Monte Carlo v primerjavi z umetno inteligenco: Odločitve o fiksnih sredstvih v pogojih negotovosti: simulacija v primerjavi z optimizacijo

Zakaj simulacija ni več dovolj za osnovna sredstva in matematična optimizacija postaja nova potreba po upravljanju

Povzetek

Simulacija Monte Carlo je desetletja veljala za metodološki zlati standard za ocenjevanje negotovosti pri naložbenih odločitvah. Predvsem na področju osnovnih sredstev - tj. dolgoročnih kapitalskih obveznosti, kot so nepremičnine, infrastruktura, proizvodni obrati ali obsežni sistemi IT - je bila najprimernejši instrument za modeliranje tveganj.

Monte Carlo je bil sodoben.
Monte Carlo je bil smiseln z matematičnega vidika.
Monte Carlo je bil napredek v primerjavi z determinističnimi individualnimi predpostavkami.

Vendar Monte Carlo ne sprejema odločitev.
Le simulira jih.

V kontekstu sodobnega upravljanja portfeljev in investicijskih vlaganj pa to pomeni, da se potencialno strukturno napačna odločitev 10.000-krat variira - ne pa optimizira.

Z naraščajočo kompleksnostjo, odvisnostmi med projekti, proračunskimi omejitvami in številnimi nasprotujočimi si cilji simulacija doseže sistemsko mejo. Ocenjuje scenarije. Ne preiskuje celotnega prostora odločanja.

Prav tu pride na vrsto algoritemska predhodna optimizacija. Namesto simulacije verjetnostnih porazdelitev se matematično analizira kombinatorični prostor vseh možnih konfiguracij portfelja - in določi se globalni optimum.

Na področju osnovnih sredstev pri upravljanju portfelja projektov (PPM) to ne izboljša metode Monte Carlo, temveč jo naredi zastarelo.

1. Zgodovinska klasifikacija: Zakaj je bil Monte Carlo koristen

Metoda Monte Carlo je bila razvita v 20. stoletju za matematično aproksimacijo kompleksnih verjetnostnih problemov. Bila je revolucionarna na področju financ, upravljanja tveganj in izračunavanja naložb, saj je omogočila količinsko opredelitev negotovosti.

Namesto ene same predpostavke o denarnih tokovih ali izkoriščenosti zmogljivosti je bilo ustvarjenih na tisoče naključnih žrebanj. Rezultat je bil

• Pričakovane vrednosti
• Variance
• Tvegana vrednost
• Intervali zaupanja
• Razponi scenarijev

Za osnovna sredstva to pomeni

• Negotovost stroškov gradnje
• Nihanja obrestnih mer
• Nestanovitnost tržnih cen
• Tveganja uporabe
• Predpostavke o preostali vrednosti

Vse te dejavnike je mogoče statistično modelirati.

V svetu z omejeno računalniško močjo in obvladljivim številom projektov je bilo to racionalno.

Vendar ta svet ne obstaja več.

2. Strukturni problem: simulacija ni optimizacija

Monte Carlo odgovarja na naslednje vprašanje:

Če se odločimo za ta projekt ali ta portfelj - kako verjeten je kateri rezultat?

Monte Carlo ne odgovori na naslednje vprašanje:

Ali je ta portfelj sploh najboljši med vsemi dopustnimi kombinacijami?

To je bistvena razlika.

Simulacija

• Ovrednoti dano odločitev
• Spreminja parametre
• Zagotavlja verjetnosti

Optimizacija

• Išče prostor odločanja
• Upošteva omejitve
• Maksimizira ciljno funkcijo
• Določi globalni optimum

Monte Carlo tako simulira negotovost znotraj že sprejete strukturne odločitve.

Če ta strukturna odločitev ni optimalna, se analizira le njena razpršitev.

To ustreza 10 000-kratni simulirani napačni dodelitvi.

3. Osnovna sredstva v PPM: zakaj zapletenost postane eksponentna

Klasični portfelj osnovnih sredstev vsebuje

• Več naložbenih projektov
• Različne zapadlosti
• Proračunske omejitve
• Sinergijske učinke
• Razmerja izključitve
• regulativni pogoji
• Zahteve ESG
• strateške prednostne naloge

Za 20 projektov obstaja že več kot milijon možnih kombinacij portfeljev.

