Jūs pieņemat lēmumus par ieguldījumiem, bet ne par optimālo portfeli.
Jūs varat gūt lielāku peļņu ar saviem esošajiem projektiem.
Mēs aprēķinām optimālo scenāriju - pirms jūs pieņemat lēmumu.
Bez maksas. Bez saistībām. Pamatojoties uz jūsu esošajiem projektiem.
Tie paši projekti. Dažādas kombinācijas. Vairāk rezultātu.
StratePlan aprēķina optimālo portfeli tur, kur tradicionālie rīki sasniedz savas robežas.
Tā vietā, lai projektus vērtētu izolēti, mēs analizējam visas iespējamās kombinācijas - un identificējam labāko risinājumu.
Globālais optimums nav pieņēmums - to var aprēķināt.
Izvēlieties uzņēmējdarbības jomu:
Bloga galvenais raksts:
Risks ≠ Variance - kāpēc simulācija nav lēmums
Kopsavilkums
Montekarlo bieži tiek uzskatīts par zelta standartu valdes sēdēs un ieguldījumu komitejās. Sadalījumi, ticamības intervāli un scenāriju analīze rada matemātiskas noturības iespaidu. Taču tas ir strukturāls pārpratums: dispersija nav risks - un simulācija nav lēmums.
Variance mēra izkliedi. Risks, no otras puses, raksturo risku, ka netiks sasniegts noteiktais mērķis. Šie divi jēdzieni nav matemātiski identiski. Ikviens, kurš simulē dispersiju, vēl nav optimizējis preferenču funkciju, nav noteicis ierobežojumus un mērķa funkciju. Viņi ir tikai novērtējuši varbūtību telpas.
Montekarlo atbild uz jautājumu: "Kas varētu notikt?"
Lēmumu optimizācija atbild uz jautājumu: "Kurš variants maksimizē mērķa sasniegšanu, ievērojot ierobežojumus?"
Simulācija ir novērtēšanas rīks. Lēmums ir optimizācijas problēma.
Strukturāls pārpratums
Montekarlo simulācijas ģenerē tūkstošiem nejaušu ceļu, pamatojoties uz pieņemtajām sadalēm. Rezultāts ir iespējamo iznākumu varbūtības sadalījums. Tomēr neviena no šīm simulācijām sistemātiski nemeklē pilnu portfeļa kombināciju telpu.
Sarežģītos portfeļos ar n projektiem ir 2ⁿ kombināciju. Ar 20 projektiem tas ir vairāk nekā miljons iespēju. Simulācija novērtē pieņēmumus - tā nenodrošina globālā optimuma noteikšanu.
Simulācija pret optimizāciju
| Kritērijs | Simulācija (Montekarlo) | Optimizācija |
|---|---|---|
| Mērķis | Pārstāvēt varbūtības | Maksimizēt/minimizēt mērķa funkciju |
| Loģika | Nejaušināta ceļa ģenerēšana | Sistemātiska meklēšana lēmumu telpā |
| Rezultāts | Iespējamo rezultātu sadalījums | Matemātiski optimizēts portfelis |
| Lēmums | Vadības veikta interpretācija | Tieša atvasināšana no mērķa funkcijas |
Kāpēc dispersija nav risks
Augsta dispersija var nozīmēt lielas iespējas. Zema dispersija var būt sistemātiski neoptimāla. Risku nerada dispersija, bet gan mērķa nesasniegšana attiecībā pret portfeļa stratēģisko funkciju.
Portfelis ar zemu dispersiju tomēr var būt ievērojami zemāks par tā iespējamo optimālo vērtību. Tā nav statistiska, bet gan strukturāla problēma.
Pārvaldības dimensija
Simulācijas rezultātā atbildība tiek pārnesta atpakaļ uz valdi. Rezultāti ir jāinterpretē. Aprēķinus aizstāj diskusija. Atzinums aizstāj matemātisko atlasi.
Savukārt optimizācija ex ante definē mērķa funkciju un nosaka kombināciju, kas rada vislielāko vērtību, ievērojot budžeta, riska un resursu ierobežojumus.
Tas nav scenārijs. Tā ir datu īpašība.
Secinājums
Tie, kas simulē, saprot nenoteiktību.
Tie, kas optimizē, pieņem lēmumus.
Riska pārvaldība bez optimizācijas joprojām ir iespējama lokāli, bet potenciāli nav optimāla globāli.
BIEŽI UZDOTIE JAUTĀJUMI
Vai Montekarlo ir bezjēdzīgs?
Nē. Simulācija ir vērtīga jutīguma analīzei. Tomēr tā neaizstāj optimizācijas loģiku.
Vai simulāciju un optimizāciju var apvienot?
Jā, simulācija var modelēt nenoteiktības, optimizācija izvēlas labāko šo nenoteiktību kombināciju.
Kāpēc nepietiek ar scenāriju plānošanu?
Scenārijos tiek salīdzinātas atsevišķas iespējas. Tie sistemātiski nepārmeklē visu lēmumu pieņemšanas telpu.
Kāda ir būtiskākā atšķirība?
Simulācija apraksta iespējas. Optimizācija aprēķina optimālo variantu.
Dr. Igor Kadoshchuk ir datorzinātnieks, algoritmu arhitekts un viena no vadošajām personībām, kas stāv aiz mAInthink optimizācijas un lēmumu pieņemšanas algoritmiem. Kā platformu StratePlan™ un DeepAnT zinātniskais direktors viņš apvieno padziļinātu matemātisko izpēti ar praktiskiem pielietojumiem projektu portfeļu optimizācijā, uzņēmējdarbībā, finansēs un valsts pārvaldē.
Viņš ir ieguvis doktora grādu datorzinātnē prestižajā Moscow Institute of Physics and Technology (MIPT), kur viņš arī pasniedza kā datorinženierijas un matemātikas profesors. Viņam ir gadu desmitiem ilga pieredze ļoti sarežģītu matemātisko modeļu izstrādē projektu portfeļu optimizācijai un finanšu sistēmām, investīciju plānošanai un stratēģiskai lēmumu pieņemšanai. Viņa profesionālā karjera ietver vadošus amatus, tostarp Head of IT Gazprombank un projektu vadības direktors uzņēmumā TransTeleCom.
Dr. Kadoshchuk raksta mAInthink AI Blogā. Kadoshchuk raksta par:
- algoritmisku stratēģiju optimizāciju
- jaunām ROI un ietekmes aprēķināšanas metodēm
- projektu portfeļu optimizāciju ārpus tradicionālajiem rīkiem
- cilvēka lēmumu pieņemšanas robežām un to, kā mākslīgais intelekts tās pārvar
Viņa mērķis: stratēģiju aprēķināt, nevis to novērtēt.
Viņa ieguldījums apvieno zinātnisku precizitāti ar skaidru un saprotamu valodu – vienmēr ar mērķi padarīt sarežģītas lēmumu telpas caurspīdīgas, pārvaldāmas un izmērāmas.