Monte Carlo έναντι ΤΝ: Αποφάσεις σταθερού ενεργητικού υπό αβεβαιότητα: προσομοίωση έναντι βελτιστοποίησης

Γιατί η προσομοίωση δεν είναι πλέον αρκετή για τα πάγια περιουσιακά στοιχεία - και η μαθηματική βελτιστοποίηση γίνεται η νέα αναγκαιότητα διακυβέρνησης

Σύνοψη

Για δεκαετίες, η προσομοίωση Monte Carlo θεωρούνταν το μεθοδολογικό χρυσό πρότυπο για την αξιολόγηση των αβεβαιοτήτων στις επενδυτικές αποφάσεις. Ιδιαίτερα στον τομέα των πάγιων περιουσιακών στοιχείων - δηλαδή των μακροπρόθεσμων κεφαλαιακών δεσμεύσεων, όπως ακίνητα, υποδομές, εγκαταστάσεις παραγωγής ή συστήματα ΤΠ μεγάλης κλίμακας - ήταν το προτιμώμενο μέσο για τη μοντελοποίηση κινδύνων.

Το Monte Carlo ήταν επίκαιρο.
Το Monte Carlo είχε νόημα από υπολογιστική άποψη.
Το Monte Carlo ήταν μια πρόοδος σε σχέση με τις ντετερμινιστικές μεμονωμένες υποθέσεις.

Αλλά το Monte Carlo δεν παίρνει μια απόφαση.
Τις προσομοιώνει.

Και στο πλαίσιο της σύγχρονης διαχείρισης χαρτοφυλακίου και CapEx, αυτό σημαίνει ότι μια δυνητικά δομικά λανθασμένη απόφαση διαφοροποιείται 10.000 φορές - αλλά δεν βελτιστοποιείται.

Με την αυξανόμενη πολυπλοκότητα, τις εξαρτήσεις μεταξύ έργων, τους περιορισμούς του προϋπολογισμού και τους πολλαπλούς αντικρουόμενους στόχους, η προσομοίωση φτάνει σε ένα συστημικό όριο. Αξιολογεί σενάρια. Δεν αναζητά ολόκληρο το χώρο αποφάσεων.

Εδώ ακριβώς έρχεται η αλγοριθμική εκ των προτέρων βελτιστοποίηση. Αντί να προσομοιώνει κατανομές πιθανοτήτων, ο συνδυαστικός χώρος όλων των πιθανών διαμορφώσεων χαρτοφυλακίου αναλύεται μαθηματικά - και προσδιορίζεται το παγκόσμιο βέλτιστο.

Στον τομέα των πάγιων περιουσιακών στοιχείων στη διαχείριση χαρτοφυλακίου έργων (PPM), αυτό δεν βελτιώνει το Monte Carlo, αλλά το καθιστά παρωχημένο.

1. Ιστορική ταξινόμηση: Γιατί το Monte Carlo ήταν χρήσιμο

Η μέθοδος Monte Carlo αναπτύχθηκε τον 20ό αιώνα για τη μαθηματική προσέγγιση πολύπλοκων προβλημάτων πιθανοτήτων. Ήταν επαναστατική στα χρηματοοικονομικά, τη διαχείριση κινδύνων και τον υπολογισμό επενδύσεων, επειδή κατέστησε την αβεβαιότητα ποσοτικοποιήσιμη.

Αντί για μία μόνο υπόθεση σχετικά με τις ταμειακές ροές ή τη χρησιμοποίηση της παραγωγικής ικανότητας, δημιουργήθηκαν χιλιάδες τυχαίες κληρώσεις. Αυτό είχε ως αποτέλεσμα

• Αναμενόμενες τιμές
• Διακύμανση
• Αξία σε κίνδυνο
• Διαστήματα εμπιστοσύνης
• Ζώνες σεναρίων

Για τα πάγια περιουσιακά στοιχεία αυτό σημαίνει

• Αβεβαιότητα κόστους κατασκευής
• Διακυμάνσεις επιτοκίων
• Μεταβλητότητα των τιμών της αγοράς
• Κίνδυνοι χρήσης
• Παραδοχές υπολειμματικής αξίας

Όλοι αυτοί οι παράγοντες θα μπορούσαν να μοντελοποιηθούν στατιστικά.