Za 50 projektov:

²⁵⁰ ≈ 1 125 899 906 842 624 kombinacij

Monte Carlo simulira znotraj izbrane kombinacije. Ne išče po teh 1,1 kvadrilijonu možnosti.

To ni postopna slabost. Gre za strukturno pomanjkljivost.

4. Tipična uporaba metode Monte Carlo pri osnovnih sredstvih

V okviru osnovnih sredstev se Monte Carlo običajno uporablja za:

• Porazdelitev neto sedanje vrednosti projekta
• Razponi IRR
• Analize občutljivosti
• Teste izjemnih situacij
• Oceno tveganja posameznih sredstev

V praksi to pomeni

1. Projekti se ocenjujejo posamično.
2. Portfelj se oblikuje na podlagi razvrstitvenih ali hevrističnih meril.
3. Monte Carlo simulira negotovosti znotraj tega izbora.

Razvrstitev ostaja lokalna. Struktura portfelja ostaja hevristična. Dodelitev proračunskih sredstev ostaja približna.

5. Primerjava: Monte Carlo proti globalni optimizaciji

Kriterij	Simulacija Monte Carlo	Globalna optimizacija
Vprašanje	Kako se izbrani scenarij razprši?	Katera kombinacija portfeljev maksimira ciljno funkcijo?
Metodologija	Naključno vzorčenje	Deterministični / hibridni algoritmi
Prostor odločanja	Fiksni	Popolnoma preiskan
Ravnanje z omejitvami	Naknadno vrednotenje	Vključene omejitve
Zahtevnost	Linearna pri simulacijah	Eksponentni prostor - algoritmično obvladan
Rezultati	Porazdelitev verjetnosti	Matematični globalni optimum
Kakovost upravljanja	Vizualizacija tveganja	Optimizacija virov

6. Zakaj je Monte Carlo sistemsko neustrezen za osnovna sredstva

6.1 Obveznost za kapital

Osnovna sredstva vežejo kapital za več let ali desetletij. Napačne dodelitve imajo dolgoročne posledice.

6.2 Nepovratnost

Infrastrukture, nepremičnin ali proizvodnih zmogljivosti ni mogoče prerazporediti brez znatnih izgub.

6.3 Soodvisnosti

Logistični center vpliva na stroške prevoza.
Naložba v informacijsko tehnologijo vpliva na stroške osebja.
Ukrep ESG vpliva na stroške financiranja.

Monte Carlo modelira negotovost znotraj projekta - ne pa kombinatorike odvisnosti.

7. Matematična sprememba perspektive

Pomembno vprašanje ni:

"Kako varen je projekt A?"

Temveč: "Projekt A je projekt A?

"Katera kombinacija A, B, C ... v okviru proračuna in omejitev povečuje skupno vrednost?

To je problem kombinatorične optimizacije.

Nad določenim številom projektov ta problem postane NP-težaven.

Simulacija pri tem ne pomaga. Samo algoritemske iskalne metode lahko sistematično strukturirajo prostor.

8. Zakaj 10 000 simulacij ne zagotavlja strukturne gotovosti

10.000 simulacij ustvari 10 000 možnih rezultatov.

Vendar vse temeljijo na isti strukturi portfelja.

Če je ta struktura 15 % pod globalno možnim optimumom, se ta vrzel nikoli ne prepozna.

Odgovori Monte Carlo:

"Kako verjeten je izid te izbire?"

Optimizacija odgovarja:

"Ali je bila ta izbira sploh najboljša izbira?"

To sta dve različni ravni.

9. Predhodna optimizacija kot nova norma upravljanja

Sodobna arhitektura odločanja v PPM za osnovna sredstva zahteva:

• Popolno analizo kombinacij
• Vključitev proračunskih omejitev
• Večpredmetno optimizacijo (ROI, ESG, tveganje)
• Omejitve
• Logiko odvisnosti
• Skladnost scenarijev

Pri predhodni optimizaciji se ne analizirajo le posamezni projekti, temveč sistem kot celota.

