PL 
EnglishDomyślny
Українська🎲 Estymacja Monte Carlo: od π do ryzyka finansowego
Obserwuj prawdziwą symulację Monte Carlo działającą na żywo w 3D: oszacuj π, rozrzucając losowe punkty w okręgu, oszacuj całkę oznaczoną, próbkując powierzchnię, i oblicz rzeczywistą finansową wartość zagrożoną z tysięcy symulowanych ścieżek cen — wszystko zbiegające z klasycznym tempem 1/√N.
O tej symulacji
Obserwuj prawdziwą symulację Monte Carlo działającą na żywo w 3D: oszacuj π, rozrzucając losowe punkty w okręgu, oszacuj całkę oznaczoną, próbkując powierzchnię, i oblicz rzeczywistą finansową wartość zagrożoną z tysięcy symulowanych ścieżek cen — wszystko zbiegające z klasycznym tempem 1/√N.
📖 O symulacji
Estymacja Monte Carlo zastępuje dokładne obliczenia powtarzanym losowym próbkowaniem, uzasadnionym prawem wielkich liczb: gdy liczba niezależnych próbek N rośnie, średnia z próby zbiega do prawdziwej wartości oczekiwanej. Błąd estymacji Monte Carlo maleje z charakterystycznym tempem O(1/√N), niezależnie od tego, ile wymiarów ma badany problem — poczwórne zwiększenie liczby próbek zmniejsza błąd tylko o połowę. To jej decydująca przewaga nad siatkowym całkowaniem numerycznym (kwadraturą), którego koszt eksplodowa wykładniczo wraz z wymiarowością ('klątwa wymiarowości'); estymator Monte Carlo nie płaci takiej kary, dlatego dominuje w wysokowymiarowych problemach finansów, fizyki i uczenia maszynowego.
🎮 Jak korzystać
Ten symulator uruchamia trzy powiązane demonstracje z prawdziwym losowym próbkowaniem na żywo — bez wcześniej upieczonych wyników. Tryb π rozrzuca losowe punkty w kwadracie jednostkowym i liczy ułamek lądujący wewnątrz wpisanego ćwiartkowego okręgu: ten ułamek razy 4 szacuje π. Tryb Całka próbkuje powierzchnię 3D z=f(x,y) losowo w punktach (x,y) i uśrednia zebrane wysokości, skalując przez pole obszaru, by oszacować objętość pod spodem — całkę oznaczoną. Tryb VaR symuluje tysiące losowych ścieżek cen aktywów pod geometrycznym ruchem Browna (dS=μS dt+σS dW), standardowym modelem cen akcji, i odczytuje 5. percentyl symulowanego rozkładu ceny końcowej jako empiryczną wartość zagrożoną. Przełączaj tryby, dostosuj tempo próbkowania i obserwuj, jak błąd standardowy każdej estymacji maleje na żywo wraz ze wzrostem N.
Najczęściej zadawane pytania
Czym jest estymacja Monte Carlo?
Estymacja Monte Carlo przybliża wielkość trudną do obliczenia analitycznie — pole, całkę, prawdopodobieństwo, miarę ryzyka — poprzez pobieranie wielu niezależnych losowych próbek i uśrednianie funkcji z nich. Prawo wielkich liczb gwarantuje, że średnia zbiega do prawdziwej wartości, gdy liczba próbek N rośnie; dokładność poprawia się w przewidywalny sposób, nawet gdy nie istnieje rozwiązanie w postaci zamkniętej.
Dlaczego błąd maleje jak 1/√N i dlaczego wymiarowość nie ma znaczenia?
Zgodnie z centralnym twierdzeniem granicznym, błąd standardowy średniej Monte Carlo to σ/√N, gdzie σ to odchylenie standardowe próbkowanej wielkości — obowiązuje to niezależnie od liczby wymiarów wejściowych problemu, ponieważ zależy tylko od wariancji pojedynczego uśrednianego wyniku. Siatkowe całkowanie numeryczne, w przeciwieństwie, potrzebuje liczby punktów siatki, która rośnie wykładniczo wraz z liczbą wymiarów, by utrzymać stałą dokładność — 'klątwa wymiarowości' — dlatego Monte Carlo przewyższa kwadraturę, gdy problem ma więcej niż garstkę wymiarów.
Jak działa demonstracja estymacji π?
