P. 1
EL MÉTODO DE MONTE CARLO

EL MÉTODO DE MONTE CARLO

|Views: 137|Likes:
Publicado porClarisa Salazar

More info:

Published by: Clarisa Salazar on Jul 17, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

04/18/2013

pdf

text

original

EL MÉTODO DE MONTE CARLO

El método de Monte Carlo es una herramienta de investigación y planeamiento; básicamente es una técnica de muestreo artificial, empleada para operar numéricamente sistemas complejos que tengan componentes aleatorios. Las técnicas estadísticas numéricas, en particular la técnica de Monte Carlo, sirven para estimar la incertidumbre en las tasas de emisión (a partir de incertidumbres en las medidas de actividad y los factores de emisión) cuando: Las incertidumbres son grandes; No tienen una distribución gaussiana; Los algoritmos son funciones complejas; Existen correlaciones entre algunos de los conjuntos de datos de actividad, factores de emisión o ambos. Las incertidumbres en los factores de emisión y/o datos de actividad a menudo son grandes y pueden no tener distribuciones normales. En esos casos, quizá sea difícil o imposible combinar incertidumbres por medio de las reglas estadísticas convencionales. Se puede utilizar el método de Monte Carlo, que consiste en hacer muchas veces los cálculos del inventario en una computadora electrónica, cada vez eligiendo al azar (por computadora) los factores de emisión o parámetros modelo y datos de actividad inciertos a partir de la distribución de incertidumbres que el usuario especifique al comienzo. Ese procedimiento genera una distribución de incertidumbres para la estimación del inventario que es coherente con las distribuciones de incertidumbres de entrada de los factores de emisión, parámetros modelo y datos de actividad. El método exige muchos datos y tiempo de computación, pero es muy adecuado para aplicar al problema de la propagación y totalización de incertidumbres en un sistema tan vasto como un inventario nacional de gases de efecto invernadero ¿En qué consiste la simulación de Montecarlo? Imaginemos que tenemos una secuencia de operaciones históricas y queremos saber si el método de trading utilizado producirá en el futuro resultados semejantes si las cosas funcionaran como hasta el momento. La secuencia de operaciones históricas contiene dos medidas importantes del éxito o fracaso de nuestro método. Por una parte tenemos el resultado final y por otro el drawdown o riesgo máximo asumido. La pregunta que siempre nos hacemos cuando nos encontramos ante un sistema de trading nuevo es la de si en el futuro conseguiremos los mismos resultados que nos muestra la estadística actualmente. Eso es realmente complicado, más aun si los resultados son fruto de una

Tomamos el resultado de la primera operación y lo anotamos en una bolita y lo introducimos en un saco. Para entenderlo más fácilmente. sabemos que esto es prácticamente imposible que ocurra. Normalmente se realizan unas 10. por lo que habitualmente las simulaciones de Montecarlo no se hacen manualmente. De esta manera habremos conseguido una secuencia de 100 operaciones de manera aleatoria. tendremos mejores cosas que hacer que realizar 10000 extracciones aleatorias de 100 operaciones cada una.000 iteraciones. e incluso aunque nuestro sistema produzca resultados que son estadísticamente similares a los históricos. A continuación tenemos que obtener secuencias aleatorias de esas 100 operaciones. cada una con el resultado de cada una de las operaciones de nuestra secuencia histórica. Volvemos a repetir el proceso de extracción de las 100 bolas durante un número significativo de iteraciones. Demasiado fácil. De hecho. sino que se utilizan herramientas informáticas que facilitan mucho su cálculo. Sin embargo. ratio ganadoras / perdedoras. Ahora tendremos 100 bolas. cada cual con su respectivo resultado final y drawdown. tenemos 10000 resultados finales distintos y 10000 drawdown distintos. Normalmente. los estadísticos más representativos del sistema (% acierto. nuestra secuencia de operaciones será otra bien distinta. Simplemente esperamos que. si tuviéramos este grado de certeza respecto a la secuencia de operaciones. los resultados futuros no serán exactamente iguales a los históricos. Una manera de conseguir resultados estadísticos de los datos históricos es el de generar secuencias de operaciones de manera aleatoria. Ya podemos por lo tanto crear una distribución de probabilidad de nuestro resultado final y de nuestro drawdown.sobreoptimización de nuestro sistema. No obstante. . simplemente entraríamos con más carga en las operaciones positivas y no entraríamos en las operaciones negativas. Cuando nosotros utilizamos un sistema o método de trading. anotamos la ganancia o pérdida que muestra y la volvemos a meter en el saco. demasiado fácil para ser cierto. Repetimos la extracción 100 veces. Con lo cual. Hacemos lo mismo con las 99 operaciones restantes. No obstante... ni en magnitud ni en orden de ocurrencia de las ganancias y las pérdidas. ¿verdad? Efectivamente. si en el futuro nuestro sistema produjera exactamente las mismas operaciones en la misma secuencia de aparición que nuestros resultados históricos. Ya hemos utilizado las simulaciones de Montecarlo aplicadas a nuestro método de trading. nuestra intención es que en el futuro el sistema se comporte de manera similar. con lo que conseguimos 10000 secuencias aleatorias distintas de nuestras operaciones históricas. seleccionándolo en función de las estadísticas del mismo.) sean lo más parecidos posibles a los datos históricos. etc. los resultados finales y drawdown serían idénticos a los obtenidos en el pasado. Pero ello no quiere decir que lo esperamos es la misma secuencia de operaciones. a largo plazo. y por lo tanto. Sacamos una bola. ganancia media por operación. supongamos un sistema que realiza 100 operaciones.

