Monte Carlo Simülasyonu için Varyans Azaltma Teknikleri
- Ortaya koyan
- Hammersley & Morton (antithetic variates, 1956); Lavenberg & Welch (control variates, 1981); importance sampling roots in Kahn & Marshall (1953)
- Yıl
- 1950s–1980s (technique family)
- Tür
- Simulation variance-reduction technique family
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Varyans azaltma teknikleri, daha az rassal çekimle aynı tahmin doğruluğunu elde ederek Monte Carlo simülasyonunun verimliliğini artıran bir yöntem ailesidir. 1950'lerden itibaren aşamalı olarak geliştirilen — antitetik değişkenler Hammersley ve Morton'a, kontrol değişkenleri Lavenberg ve Welch tarafından biçimlendirilen ve önem örneklemesi Kahn ve Marshall'a dayanan — bu aile, hedef niceliğin farklı bir yapısal özelliğinden yararlanarak yanlılık (bias) olmaksızın tahminci varyansını düşüren antitetik değişkenler (AV), kontrol değişkenleri (CV), önem örneklemesi (IS) ve tabakalama (stratification) yöntemlerini içerir.
Yöntemin mantığı
Standart Monte Carlo, çok sayıda bağımsız rassal çekimin ortalamasını alarak çalışır. Zayıflığı, tamamen rassal çekimlerin gereksiz olabilmesidir — birçok çekim az bilgi sağlayan bölgelere düşer ve pozitif ile negatif hatalar verimli bir şekilde birbirini götürmez. Varyans azaltma teknikleri, rassallığı mühendislik yoluyla düzenleyerek bunu düzeltir. Antitetik değişkenler her çekimi ayna görüntüsüyle eşleştirerek hataların birbirini götürmesini sağlar; kontrol değişkenleri, gerçek ortalaması bilinen korelasyonlu bir nicelik kullanarak tahmini ayarlar; önem örneklemesi, çekimleri en çok önem taşıyan yerlere yoğunlaştırır; tabakalama ise örneklemenin girdi uzayını eşit şekilde kapsamasını sağlar. Bunun karşılığı, çok daha az fonksiyon değerlendirmesiyle aynı doğruluğu elde etmektir.
Tarih
Varyans azaltma için Monte Carlo simülasyonu temelleri 1950'lerde atılmıştır. Kahn ve Marshall (1953), önem örneklemesini nükleer parçacık taşınması bağlamında tanıtmıştır. Hammersley ve Morton (1956), rassal girdilerdeki simetriyi kullanmanın bir yolu olarak antitetik değişkenleri biçimlendirmiştir. Kontrol değişkenleri, stokastik simülasyonda kullanılmak üzere 1980'lerde Lavenberg ve Welch tarafından sistemleştirilmiştir. Paul Glasserman'ın 2003 tarihli monografisi, finans mühendisliği için bu tekniklerin teorisini ve uygulamasını birleştirmiş ve Sheldon Ross'un simülasyon üzerine ders kitabı o zamandan beri bunları lisansüstü simülasyon eğitiminin standart bir parçası haline getirmiştir. Günümüzde bu teknikler, hesaplamalı finans, güvenilirlik mühendisliği ve simülasyon çalışmalarının pahalı olduğu her alanda merkezi bir rol oynamaktadır.
Ne zaman kullanılır?
Standart Monte Carlo'nun pratik olmayan derecede büyük sayıda çalışma ile kabul edilebilir doğruluk vermesi durumunda varyans azaltma tekniklerini kullanın. AV, düzgün, monoton integrandinler için uygundur; CV, bilinen bir ortalamaya sahip korelasyonlu bir yardımcı niceliğin mevcut olduğu problemler için uygundur; IS, nadir olay tahminlemesi veya ağır kuyruklarda entegrasyon için uygundur; tabakalama, düşük boyutlu girdi uzayları için uygundur. Tüm teknikler, varyans azaltma faydasının görünür hale gelmesi için en az birkaç yüz — ideal olarak birkaç bin — iterasyon gerektirir. Sürekli rassal nicelikler ve simülasyon maliyetinin bağlayıcı kısıtlama olduğu herhangi bir uygulama alanı için uygundurlar.