Punkty są losowane jednostajnie wewnątrz kwadratu jednostkowego. Punkt (x,y) leży wewnątrz wpisanego ćwiartkowego okręgu o promieniu 1 dokładnie wtedy, gdy x²+y²≤1. Ponieważ ćwiartkowy okrąg pokrywa ułamek π/4 pola kwadratu, cztery razy obserwowany ułamek punktów lądujących wewnątrz jest nieobciążonym estymatorem π — ten symulator liczy trafienia i pudła na żywo i przelicza estymację co klatkę.
Jak działa demonstracja estymacji całki?
Dla funkcji f(x,y) na dziedzinie o polu A, twierdzenie o wartości średniej dla całek mówi, że średnia wartość f na dziedzinie razy A równa się podwójnej całce z f. Demonstracja próbkuje (x,y) jednostajnie losowo, oblicza f w każdym punkcie, utrzymuje bieżącą średnią i mnoży przez A — pole dziedziny — by oszacować objętość pod powierzchnią bez oceniania f na stałej siatce.
Czym jest geometryczny ruch Browna i dlaczego jest używany dla cen akcji?
Geometryczny ruch Browna (GBM) modeluje cenę aktywa S jako dS = μS dt + σS dW, gdzie μ to roczny dryft, σ roczna zmienność, a dW przyrost procesu Wienera (szum gaussowski). Jest standardowym elementem konstrukcyjnym modelu Blacka-Scholesa, ponieważ utrzymuje ceny dodatnie i daje logarytmiczne stopy zwrotu o rozkładzie normalnym, dość dobrze pasując do zgrubnego kształtu rzeczywistych danych o zwrotach w krótkim i średnim horyzoncie.
Czym jest wartość zagrożona (VaR) i jak jest tu obliczana?
Wartość zagrożona na poziomie 5% to strata, która nie powinna zostać przekroczona z pewnością 95% w danym horyzoncie. Ten symulator szacuje ją empirycznie: symuluje wiele niezależnych ścieżek cen GBM, zbiera ich ceny końcowe i odczytuje 5. percentyl tego empirycznego rozkładu — strata przy tym percentylu to symulowana VaR. Pokazana jest też teoretyczna VaR, obliczona w postaci zamkniętej z znanego rozkładu logarytmiczno-normalnego ceny końcowej GBM.
Jakie są krytyki i ograniczenia VaR jako miary ryzyka?
VaR jest jedną z najczęściej używanych miar ryzyka w finansach, ale ma dobrze znane słabości: nic nie mówi o tym, jak złe mogą być straty powyżej progu (nie jest 'spójna' w sensie technicznym, w przeciwieństwie do Expected Shortfall/CVaR), może zachęcać do koncentracji ryzyka w ogonie rozkładu, a rzeczywiste rynki wykazują grube ogony, klastrowanie zmienności i skoki, które prosty model GBM niedoszacowuje. Pozostaje standardem, ponieważ jest intuicyjna i prosta w obliczeniu, ale menedżerowie ryzyka zwykle łączą ją z innymi miarami.
Czym Monte Carlo różni się od siatkowego całkowania numerycznego?
Kwadratura siatkowa ocenia funkcję w deterministycznych, równo rozmieszczonych punktach i łączy je ze stałymi wagami; jej błąd zwykle maleje wielomianowo wraz z liczbą punktów siatki na wymiar, ale całkowita liczba punktów potrzebna do pokrycia siatki d-wymiarowej rośnie wykładniczo wraz z d. Monte Carlo zamiast tego ocenia funkcję w losowych punktach; jej błąd maleje jak O(1/√N) niezależnie od wymiaru, więc staje się bardziej wydajnym wyborem, gdy problem ma więcej niż w przybliżeniu 3-4 wymiary — ważny powód, dla którego dominuje w finansach i fizyce, gdzie modele często mają dziesiątki lub tysiące wymiarów.
Czy symulacja Monte Carlo to prawdziwa nauka, czy tylko sztuczka numeryczna?
Jest zarówno rygorystyczna, jak i praktyczna. Jej właściwości zbieżności są udowodnione przez prawo wielkich liczb i centralne twierdzenie graniczne, dając wymierne granice błędu (błąd standardowy pokazany na żywo w tym symulatorze), a nie tylko wiarygodnie wyglądającą odpowiedź. Metody Monte Carlo są używane w całej fizyce (transport cząstek, mechanika statystyczna), inżynierii (analiza niezawodności) i finansach (wycena instrumentów pochodnych, zarządzanie ryzykiem) właśnie dlatego, że ich dokładność można oszacować i kontrolować, wybierając N.