Σε έναν κόσμο με περιορισμένη υπολογιστική ισχύ και έναν διαχειρίσιμο αριθμό έργων, αυτό ήταν ορθολογικό.

Αλλά αυτός ο κόσμος δεν υπάρχει πλέον.

2. Το διαρθρωτικό πρόβλημα: η προσομοίωση δεν είναι βελτιστοποίηση

Το Monte Carlo απαντά στο ακόλουθο ερώτημα:

Εάν αποφασίσουμε υπέρ αυτού του έργου ή αυτού του χαρτοφυλακίου - πόσο πιθανό είναι ποιο αποτέλεσμα

Τι δεν απαντά το Monte Carlo:

Είναι αυτό το χαρτοφυλάκιο έστω και το καλύτερο δυνατό μεταξύ όλων των επιτρεπτών συνδυασμών

Αυτή είναι μια θεμελιώδης διαφορά.

Προσομοίωση

• Αξιολογεί μια δεδομένη απόφαση
• Μεταβάλλει τις παραμέτρους
• Παρέχει πιθανότητες

Βελτιστοποίηση

• Αναζήτηση του χώρου αποφάσεων
• Λαμβάνει υπόψη τους περιορισμούς
• Μεγιστοποιεί την αντικειμενική συνάρτηση
• Προσδιορίζει το παγκόσμιο βέλτιστο

Το Monte Carlo προσομοιώνει έτσι την αβεβαιότητα στο πλαίσιο μιας διαρθρωτικής απόφασης που έχει ήδη ληφθεί.

Εάν αυτή η διαρθρωτική απόφαση είναι μη βέλτιστη, αναλύεται μόνο η διασπορά της.

Αυτό αντιστοιχεί σε προσομοίωση 10.000 φορές λανθασμένης κατανομής.

3. Πάγια περιουσιακά στοιχεία στη ΔΔΣ: γιατί η πολυπλοκότητα γίνεται εκθετική

Το κλασικό χαρτοφυλάκιο πάγιων στοιχείων περιέχει

• Αρκετά επενδυτικά σχέδια
• Διαφορετικές λήξεις
• Περιορισμούς του προϋπολογισμού
• Επιδράσεις συνέργειας
• Σχέσεις αποκλεισμού
• ρυθμιστικές συνθήκες
• Απαιτήσεις ESG
• στρατηγικές προτεραιότητες

Υπάρχουν ήδη πάνω από ένα εκατομμύριο πιθανοί συνδυασμοί χαρτοφυλακίου για 20 έργα.

Για 50 έργα:

1.125.899.906.842.624 συνδυασμούς

Η Monte Carlo προσομοιώνει στο πλαίσιο ενός επιλεγμένου συνδυασμού. Δεν ψάχνει μέσα σε αυτές τις 1,1 τετράκις εκατομμύρια δυνατότητες.

Αυτό δεν αποτελεί σταδιακή αδυναμία. Είναι δομική.

4. Τυπική εφαρμογή του Monte Carlo στα πάγια περιουσιακά στοιχεία

Στο πλαίσιο των πάγιων περιουσιακών στοιχείων, το Monte Carlo χρησιμοποιείται συνήθως για:

• Κατανομή της ΚΠΑ ενός έργου
• Εύρος IRR
• Αναλύσεις ευαισθησίας
• Δοκιμές αντοχής
• Αξιολόγηση κινδύνου μεμονωμένων περιουσιακών στοιχείων

Αλλά στην πράξη αυτό σημαίνει

1. Τα έργα αξιολογούνται μεμονωμένα.
2. Διαμορφώνεται ένα χαρτοφυλάκιο με βάση κριτήρια κατάταξης ή ευρετικά κριτήρια.
3. Το Monte Carlo προσομοιώνει τις αβεβαιότητες στο πλαίσιο αυτής της επιλογής.

