4.1 GIỚI THIỆU • Mô phỏng và các biến ngẫu nhiên • Các mô hình mô phỏng thường được sử dụng để phân tích một quyết định trong điều kiện có rủi ro, đó là một mô hình mà khả năng biến độn
Trang 1MÔ PHỎNG MONTE CARLO
CHƯƠNG 4
4.1 GIỚI THIỆU
cho ra tập hợp các giá trị của biến số ra quyết
định để tối đa hóa hay tối thiểu hóa giá trị của
hàm mục tiêu.
đánh giá các giá trị hàm mục tiêu đạt được
theo sự thay đổi của tập hợp các giá trị đầu
vào này
Trang 24.1 GIỚI THIỆU
• Mô phỏng và các biến ngẫu nhiên
• Các mô hình mô phỏng thường được sử dụng để phân
tích một quyết định trong điều kiện có rủi ro, đó là một mô
hình mà khả năng biến động một hay nhiều các yếu tố của
mô hình là không biết được một cách chắc chắn
• Các nhân tố mà ta không biết được một cách chắc chắn
được hiểu như là biến ngẫu nhiên Hành vi thay đổi của
một biến ngẫu nhiên được mô tả bởi phân phối xác suất
• Loại hình mô phỏng này đôi khi được gọi là phương pháp
Monte Carlo, sau đó là phương pháp bánh xe Roulette, là
phương pháp có thể được hiểu như là cấu hình tạo lập
nên các sự kiện ngẫu nhiên hay không chắc chắn
4.2 THIẾT LẬP CÁC BIẾN NGẪU NHIÊN
• Biến ngẫu nhiên liên tục:
Các biến ngẫu nhiên nhận các giá trị liên tục, không có bất cứ
khoảng cách nào giữa các biến ngẫu nhiên
Ví dụ: bánh xe quay số sau:
• Biến ngẫu nhiên rời rạc:
Các biến ngẫu nhiên chỉ nhận một số lượng giới hạn các giá
trị Ví dụ: lượng cầu của một sản phẩm, số lượng nhân
công cần thiết
0
0,75
0,5
0,25
Trang 34.2 THIẾT LẬP CÁC BIẾN NGẪU NHIÊN
• Các dạng phân phối xác suất:
• Phân phối đồng dạng: các giá trị ngẫu nhiên trong khoảng
(min, max) có xác suất xảy ra bằng nhau
• Phân phối chuẩn: một giá trị ngẫu nhiên sẽ có xác suất xảy
ra cao nhất (giá trị trung bình) Các giá trị trên hay dưới giá
trị trung bình có xác suất xảy ra như nhau (cân đối)
• Phân phối nhị thức: Chỉ xảy ra hai giá trị và có kết quả độc
lập lẫn nhau
• Phân phối lognomal: Biến có thể tăng vô hạn nhưng không
thể nhỏ hơn 0 Log của biến có phân phối chuẩn
• Và rất nhiều các dạng phân phối xác suất khác
4.2 THIẾT LẬP CÁC BiẾN NGẪU NHIÊN
• Hàm phân phối tích lũy
• Hàm phân phối tích lũy được định nghĩa như là xác suất mà
giá trị D nhỏ hơn hoặc bằng x hay F(x) = Prob{D ≤ x}
• Đồ thị phân phối tích lũy:
Xác
su ấ t
0,2 0,4 0,6 0,8
d
B ướ c 1: ðị nh v ị giá tr ị u lên trụ c tung
B ướ c 2: ðọ c giá tr ị ng ẫu nhiên d
t ươ ng ứ ng trên tr ụ c hoành
u
Trang 44.2 MÔ PHỎNG VỚI BẢNG TÍNH THÔNG THƯỜNG
• Khung tình huống:
• Công ty Airbus đang cân nhắc các vấn đề liên quan đến tài chính về khả năng bổ
sung thêm một nhánh sản phẩm mới
• Chi phí khởi sự cho mô hình máy bay thế hệ mới A3XXs được ước tính khoảng
150.000.000$ Dự báo lượng cầu đối với máy bay A3XXs là 10 chiếc cho mỗi một
năm trong 4 năm vòng đời của dự án Một chiếc máy bay mới sẽ được bán với
giá 35.000.000$ Chi phí cố định được ước tính 15.000.000$ cho một năm, trong
khi đó chi phí biến đổi sẽ khoảng 75% trên doanh số mỗi năm.
