит для оценки редких событий или интегрирования по тяжелым хвостам; стратификация подходит для низкоразмерных пространств входных данных. Все методы требуют по крайней мере нескольких сотен — в идеале нескольких тысяч — итераций, прежде чем станет заметным преимущество снижения дисперсии. Они подходят для непрерывных случайных величин и для любой области применения, где стоимость моделирования является ограничивающим фактором.
Ограничения и замечания
- Каждый метод требует структурного знания задачи: AV требует монотонной подынтегральной функции, CV требует аналитически известного среднего вспомогательной величины, IS требует хорошо разработанного распределения предложений.
- Плохо выбранное распределение предложений для выборки по значимости может увеличить дисперсию вместо ее снижения.
- Комбинирование нескольких методов повышает сложность реализации и может взаимодействовать неожиданным образом.
- Преимущество снижения дисперсии незначительно при очень малом количестве итераций (менее ~1000 запусков).
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Существенно сокращает количество необходимых симуляционных запусков для достижения целевой точности, снижая вычислительные затраты.
- Методы могут быть объединены (например, AV с CV) для составного снижения дисперсии.
- Не вносится смещение: все стандартные методы дают несмещенные оценщики.
- Широко применимы в различных областях — финансы, инженерия, здравоохранение, исследование операций — везде, где используется интегрирование методом Монте-Карло.
Применение
- Оценка опционов в вычислительных финансах, где выборка по значимости концентрирует выборки на путях, приносящих прибыль.
- Анализ надежности и рисков, где вероятности редких отказов оцениваются с гораздо меньшим количеством симуляционных запусков с использованием IS.
- Анализ производительности очередей и систем обслуживания с использованием AV и CV для сокращения длины запуска.
- Моделирование экономической эффективности в здравоохранении, где CV использует известное аналитическое приближение к модели затрат.
- Проектирование инженерных конструкций при неопределенности, где стратифицированная выборка обеспечивает покрытие пространства входных параметров.
Как это работает
Как это работает
Начните с выражения интересующей величины в виде математического ожидания — например, среднего значения функции, примененной к случайным входным данным. Такая постановка четко определяет, из какого распределения вероятностей берутся выборки, и как выглядит исходный оценщик Монте-Карло до применения какого-либо снижения дисперсии.
Выберите метод, соответствующий структуре задачи. Антитетические вариаты работают, когда подынтегральная функция монотонна по входным данным, поэтому сопоставление каждой равномерной выборки u с ее дополнением 1 − u гарантирует отрицательную корреляцию и компенсацию ошибок. Контрольные вариаты работают, когда существует коррелированная величина с известным аналитическим математическим ожиданием; оценщик корректируется на разницу между выборочным средним контрольной величины и ее известным средним. Выборка по значимости работает, когда необходимо увеличить вероятность редких или высоковесомых событий; вместо исходного используется распределение предложений с более тяжелыми хвостами, и каждая выборка перевзвешивается отношением правдоподобия. Стратификация делит пространство входных данных на страты и пропорционально распределяет выборки, гарантируя, что ни одна область не будет пере- или недовыбрана. Методы могут быть объединены — например, CV и AV вместе — для дополнительной экономии.
Сделайте выборки в соответствии с выбранным методом. Для AV генерируйте парные выборки (u, 1 − u); для IS выбирайте из распределения предложений и записывайте веса значимости; для стратификации выбирайте выборки внутри каждой страты. Количество итераций должно быть не менее нескольких тысяч, чтобы преимущества снижения дисперсии стали измеримыми.
Агрегируйте выборки в точечную оценку и оценку дисперсии. Для AV оценщиком является среднее значение парных значений функции. Для CV исходное среднее корректируется на оптимальный коэффициент, умноженный на отклонение выборочного среднего контрольной величины от ее известного математического ожидания. Для IS каждое значение функции умножается на его вес значимости перед усреднением.
Сравните дисперсию оценщика со сниженной дисперсией с дисперсией простого оценщика Монте-Карло при том же количестве выборок. Отношение двух дисперсий — фактор снижения дисперсии — количественно определяет выигрыш. Если фактор близок к 1, метод не использует структурные особенности задачи, и может потребоваться другой подход или большее количество итераций.
Частые ошибки
- Использование антитетических вариат для случаев, когда подынтегральная функция не является монотонной по входным данным: предположение об отрицательной корреляции нарушается, и метод может фактически увеличить дисперсию.
- Использование распределения предложений для выборки по значимости, которое имеет более легкие хвосты, чем целевое распределение: редкие события недопредставлены, и дисперсия оценщика может взлететь.
- Оценка коэффициента CV по той же выборке, что используется для оценщика, без учета индуцированного смещения при малых размерах выборки.
- Выполнение слишком малого количества итераций (менее ~1000): фактор снижения дисперсии невозможно надежно оценить, и преимущество перед простым методом Монте-Карло невидимо.
- Комбинирование AV и CV без проверки того, что комбинация сохраняет отрицательную корреляцию: составной оценщик может не достичь ожидаемой экономии.
Часто задаваемые вопросы
Какой метод мне следует выбрать — AV, CV, IS или стратификацию?
Выбирайте исходя из структуры вашей задачи. Если подынтегральная функция монотонна по входным данным, AV прост и эффективен. Если у вас есть связанная величина, математическое ожидание которой вы можете вычислить аналитически, CV обычно является наиболее мощным вариантом. Если вам нужно оценить вероятность редкого события или интегрировать по тяжелым хвостам, IS — правильный инструмент. Стратификация хорошо работает в низких и умеренных размерностях, когда вам нужно равномерное покрытие пространства входных данных. Методы также могут быть объединены для получения дополнительных преимуществ.
Сколько симуляционных запусков мне нужно?
Преимущество снижения дисперсии становится измеримым только после того, как у вас будет как минимум несколько сотен запусков; несколько тысяч — более надежный порог. При очень малом количестве итераций фактор снижения дисперсии невозможно стабильно оценить, и простой оценщик Монте-Карло может фактически работать сопоставимо. В качестве практического правила, не используйте эти методы менее чем с 1000 итераций.
Могут ли методы снижения дисперсии вносить смещение?
Нет — все четыре стандартных метода (AV, CV, IS, стратификация) дают несмещенные оценщики при правильной реализации. Оценщик CV требует точной оценки оптимального коэффициента; его оценка по малой пилотной выборке и повторное использование той же выборки для основной оценки может внести небольшое смещение конечной выборки, поэтому лучшей практикой является использование отдельной пилотной выборки или асимптотически валидной формулы коэффициента.
Что произойдет, если мое распределение предложений для выборки по значимости выбрано плохо?
Распределение предложений, которое имеет слишком легкие хвосты по сравнению с целевым, может вызвать катастрофическое увеличение дисперсии, делая IS хуже, чем простой метод Монте-Карло. Всегда проверяйте, что распределение предложений имеет более тяжелые хвосты, чем целевое в соответствующей области, и проверяйте дисперсию весов значимости в качестве диагностического средства — чрезвычайно большие значения весов сигнализируют о плохом предложении.
Похожие методы
Источники
Ross, S.M. (2012). Simulation (5th ed.). Academic Press.
ISBN: 978-0124158252Скопировано.Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer.
Открыть ссылку DOIСкопировано.