Η κατάταξη παραμένει τοπική. Η δομή του χαρτοφυλακίου παραμένει ευρετική. Η κατανοµή του προϋπολογισµού παραµένει κατά προσέγγιση.

5. Σύγκριση: Monte Carlo vs. συνολική βελτιστοποίηση

Κριτήριο	Προσομοίωση Μόντε Κάρλο	Συνολική βελτιστοποίηση
Ερώτηση	Πώς διασκορπίζεται ένα επιλεγμένο σενάριο	Ποιος συνδυασμός χαρτοφυλακίου μεγιστοποιεί την αντικειμενική συνάρτηση
Μεθοδολογία	Τυχαία δειγματοληψία	Ντετερμινιστικοί/υβριδικοί αλγόριθμοι
Χώρος αποφάσεων	Σταθερό	Πλήρης αναζήτηση
Αντιμετώπιση περιορισμών	Εκ των υστέρων αξιολόγηση	Ενσωματωμένοι περιορισμοί
Πολυπλοκότητα	Γραμμική σε προσομοιώσεις	Εκθετικός χώρος - αλγοριθμικά κατακτημένος
Αποτελέσματα	Κατανομή πιθανοτήτων	Μαθηματικό παγκόσμιο βέλτιστο
Ποιότητα διακυβέρνησης	Απεικόνιση κινδύνου	Βελτιστοποίηση πόρων

6. Γιατί το Monte Carlo είναι συστημικά ανεπαρκές για τα πάγια περιουσιακά στοιχεία

6.1 Δέσμευση κεφαλαίου

Τα πάγια περιουσιακά στοιχεία δεσμεύουν κεφάλαιο για χρόνια ή δεκαετίες. Οι λανθασμένες κατανομές έχουν μακροπρόθεσμες επιπτώσεις.

6.2 Μη αναστρεψιμότητα

Οι υποδομές, τα ακίνητα ή οι εγκαταστάσεις παραγωγής δεν μπορούν να αναδιατεθούν χωρίς σημαντικές απώλειες.

6.3 Αλληλεξαρτήσεις

Ένα κέντρο logistics επηρεάζει το κόστος μεταφοράς.
Μια επένδυση πληροφορικής επηρεάζει το κόστος προσωπικού.
Ένα μέτρο ESG επηρεάζει το κόστος χρηματοδότησης.

Το Monte Carlo μοντελοποιεί την αβεβαιότητα στο πλαίσιο ενός έργου - όχι τη συνδυαστική των εξαρτήσεων.

7. Η μαθηματική αλλαγή προοπτικής

Το σχετικό ερώτημα δεν είναι:

"Πόσο ασφαλές είναι το έργο Α;"

Αλλά μάλλον:

"Ποιος συνδυασμός των Α, Β, Γ ... υπό τον προϋπολογισμό και τους περιορισμούς μεγιστοποιεί τη συνολική αξία;"

Αυτό είναι ένα πρόβλημα συνδυαστικής βελτιστοποίησης.

Πάνω από έναν ορισμένο αριθμό έργων, το πρόβλημα αυτό γίνεται NP-δύσκολο.

Η προσομοίωση δεν βοηθά εδώ. Μόνο οι αλγοριθμικές μέθοδοι αναζήτησης μπορούν να δομήσουν συστηματικά το χώρο.

8. Γιατί 10.000 προσομοιώσεις δεν παρέχουν διαρθρωτική βεβαιότητα

10.000 προσομοιώσεις παράγουν 10.000 πιθανά αποτελέσματα.

Όμως όλες βασίζονται στην ίδια δομή χαρτοφυλακίου.