• Chi phí khấu hao chịu thuế đối với thiết bị mới sẽ là 10.000.000$ một năm trong
suốt vòng đời của dự án máy bay A3XXs là 4 năm Giá trị còn lại của thiết bị vào
cuối năm thứ 4 của dự án xem như là 0$
• Chi phí sử dụng vốn của hãng Airbus là 10%, và thuế suất thuế thu nhập doanh
nghiệp là 34%.
4.2 MÔ PHỎNG VỚI BẢNG TÍNH THÔNG THƯỜNG
• Câu hỏi thực tiễn:
• Công ty Airbus có nên thục hiện dự án này không?
• Nếu lượng cầu của loại máy bay này không chắc chắn như
giả định ban đầu rằng lượng cầu trong năm sẽ là một
trong các giá trị sau: 8,9,10, 11 hoặc 12 sản phẩm và xác
suất xảy ra mỗi giá trị này là bằng nhau Hãy đánh giá rủi
ro dự án?
Cụ thể:
• Giá trị trung bình hoặc giá trị mong đợi của NPV là bao
nhiêu?
• Xác suất để NPV có giá trị âm là bao nhiêu?
• Cách giải quyết: xây dựng mô hình mô phỏng dự án trên
trong điều kiện không chắc chắn
Trang 54.2 MÔ PHỎNG VỚI BẢNG TÍNH THÔNG THƯỜNG
• Một số lưu ý đối với chương trình mô phỏng bằng bảng
tính:
• Gia tăng con số những phép thử là khuynh hướng để
nhận được dự đoán tốt hơn giá trị mong đợi nhưng ngay
cả khi với con số phép thử lớn hơn thì vẫn tồn tại sai số
giữa giá trị bình quân mô phỏng và giá trị mong đợi đúng
• Mô phỏng có thể cung cấp thông tin hữu ích từ sự phân
phối các giá trị kết quả đạt được Đây là những thông tin
rất có giá trị và đôi khi kết quả này không thể có được từ
những phân tích giản đơn, hoặc thậm chí trong cả phân
tích rủi ro giá lên/giá xuống
• Kết quả mô phỏng khá nhạy cảm theo những giả định yếu
tố nhập lượng đầu vào
4.5 TỐI ƯU HÓA TRONG ĐIỀU KIỆN KHÔNG CHẮC CHẮN
• Vấn đề đặt ra với các nhà quản lý là kết hợp giữa mô hình
mô phỏng và mô hình tối ưu
• Công cụ Solver đã làm việc rất hiệu quả khi đi giúp chúng
ta đi tìm giải pháp tối ưu trong điều kiện chắc chắn theo
đó các biến nội sinh (biến số đầu vào của mô hình) sẽ tạo
ra giá trị hàm mục tiêu tối ưu
• Các chương trình mô phỏng như Crytal Ball rất hữu ích
trong việc giải quyết các biến số ngoại sinh trong điều kiện
không chắc chắn
• Kết hợp 2 công cụ trên nhà quản lý sẽ giải quyết được bài
toán tối ưu trong những điều kiện không chắc chắn
• Phần này sẽ giới thiệu công cụ OptQuest trong Crytal Ball
giải quyết vấn đề trên
Trang 64.5 TỐI ƯU HÓA TRONG ĐIỀU KIỆN KHÔNG CHẮC CHẮN
• Thiết lập danh mục tối ưu trong điều kiện không chắc
chắn
• Khung tình huống:
• Giả định rằng nhà đầu tư đã lựa chọn đầu tư vào danh
mục gồm 3 loại cổ phiếu là Intel; Microsoft và Proter &
Gamble và chứng chỉ quỹ đầu tư Money Market Các biến
số ra quyết định của chúng ta sẽ là W, X, Y, Z với:
• W: là tỷ trọng vốn đầu tư vào chứng chỉ quỹ Money
Market
• X: là tỷ trọng vốn đầu tư vào cổ phiếu Intel
• Y: là tỷ trọng vốn đầu tư vào cổ phiếu Microsoft
• Z: là tỷ trọng vốn đầu tư vào cổ phiếu Proter & Gamble
4.5 TỐI ƯU HÓA TRONG ĐIỀU KIỆN KHÔNG CHẮC CHẮN
vào mỗi tài sản không quá 50% tổng vốn đầu tư
vào danh mục, tổng tỷ trọng vốn đầu tư bằng 1.
