Skip to content
返回搜索结果

随机情景分析 — 不确定性下的概率性多情景评估

提出者
Dantzig, G. B.; Birge, J. R.; and others in stochastic programming tradition
年份
1955–1980s
类型
Probabilistic scenario enumeration and evaluation
类别
Simulation / optimization

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

随机情景分析通过评估多个明确定义的情景下的系统或决策,并为每个情景分配发生概率。与确定性情景分析不同,它通过概率分布传播不确定性,并计算整个情景空间中的预期结果、方差和风险指标,从而为决策者提供对可能发生的情况及其发生概率的结构化视图。

方法背后的直觉

设想在未来需求未知的情况下规划基础设施投资。与其选择一个预测,不如定义一组合理可能的未来——高增长、停滞、颠覆性——并根据专家判断或历史数据为每个未来分配一个概率。然后,您在每个未来下评估您的决策,按概率加权结果,并计算期望值、最坏情况暴露度和潜在收益。结果不是一个单一数字,而是一系列后果的分布,帮助您选择在各种未来中稳健的策略,而不是仅在预期情况下最优的策略。

历史学

随机情景分析起源于 20 世纪 50-70 年代 RAND 和 Shell 开发的情景规划与 Dantzig (1955) 和 Beale (1955) 正式化的随机规划的交叉点。该领域在 20 世纪 80-90 年代通过 Birge、Louveaux 等人的工作日趋成熟,并从 20 世纪 90 年代起广泛应用于金融风险管理、能源规划和气候政策。

何时使用

当关键不确定性可以表述为一组可管理的离散未来,每个未来都带有有意义的概率估计时,使用随机情景分析——这在战略规划、财务压力测试、气候适应和公共政策评估中很常见。当尾部风险与预期绩效同等重要时,它尤其有价值。当相关情景的数量太大而无法有意义地枚举时,当无法获得或无意义的概率估计时(此时应使用稳健决策等深度不确定性方法),当决策空间是连续的且需要完全随机优化时,或者当结果对未建模的场景内参数不确定性高度敏感时,应避免使用此方法。

局限与注意事项

  • 结果高度依赖于所选的情景集和分配的概率;校准不当的概率会产生误导性的期望值。
  • 离散的情景集可能遗漏了任何命名情景未捕获的重要中间状态或尾部结果。
  • 随着不确定驱动因素数量的增长,完全覆盖所需的情景数量呈指数级增长,使得枚举不切实际。
  • 该方法本身不优化决策;将其与优化配对需要随机规划公式,这会增加复杂性。
  • 将概率加权的结果传达给非技术受众可能很困难,因为利益相关者会固定在最坏情况,而不管其概率如何。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 通过命名和量化不同的未来,而不是将其隐藏在点估计中,使不确定性变得明确和透明。
  • 生成丰富的风险指标,包括期望值、方差和尾部风险统计数据,支持期望值和风险厌恶型决策标准。
  • 对于中等数量的情景,计算上是可行的,允许在每个情景中使用复杂的结果模型。
  • 通过命名情景和具体的叙述以及概率加权的摘要,自然地将结果传达给利益相关者。
  • 当必须选择正式的决策变量时,可以与优化模型(随机规划)顺利集成。
  • 支持遗憾分析和稳健策略识别,帮助决策者对最坏情况进行对冲。

应用

  • 在宏观经济情景下的金融投资组合压力测试和风险价值估计
  • 在排放和温度情景下评估基础设施投资的气候适应规划
  • 在不确定的流行病轨迹下的医疗资源分配
  • 在不确定的燃料价格、需求增长和政策环境下的能源系统规划
  • 在包括供应商失败和需求冲击在内的破坏情景下的供应链韧性评估
  • 在乐观、基准和悲观未来下评估干预措施的公共政策评估

使用方式

使用方式

1

确定一个有限的离散情景集 S = {s1, s2, ..., sK},它们代表结构上不同的未来或世界状态。情景应相互排斥,在分析范围内集体详尽,并由关键不确定驱动因素驱动。在实践中,K 的范围通常为 3 到 20;超过此范围,可解释性会下降。

2

为每个情景 sk 分配一个概率 p(sk),使得所有概率非负且总和为 1。概率可以来自专家访谈、历史频率分析或贝叶斯更新。当概率深度不确定时,对概率权重进行敏感性分析至关重要。

3

对于每个情景 sk,计算每个决策选项或策略 x 的结果向量或绩效指标 f(x, sk)。此步骤本身可能涉及模拟模型、优化子问题或解析公式,具体取决于应用领域。

4

计算期望值 E[f] = sum_k p(sk) * f(x, sk) 和风险度量,如方差 Var[f]、条件风险值 CVaR 或超额概率 P(f > threshold)。构建结果分布和情景-绩效表以比较不同选项。

5

通过识别主导策略(在大多数情景下表现良好)、脆弱策略(在预期情况下最优但在极端情景下灾难性)和稳健策略(在所有情景下都可接受)来解释结果。使用随机占优标准或最小遗憾准则来选择首选选项。

常见陷阱

  • 将情景概率视为精确值,而它们只是粗略猜测——应始终报告结论对概率分配的敏感性。
  • 选择情景以确认首选结果,而不是跨越真实的不确定性空间,这会损害分析的可信度。
  • 忽略情景内不确定性,将每个情景视为确定性的,而情景内的参数本身是可变的。
  • 仅报告期望值而忽略尾部风险指标,这可能会掩盖具有灾难性下行风险的策略。
  • 将情景概率与情景可行性混淆——低概率情景如果其影响严重,仍可能需要缓解。

常见问题

随机情景分析与普通情景分析有何不同?

普通(确定性)情景分析在几个命名未来下评估结果,但没有正式为其分配概率,因此无法计算期望值或风险统计数据。随机情景分析明确为每个情景分配概率,并将结果汇总为概率加权指标,从而实现正式的风险量化。

我应该定义多少个情景?

战略应用中通常为 3 到 7 个情景;超过 10 个则难以解释和沟通。关键在于情景应覆盖合理的结果空间,且没有过度重叠。当不确定性是连续的时,从概率分布中抽样的蒙特卡洛模拟可能比离散情景枚举更可取。

如果我无法为情景分配有意义的概率怎么办?

如果概率根本无法得知,该方法就变成了深度不确定性分析。当概率估计不可信时,稳健决策 (RDM) 或信息缺口分析等技术更适合。您也可以在各种概率分配范围内运行随机情景分析,以检验结论是否对其敏感。

随机情景分析能否与优化结合?

可以。当必须在情景揭示之前选择一个正式的决策变量时,问题就变成了一个两阶段或多阶段随机规划:第一阶段选择一个即时决策;后续阶段适应于出现的情景。GAMS、Pyomo 和专门的随机规划求解器等软件支持这种表述。

如何验证情景集?

验证包括检查情景是否内部一致,是否共同覆盖了关键的不确定性空间,以及是否基于领域知识或历史数据。专家评审小组、交叉影响分析和与类似情况的历史频率分布的比较是常见的验证方法。

相关方法

参考文献

  1. Birge, J. R., Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.

    ISBN:9781461402374
    已复制。
  2. 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.

    打开出版物文献
    已复制。