computar la tasa de rendimiento resultante 3. que permita definir y evaluar la probabilidad de ocurrencia de cada posible tasa de rendimiento. necesitamos efectuar un número de pruebas suficientemente grande para que pueda apreciarse la posibilidad de ocurrencia de las varias tasas de rendimiento. uno de los valores de cada factor. Aplicación del Método de Monte Carlo en el Análisis de Riesgo de los Proyectos Automatización del Modelo de Monte Carlo De forma simplificada. se puede aplicar el Modelo de Monte Carlo en el Excel de la siguiente forma: 1. que puede variar desde una pérdida (si los factores son adversos) hasta la ganancia máxima que sea posible lograr conforme con los pronósticos que se hayan efectuado . 2. Como existen millones de posibles combinaciones de factores. muchas de las respuestas a estas preguntas son vitales para poder encontrar el éxito en nuestros sistemas y habitualmente son preguntas a las que no le prestamos la debida atención.¿Para qué podemos utilizar las simulaciones de Montecarlo? Con el uso de las simulaciones de Montecarlo. aleatoriamente. Repetir el mismo proceso una y otra vez.. Estimar la escala de valores que podría alcanzar cada factor. y dependiendo de la combinación seleccionada. podemos encontrar respuesta a muchas preguntas que hasta ahora ni siquiera nos realizábamos. Elegir.. Como verán. la cantidad de veces que sea necesaria. como por ejemplo: ¿Cuál es el rango de resultados esperados por un sistema representado por una lista de operaciones históricas? ¿Qué drawdown podemos esperar que ocurra en el futuro en un sistema representado por una lista de operaciones históricas? ¿Cuánto capital se necesita para poder operar un determinado sistema? ¿Hasta dónde puede caer nuestra inversión inicial sin que comencemos a ponernos nerviosos? ¿Cuál es la racha de operaciones positivas consecutivas que podemos esperar? ¿Y la de operaciones negativas? ¿Cuánto tiempo podemos estar en drawdown? Etc. y la probabilidad de ocurrencia asociada a cada valor. El resultado a que se llegará será una lista de distintas tasas de rendimiento que podrían lograrse.

5. lo que es importante porque a igualdad de otros factores. Dependiendo de la política de decisión. el proceso lo podremos aplicar a la tasa interna de retorno o al valor actual neto. También se determina la variabilidad de los valores respecto del promedio. la empresa presumiblemente preferirá los proyectos de menor variabilidad. Los ejercicios aquí presentados trabajan en base al valor actual neto. . que es el promedio ponderado de todas las tasas resultantes de las sucesivas pruebas realizadas. siendo la base de ponderación la probabilidad de ocurrencia de cada una. Se calcula la tasa media esperada.4.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->