Sınırlar ve dikkat edilmesi gerekenler
- Her teknik, problemin yapısal bilgisine ihtiyaç duyar: AV monoton bir integrandin gerektirir, CV analitik olarak bilinen bir yardımcı ortalama gerektirir, IS iyi tasarlanmış bir öneri dağılımı gerektirir.
- Önem örneklemesi için kötü seçilmiş bir öneri dağılımı, varyansı azaltmak yerine artırabilir.
- Birden fazla tekniği birleştirmek, uygulama karmaşıklığını artırır ve beklenmedik şekillerde etkileşime girebilir.
- Çok düşük iterasyon sayılarında (yaklaşık 1.000 çalışma altında) varyans azaltma faydası ihmal edilebilir düzeydedir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Belirli bir doğruluğa ulaşmak için gereken simülasyon çalışma sayısını önemli ölçüde azaltır, hesaplama maliyetini düşürür.
- Teknikler, bileşik varyans azaltma için birleştirilebilir (örn. AV ve CV).
- Yanlılık (bias) eklenmez: tüm standart teknikler, yanlılık içermeyen tahminciler üretir.
- Monte Carlo entegrasyonunun kullanıldığı her yerde — finans, mühendislik, sağlık hizmetleri, operasyon araştırması — alanlarda yaygın olarak uygulanabilir.
Uygulama alanları
- Önem örneklemesinin para-içi (in-the-money) yollara odaklandığı hesaplamalı finans alanında opsiyon fiyatlandırması.
- IS kullanılarak çok daha az simülasyon çalışmasıyla nadir arıza olasılıklarının tahmin edildiği güvenilirlik ve risk analizi.
- AV ve CV kullanarak çalışma süresini azaltan kuyruk ve hizmet sistemi performans analizi.
- CV'nin maliyet modelinin bilinen analitik bir yaklaşımından yararlandığı sağlık maliyet-etkinlik simülasyonu.
- Stratified sampling'in girdi parametre uzayında kapsama sağladığı belirsizlik altındaki mühendislik tasarımı.
Nasıl çalışır?
Nasıl çalışır?
Önce ilgilenilen niceliği bir beklenti olarak ifade edin — örneğin, rassal girdilere uygulanan bir fonksiyonun ortalaması. Bu çerçeveleme, örneklerin hangi olasılık dağılımından geldiğini ve herhangi bir varyans azaltma uygulanmadan önceki ham Monte Carlo tahmincisinin nasıl göründüğünü netleştirir.
Problemin yapısına uyan tekniği seçin. Antitetik değişkenler, integrandin girdide monoton olduğu durumlarda işe yarar, bu nedenle her bir üniform çekim u'yu tamamlayıcısı 1 − u ile eşleştirmek negatif korelasyonu ve hataların birbirini götürmesini garanti eder. Kontrol değişkenleri, bilinen analitik beklentisi olan korelasyonlu bir nicelik mevcut olduğunda işe yarar; tahminci, kontrolün simüle edilmiş ortalaması ile bilinen ortalaması arasındaki farkla ayarlanır. Önem örneklemesi, nadir veya yüksek ağırlıklı olayların olasılığının artırılması gerektiğinde işe yarar; kuyruklarda daha ağır bir öneri dağılımı orijinalinin yerine geçer ve her örneklem olasılık oranıyla yeniden ağırlıklandırılır. Tabakalama, girdi uzayını tabakalara ayırır ve çekimleri orantılı olarak tahsis ederek hiçbir bölgenin aşırı veya eksik örneklenmemesini sağlar. Ek tasarruflar için teknikler birleştirilebilir — örneğin, CV ve AV birlikte.
Seçilen tekniğe göre örnekler çekin. AV için, eşleştirilmiş çekimler (u, 1 − u) üretin; IS için, öneri dağılımından çekim yapın ve önem ağırlıklarını kaydedin; tabakalama için, her tabaka içinde çekim yapın. Varyans azaltma faydalarının ölçülebilir olması için iterasyon sayısı en az bin olmalıdır.
Örnekleri bir nokta tahmini ve bir varyans tahmini halinde toplayın. AV için tahminci, eşleştirilmiş fonksiyon değerlerinin ortalamasıdır. CV için ham ortalama, optimal katsayı çarpı kontrolün örnek ortalamasının bilinen beklentisinden sapmasıyla düzeltilir. IS için her fonksiyon değerlendirmesi, ortalamadan önce önem ağırlığıyla çarpılır.
