Монте Карло срещу изкуствен интелект: решения за фиксирани активи при несигурност: симулация срещу оптимизация

Защо симулацията вече не е достатъчна за дълготрайните активи и математическата оптимизация се превръща в новата необходимост за управление

Резюме

В продължение на десетилетия симулацията Монте Карло се считаше за методологически златен стандарт за оценка на несигурността при инвестиционни решения. Особено в областта на дълготрайните активи - т.е. дългосрочните капиталови ангажименти, като например недвижими имоти, инфраструктура, производствени мощности или широкомащабни ИТ системи - тя беше предпочитаният инструмент за моделиране на риска.

Монте Карло беше в крак с времето.
Монте Карло имаше смисъл от изчислителна гледна точка.
Монте Карло беше напредък в сравнение с детерминистичните индивидуални предположения.

Но Монте Карло не взема решение.
Той ги симулира.

А в контекста на съвременното управление на портфейли и капиталови разходи това означава, че едно потенциално структурно неправилно решение се варира 10 000 пъти - но не се оптимизира.

С нарастващата сложност, зависимостите между проектите, бюджетните ограничения и множеството противоречащи си цели симулацията достига до системен предел. Тя оценява сценарии. Тя не претърсва цялото пространство за вземане на решения.

Точно тук идва ролята на алгоритмичната предварителна оптимизация. Вместо да се симулират вероятностни разпределения, комбинаторното пространство на всички възможни конфигурации на портфейла се анализира математически - и се идентифицира глобалният оптимум.

В областта на дълготрайните активи при управлението на портфейла от проекти (PPM) това не подобрява Монте Карло, а го прави остарял.

1. Историческа класификация: Защо Монте Карло е бил полезен

Методът Монте Карло е разработен през 20-ти век за математическо приближаване на сложни вероятностни задачи. Той беше революционен в областта на финансите, управлението на риска и изчисляването на инвестициите, защото направи несигурността количествено измерима.

Вместо едно единствено предположение за паричните потоци или използването на капацитета, бяха генерирани хиляди случайни тегления. Това доведе до

• Очаквани стойности
• Дисперсия
• Стойност под риск
• Доверителни интервали
• Диапазони на сценариите

За дълготрайните активи това означава

• Несигурност на разходите за строителство
• Колебания на лихвения процент
• Волатилност на пазарните цени
• Рискове, свързани с използването
• Предположения за остатъчната стойност

Всички тези фактори могат да бъдат моделирани статистически.

В свят с ограничена изчислителна мощ и управляем брой проекти това беше рационално.

Но този свят вече не съществува.

2. Структурният проблем: симулацията не е оптимизация

Монте Карло отговаря на следния въпрос:

Ако вземем решение в полза на този проект или на този портфейл - колко вероятно е да се получи този резултат?

Това, на което Монте Карло не отговаря:

Дали този портфейл е най-добрият възможен сред всички допустими комбинации?

Това е основната разлика.

Симулация

• Оценява дадено решение
• Променя параметрите
• Предоставя вероятности

Оптимизация

• Претърсва пространството за вземане на решения
• Взема предвид ограниченията
• Максимизира функцията на целта
• Идентифицира глобален оптимум

По този начин Монте Карло симулира несигурността в рамките на вече взето структурно решение.

Ако това структурно решение е неоптимално, се анализира само неговата дисперсия.

Това съответства на 10 000 пъти симулирано неправилно разпределение.

3. Дълготрайни активи в УПП: защо сложността става експоненциална

Класическият портфейл от дълготрайни активи съдържа

• Няколко инвестиционни проекта
• Различни падежи
• Бюджетни ограничения
• Ефекти на синергия
• Отношения на изключване
• регулаторни условия
• Изисквания на ESG
• стратегически приоритети

Вече има над един милион възможни комбинации на портфейли за 20 проекта.

За 50 проекта:

²⁵⁰ ≈ 1,125,899,906,842,624 комбинации

Монте Карло симулира в рамките на избрана комбинация. То не търси в тези 1,1 квадрилиона възможности.

Това не е постепенна слабост. Това е структурна слабост.

4. Типично приложение на Монте Карло в областта на дълготрайните активи

В контекста на дълготрайните активи Монте Карло обикновено се използва за:

• Разпределение на NPV на проект
• Диапазони на IRR
• Анализи на чувствителността
• Стрес тестове
• Оценка на риска на отделни активи

Но на практика това означава

1. Проектите се оценяват индивидуално.
2. Портфейлът се формира въз основа на класификационни или евристични критерии.
3. Монте Карло симулира несигурността в рамките на този подбор.

Класирането остава локално. Структурата на портфейла остава евристична. Разпределението на бюджета остава приблизително.

5. Сравнение: Монте Карло срещу глобална оптимизация

Критерий	Симулация Монте Карло	Глобална оптимизация
Въпрос	Как се разсейва избраният сценарий?	Коя комбинация от портфейли максимизира целевата функция?
Методология	Случайно вземане на проби	Детерминистични/хибридни алгоритми
Пространство за вземане на решения	Фиксиран	Изцяло претърсено
Справяне с ограниченията	Последваща оценка	Интегрирани ограничения
Сложност	Линейна при симулации	Експоненциално пространство - алгоритмично овладяно
Резултати	Разпределение на вероятностите	Математически глобален оптимум
Качество на управлението	Визуализация на риска	Оптимизация на ресурсите

6. Защо Монте Карло е системно неподходящ за дълготрайни активи

6.1 Капиталов ангажимент

Дълготрайните активи обвързват капитала за години или десетилетия. Неправилното разпределение има дългосрочен ефект.