tỷ suất sinh lợi hàng năm trong 9 năm qua:
Cổ phiếu Intel là: 46,6% Cổ phiếu Proter & Gamble là :
20,8%
Cổ phiếu Microsoft là:
62,1%
Chứng chỉ quỹ ñầu tư Money Market
là :5,2%
Trang 74.5 TỐI ƯU HÓA TRONG ĐIỀU KIỆN KHÔNG CHẮC CHẮN
• Excel có thể giải quyết bài toán tối ưu hóa phi tuyến trên
• Đáng tiếc là tỷ suất sinh lợi mong đợi không chắc chắn xảy ra mà
nó tuân theo phân phối xác suất vì thế thông số về TSSL là không
chắc chắn.
• CHúng ta sẽ dùng OptQuest giải quyết bài toán trên.
• OptQuest cho câu trả lời tương tự như Solver và bạn có thể thắc
mắc rằng như vậy giá trị của OptQuest khác với Solver ở điểm gì?
Kết quả xử lý từ OptQuest đã xác nhận rằng:
• Sau khi thực hiện 1000 phép thử, phương sai bình quân của danh
mục thực sự rất gần với giá trị đạt được khi xử lý tối ưu hóa bằng
Solver trong bảng tính gốc trước đây Vì vậy mặc dù ví dụ này
không bổ sung thêm được một giá trị mới nào, nhưng nó đã thật
sự hữu ích khi xác nhận với chúng ta rằng giá trị phương sai mong
đợi của danh mục đã tìm được là đúng
4.5 TỐI ƯU HÓA TRONG ĐIỀU KIỆN KHÔNG CHẮC CHẮN
• Lựa chọn dự án khi nguồn vốn bị giới hạn
• Khung tình huống:
• Công ty R đang xem xét lựa chọn 8 dự án khả thi cho năm tới Mỗi dự án đều có
báo cáo phân tích dòng tiền dự kiến, nhu cầu vốn đầu tư ban đầu, và kết quả
NPV đạt được tương ứng Vị giám đốc tài chính CFO của công ty đã tính toán và
quyết định mức ngân sách vốn chi tiêu cho đầu tư năm tới chỉ là 2 triệu $ Trong
khi đó tổng vốn đầu tư vào tất cả 8 dự án sẽ lên đến con số là 2,8 triệu$ vì vậy
công ty phải lựa chọn tập hợp các dự án có NPV lớn nhất sao cho tổng nguồn vốn
đầu tư ban đầu vẫn nằm trong giới hạn cho phép là 2 triệu$
• Tuy nhiên nếu chúng ta bổ sung vào mô hình tính không chắc chắn được đo
lường theo tỷ lệ thành công của mỗi dự án bằng cách thêm vào cột “tỷ lệ thành
công” thì kết quả lựa chọn tối ưu hóa bây giờ sẽ thay đổi như thế nào?
Trang 84.5 TỐI ƯU HÓA TRONG ĐIỀU KIỆN KHÔNG CHẮC CHẮN
xác định một tập hợp khác các biến số ra
quyết định phù hợp theo các lựa chọn rủi ro,
tối thiểu hóa khả năng NPV xấu nhất nói
chung của các dự án được lựa chọn.
ta tối ưu hóa trong điều kiện không chắc
chắn và chọn ra được những dự án tối thiểu
hóa NPV trong trường hợp xấu nhất.