Opredeli se ciljna funkcija, formalizirajo se omejitve in na algoritmično strukturiran način se poišče kombinatorični prostor.

Rezultat ni pas pričakovanih vrednosti, temveč matematično določen portfelj.

10. Zakaj globalni optimum nadomešča Monte Carlo pri PPM s fiksnimi sredstvi

Ko se izračuna globalni optimum, je rezultat

• Maksimalna produktivnost kapitala
• Minimizirani oportunitetni stroški
• Strukturirano vključevanje tveganj
• Pregledna logika odločanja
• Upravljanje, odporno na revizijo

Monte Carlo lahko še vedno služi kot orodje za ugotavljanje občutljivosti, vendar ne kot podlaga za odločanje.

V kontekstu osnovnih sredstev izgubi svojo primarno vlogo.

11. Vloga programa StratePlan

StratePlan analizira celoten prostor odločanja o portfelju osnovnih sredstev, pri čemer upošteva

• Proračunske omejitve
• Odvisnosti projektov
• Večpredmetno optimizacijo
• regulativne omejitve
• Parametre tveganja

Namesto 10.000 naključnih žrebanj se optimalna konfiguracija portfelja določi algoritmično.

To ne izboljša metode Monte Carlo. Postane odveč.

Negotovost je namreč mogoče vključiti v ciljno funkcijo, ne da bi določili prostor odločanja.

12. Posledice za finančne direktorje in upravni odbor

Za finančne direktorje to pomeni

• Višjo donosnost kapitala
• Boljšo logiko razporejanja
• Pregledne predloge za odločanje
• Zmanjšanje dolga pri odločanju
• Zmanjšanje strukturnih napak pri razporejanju

Za upravne odbore to pomeni

• Preverljivo kakovost odločitev
• Revidirljivo logiko
• Zanesljivost upravljanja

Monte Carlo je bil odgovor na negotovost. Optimizacija je odgovor na zapletenost.

13. Zaključek

Monte Carlo je bil mejnik v modeliranju tveganja. Bil je sodoben.

Toda pri osnovnih sredstvih v PPM ocena tveganja ni več dovolj.

Potreben je popoln vpogled v prostor odločanja.

Simulacija odgovarja na napačno vprašanje o pravi odločitvi. Optimizacija odgovarja na pravo vprašanje.

Globalni optimum ni simulacija. Je lastnost strukture odločanja.

In takoj ko je izračunan, Monte Carlo izgubi svoj strateški pomen.

POGOSTA VPRAŠANJA

Ali je metoda Monte Carlo v osnovi napačna?

Ne. Monte Carlo je veljaven instrument za analizo negotovosti. Vendar ni metoda optimizacije in zato ni primeren za določanje globalno najboljšega portfelja.

Ali je Monte Carlo lahko uporaben v kombinaciji z optimizacijo?

Da, kot dodatna analiza občutljivosti po določitvi optimalnega portfelja. Ne kot primarna logika odločanja.

Zakaj razvrstitev po neto sedanji vrednosti ne zadostuje?

Ker so projekti soodvisni in proračunske omejitve ustvarjajo kombinatorične učinke, ki jih razvrščanje ne odraža.

Ali je globalna optimizacija matematično realistična za velike portfelje?

Da, sodobne algoritemske metode omogočajo strukturirano analizo eksponentnih prostorov odločanja.

Ali to pomeni konec modeliranja tveganja?

Ne. Tveganje je integrirano, vendar se ne simulira več ločeno.

Zakaj je to še posebej pomembno za osnovna sredstva?

Ker so napačne razporeditve dolgoročne in težko popravljive.

Ali to spreminja vlogo finančnega direktorja?

Da, od ocenjevanja tveganj posameznih projektov do sistemske arhitekture razporejanja kapitala.

Strateška posledica je jasna: donosnosti kapitala ne določa simulacija negotovosti. Gre za matematično strukturiranje prostora odločanja. In tu se začenja prihodnost upravljanja osnovnih sredstev.