6.2 Необратимост

Инфраструктурата, недвижимите имоти или производствените мощности не могат да бъдат преразпределени без значителни загуби.

6.3 Взаимозависимости

Логистичният център оказва влияние върху транспортните разходи.
Инвестиция в ИТ оказва влияние върху разходите за персонал.
Мярка на ESG влияе върху разходите за финансиране.

Монте Карло моделира несигурността в рамките на проекта - не комбинаториката на зависимостите.

7. Математическата промяна на перспективата

Същественият въпрос не е:

"Колко сигурен е проект А?"

А по-скоро:

"Коя комбинация от А, Б, В... при бюджет и ограничения максимизира общата стойност?

Това е проблем на комбинаторната оптимизация.

Над определен брой проекти този проблем става NP-труден.

Симулацията тук не помага. Само алгоритмичните методи за търсене могат систематично да структурират пространството.

8. Защо 10 000 симулации не осигуряват структурна сигурност

10.000 симулации генерират 10 000 възможни резултата.

Но всички те се основават на една и съща структура на портфейла.

Ако тази структура е с 15 % под глобално възможния оптимум, тази разлика никога не се разпознава.

Монте Карло отговаря:

"Колко вероятен е резултатът от този избор?"

Оптимизацията отговаря:

"Този избор беше ли най-добрият избор на първо място?"

Това са две различни нива.

9. Предварителната оптимизация като нова норма за управление

Съвременната архитектура за вземане на решения в УПП на дълготрайни активи изисква:

• Пълен анализ на комбинациите
• Интегриране на бюджетните ограничения
• Многоцелева оптимизация (възвръщаемост на инвестициите, ESG, риск)
• Ограничения
• Логика на зависимостта
• Съгласуваност на сценариите

Предварителната оптимизация анализира не само отделните проекти, но и системата като цяло.

Дефинира се целевата функция, формализират се ограниченията и се търси в комбинаторното пространство по алгоритмично структуриран начин.

Резултатът не е диапазон на очакваната стойност, а математически определен портфейл.

10. Защо глобалният оптимум замества Монте Карло в УПР на дълготрайни активи

Когато се изчислява глобалният оптимум, резултатът е

• Максимална производителност на капитала
• Минимизирани алтернативни разходи
• Структурирана интеграция на риска
• Прозрачна логика за вземане на решения
• Устойчиво на одит управление

Монте Карло все още може да служи като инструмент за определяне на чувствителността, но не и като основа за вземане на решения.

В контекста на дълготрайните активи то губи своята основна роля.

11. Ролята на StratePlan

StratePlan анализира пълното пространство за вземане на решения за портфейл от дълготрайни активи, като взема предвид

• Бюджетните ограничения
• Зависимостите на проектите
• Многоцелева оптимизация
• регулаторни ограничения
• Параметрите на риска

Вместо да се извършват 10 000 случайни тегления, оптималната конфигурация на портфейла се определя алгоритмично.

Това не подобрява метода Монте Карло. То става излишно.

Това е така, защото несигурността може да бъде интегрирана в целевата функция, без да се фиксира пространството за вземане на решения.

12. Последици за финансовите директори и управителния съвет

За финансовите директори това означава

• По-висока възвръщаемост на капитала
• По-добра логика на разпределение
• Прозрачни шаблони за решения
• Намаляване на дълга за вземане на решения
• Минимизиране на структурното неправилно разпределение

За управителните съвети това означава

• Проверимо качество на решенията
• Одитируема логика
• Надеждност на управлението

Монте Карло беше отговор на несигурността. Оптимизацията е отговор на сложността.

13. Заключение

Монте Карло е крайъгълен камък в моделирането на риска. То беше съвременно.

Но в областта на дълготрайните активи в УПП оценката на риска вече не е достатъчна.

Това, което е необходимо, е пълно проникване в пространството за вземане на решения.

Симулацията дава отговор на погрешен въпрос за правилното решение. Оптимизацията отговаря на правилния въпрос.

Глобалният оптимум не е симулация. Тя е свойство на структурата на решението.

И веднага щом бъде изчислен, Монте Карло губи стратегическата си значимост.

ЧЕСТО ЗАДАВАНИ ВЪПРОСИ

Погрешен ли е Монте Карло в основата си?

Не. Монте Карло е валиден инструмент за анализ на несигурността. Той обаче не е метод за оптимизация и поради това е неподходящ за определяне на най-добрия в световен мащаб портфейл.

Може ли Монте Карло да бъде полезен в комбинация с оптимизация?

Да, като допълнителен анализ на чувствителността след определянето на оптималния портфейл. Не и като основна логика за вземане на решения.

Защо класирането по NPV не е достатъчно?

Защото проектите са взаимозависими и бюджетните ограничения пораждат комбинаторни ефекти, които класирането не отразява.

Математически реалистична ли е глобалната оптимизация за големи портфейли?

Да, съвременните алгоритмични методи позволяват структурен анализ на експоненциални пространства за вземане на решения.

Означава ли това края на моделирането на риска?

Не. Рискът е интегриран, но вече не се моделира изолирано.

Защо това е от особено значение за дълготрайните активи?

Защото неправилните разпределения тук са дългосрочни и трудно обратими.

Променя ли това ролята на финансовия директор?

Да, от оценката на риска на отделните проекти към системната архитектура за разпределение на капитала.

Стратегическата последица е ясна: не симулацията на несигурност определя възвръщаемостта на капитала. Това е математическото структуриране на пространството за вземане на решения. И именно тук започва бъдещето на управлението на дълготрайните активи.