Εάν αυτή η δομή είναι κατά 15 % χαμηλότερη από το παγκοσμίως δυνατό βέλτιστο, το κενό αυτό δεν αναγνωρίζεται ποτέ.

Οι απαντήσεις του Monte Carlo:

"Πόσο πιθανό είναι το αποτέλεσμα αυτής της επιλογής;"

Η βελτιστοποίηση απαντά:

"Ήταν αυτή η επιλογή εξαρχής η καλύτερη επιλογή;"

Πρόκειται για δύο διαφορετικά επίπεδα.

9. Η εκ των προτέρων βελτιστοποίηση ως ο νέος κανόνας διακυβέρνησης

Η σύγχρονη αρχιτεκτονική λήψης αποφάσεων στη ΔΔΣ παγίων απαιτεί:

• Πλήρη ανάλυση συνδυασμού
• Ενσωμάτωση των περιορισμών του προϋπολογισμού
• Βελτιστοποίηση πολλαπλών στόχων (ROI, ESG, κίνδυνος)
• Περιορισμοί
• Λογική εξάρτησης
• Συνέπεια σεναρίων

Μια εκ των προτέρων βελτιστοποίηση δεν αναλύει μόνο μεμονωμένα έργα, αλλά το σύστημα στο σύνολό του.

Η αντικειμενική συνάρτηση ορίζεται, οι περιορισμοί τυποποιούνται και ο συνδυαστικός χώρος αναζητείται με αλγοριθμικά δομημένο τρόπο.

Το αποτέλεσμα δεν είναι μια ζώνη αναμενόμενης αξίας, αλλά ένα μαθηματικά καθορισμένο χαρτοφυλάκιο.

10. Γιατί το παγκόσμιο βέλτιστο αντικαθιστά το Monte Carlo στη ΔΔΣ παγίων περιουσιακών στοιχείων

Όταν υπολογίζεται το παγκόσμιο βέλτιστο, το αποτέλεσμα είναι

• Μεγιστοποίηση της παραγωγικότητας του κεφαλαίου
• Ελαχιστοποίηση του κόστους ευκαιρίας
• Δομημένη ενσωμάτωση κινδύνου
• Διαφανής λογική λήψης αποφάσεων
• Διακυβέρνηση με έλεγχο

Το Monte Carlo μπορεί ακόμη να χρησιμεύσει ως εργαλείο ευαισθησίας - αλλά όχι ως βάση για τη λήψη αποφάσεων.

Στο πλαίσιο των πάγιων περιουσιακών στοιχείων, χάνει τον πρωταρχικό του ρόλο.

11. Ο ρόλος του StratePlan

Το StratePlan αναλύει τον πλήρη χώρο λήψης αποφάσεων ενός χαρτοφυλακίου πάγιων περιουσιακών στοιχείων, λαμβάνοντας υπόψη

• Περιορισμοί του προϋπολογισμού
• Εξαρτήσεις έργων
• Βελτιστοποίηση πολλαπλών στόχων
• κανονιστικούς περιορισμούς
• Παραμέτρους κινδύνου

Αντί να πραγματοποιούνται 10.000 τυχαίες κληρώσεις, η βέλτιστη διαμόρφωση του χαρτοφυλακίου προσδιορίζεται αλγοριθμικά.

Αυτό δεν βελτιώνει το Monte Carlo. Γίνεται περιττό.

Αυτό οφείλεται στο γεγονός ότι η αβεβαιότητα μπορεί να ενσωματωθεί στη συνάρτηση στόχου χωρίς να καθοριστεί ο χώρος αποφάσεων.