Varyans azaltılmış tahmincinin varyansını, aynı sayıda çekim üzerinde yapılan düz Monte Carlo tahmincisinin varyansıyla karşılaştırın. İki varyansın oranı — varyans azaltma faktörü — kazancı ölçer. Faktör 1'e yakınsa, teknik problem yapısından yararlanmıyor demektir ve farklı bir yaklaşım veya daha fazla iterasyon gerekebilir.
Sık yapılan hatalar
- İntegrandin girdilerde monoton olmadığı durumlarda antitetik değişkenler kullanmak: negatif korelasyon varsayımı çöker ve yöntem aslında varyansı artırabilir.
- Hedeften daha hafif kuyruklara sahip bir önem örneklemesi öneri dağılımı kullanmak: nadir olaylar yetersiz örneklenir ve tahminci varyansı patlayabilir.
- Tahminci için kullanılan örneklemden, küçük örneklem boyutlarında ortaya çıkan yanlılığı hesaba katmadan CV katsayısını tahmin etmek.
- Çok az iterasyon çalıştırmak (yaklaşık 1.000'in altında): varyans azaltma faktörü güvenilir bir şekilde ölçülemez ve düz Monte Carlo'ya göre faydası görünmez hale gelir.
- Negatif korelasyonun korunduğunu doğrulamadan AV ve CV'yi birleştirmek: ortak tahminci beklenen tasarrufları sağlamayabilir.
Sık sorulan sorular
Hangi tekniği seçmeliyim — AV, CV, IS veya tabakalama?
Probleminizin yapısına göre seçim yapın. İntegrandin girdilerde monoton ise, AV basit ve etkilidir. Analitik olarak hesaplayabileceğiniz ilgili bir niceliğiniz varsa, CV genellikle en güçlü seçenektir. Nadir bir olay olasılığını tahmin etmeniz veya ağır kuyruklarda entegrasyon yapmanız gerekiyorsa, IS doğru araçtır. Tabakalama, girdi uzayının düzgün kapsanmasını istediğinizde düşük ila orta boyutlarda iyi çalışır. Ek kazançlar için teknikler de birleştirilebilir.
Kaç simülasyon çalışmasına ihtiyacım var?
Varyans azaltma faydası yalnızca en az birkaç yüz çalışma olduğunda ölçülebilir hale gelir; birkaç bin daha güvenilir bir eşiktir. Çok az iterasyonla varyans azaltma faktörü kararlı bir şekilde tahmin edilemez ve düz Monte Carlo tahmincisi aslında benzer performans gösterebilir. Pratik bir kural olarak, bu teknikleri 1.000 iterasyondan az olmamak üzere kullanmayın.
Varyans azaltma teknikleri yanlılık (bias) oluşturabilir mi?
Hayır — dört standart teknik (AV, CV, IS, tabakalama) doğru uygulandığında yanlılık içermeyen tahminciler üretir. CV tahmincisi, optimal katsayının doğru bir tahminini gerektirir; bunu küçük bir pilot örneklemden tahmin edip aynı örneklemi ana tahmin için yeniden kullanmak, küçük sonlu örneklem yanlılığına neden olabilir, bu nedenle ayrı bir pilot veya asimptotik olarak geçerli bir katsayı formülü kullanmak en iyi uygulamadır.
Önem örneklemesi önerim kötü seçilirse ne olur?
Hedefe göre kuyrukları çok hafif olan bir öneri dağılımı, varyansta feci bir artışa neden olarak IS'yi düz Monte Carlo'dan daha kötü hale getirebilir. Her zaman önerinin ilgili bölgede hedeften daha ağır kuyruklara sahip olduğunu doğrulayın ve aşırı büyük ağırlık değerlerinin kötü bir öneri olduğunu gösteren bir tanı olarak önem ağırlıklarının varyansını kontrol edin.
İlgili yöntemler
Kaynaklar
Ross, S.M. (2012). Simulation (5th ed.). Academic Press.
ISBN: 978-0124158252Kopyalandı.Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer.
DOI kaynağını açKopyalandı.