12. Συνέπειες για τους οικονομικούς διευθυντές και το διοικητικό συμβούλιο

Για τους οικονομικούς διευθυντές αυτό σημαίνει

• Υψηλότερη απόδοση κεφαλαίου
• Καλύτερη λογική κατανομής
• Διαφανή πρότυπα αποφάσεων
• Μείωση του χρέους αποφάσεων
• Ελαχιστοποίηση της διαρθρωτικής κακής κατανομής

Για τα διοικητικά συμβούλια αυτό σημαίνει

• Επαληθεύσιμη ποιότητα αποφάσεων
• Ελεγχόμενη λογική
• Ευστάθεια διακυβέρνησης

Το Monte Carlo ήταν μια απάντηση στην αβεβαιότητα. Η βελτιστοποίηση είναι μια απάντηση στην πολυπλοκότητα.

13. Συμπέρασμα

Το Monte Carlo αποτέλεσε ορόσημο στη μοντελοποίηση κινδύνων. Ήταν σύγχρονο.

Αλλά στα πάγια περιουσιακά στοιχεία στη ΔΔΣ, η εκτίμηση του κινδύνου δεν είναι πλέον αρκετή.

Αυτό που απαιτείται είναι η πλήρης διείσδυση στο χώρο των αποφάσεων.

Η προσομοίωση απαντά στο λάθος ερώτημα για τη σωστή απόφαση. Η βελτιστοποίηση απαντά στο σωστό ερώτημα.

Το παγκόσμιο βέλτιστο δεν είναι προσομοίωση. Είναι μια ιδιότητα της δομής της απόφασης.

Και µόλις υπολογιστεί, το Monte Carlo χάνει τη στρατηγική του σηµασία.

ΣΥΧΝΈΣ ΕΡΩΤΉΣΕΙΣ

Είναι η Monte Carlo θεμελιωδώς λανθασμένη

Όχι. Το Monte Carlo είναι ένα έγκυρο εργαλείο για την ανάλυση της αβεβαιότητας. Ωστόσο, δεν είναι μέθοδος βελτιστοποίησης και, ως εκ τούτου, είναι ακατάλληλη για τον προσδιορισμό του παγκοσμίως καλύτερου χαρτοφυλακίου.

Μπορεί το Monte Carlo να είναι χρήσιμο σε συνδυασμό με τη βελτιστοποίηση

Ναι, ως συμπληρωματική ανάλυση ευαισθησίας μετά τον προσδιορισμό του βέλτιστου χαρτοφυλακίου. Όχι ως πρωταρχική λογική απόφασης.

Γιατί δεν αρκεί η κατάταξη με βάση την ΚΠΑ

Επειδή τα έργα είναι αλληλοεξαρτώμενα και οι περιορισμοί του προϋπολογισμού δημιουργούν συνδυαστικά αποτελέσματα που η κατάταξη δεν αντικατοπτρίζει.

Είναι η συνολική βελτιστοποίηση μαθηματικά ρεαλιστική για μεγάλα χαρτοφυλάκια

Ναι, οι σύγχρονες αλγοριθμικές μέθοδοι επιτρέπουν τη δομημένη ανάλυση εκθετικών χώρων αποφάσεων.

Αυτό σημαίνει το τέλος της μοντελοποίησης κινδύνου

Όχι. Ο κίνδυνος ενσωματώνεται - αλλά δεν προσομοιώνεται πλέον μεμονωμένα.

Γιατί αυτό έχει ιδιαίτερη σημασία για τα πάγια περιουσιακά στοιχεία

Επειδή οι λανθασμένες κατανομές εδώ είναι μακροπρόθεσμες και δύσκολα αναστρέψιμες.

Αλλάζει αυτό τον ρόλο του οικονομικού διευθυντή

Ναι, από την αξιολόγηση του κινδύνου μεμονωμένων έργων στη συστημική αρχιτεκτονική κατανομής κεφαλαίου.

Η στρατηγική συνέπεια είναι σαφής: δεν είναι η προσομοίωση της αβεβαιότητας που καθορίζει την απόδοση του κεφαλαίου. Είναι η μαθηματική δόμηση του χώρου αποφάσεων. Και από εδώ ξεκινά το μέλλον της διακυβέρνησης των πάγιων περιουσιακών στοιχείων.