Метод Монте-Карло. 
Международный финансовый менеджмент

Имитационное моделирование по методу Монте-Карло — наиболее сложный, но и наиболее корректный способ оценки и учета рисков при обосновании инвестиционного решения. Он позволяет построить имитационную модель с неопределенными значениями параметров и, зная вероятностные распределения параметров конкретного проекта, а также связь (корреляцию) между изменениями параметров, получить распределение критерия эффективности анализируемого инвестиционного проекта. Укрупненный алгоритм процедуры имитации представлен на рис. 6.9.

Рис. 6.9. Алгоритм анализа рисков в модели Монте-Карло.

Метод Монте-Карло наиболее полно характеризует всю гамму неопределенностей, с которой может столкнуться реальный инвестиционный проект, и через задаваемые изначально ограничения позволяет учитывать всю доступную проектному аналитику информацию. Практическая реализация данного метода возможна только с применением компьютерных программ, позволяющих описывать прогнозные модели и рассчитывать большое число случайных сценариев.

Сценарный метод

Данный метод, как правило, используется для анализа рисков инвестиционных проектов, имеющих обозримое (разумное) число вариантов, графически изображаемых обычно в виде так называемого дерева решений.

Деревья решений представляют собой диаграммы, которые позволяют наглядно изучать различные альтернативы, а также вероятности их осуществления. Здесь каждый вариант действий или события представлен отдельной ветвью, ведущей к последующим ветвям, отражающим дальнейшие действия или возможные события. Дерево решений строится так, чтобы показать полный диапазон альтернатив и событий, которые могут произойти при всех анализируемых условиях.

Ценность дерева решений определяется возможностью провести с его помощью логический анализ, позволяющий проанализировать полную стратегию, учитывающую все возможные варианты до того, как компания выберет один из них. Рассмотрим пример и воспользуемся им, чтобы показать, как дерево решений может применяться для принятия решений в условиях неопределенности.

Пример. Международная компания рассматривает, целесообразно ли ей разрабатывать новый продукт и выходить с ним на мировой рынок. Затраты на разработку оцениваются в размере 180 тыс. евро, и существует вероятность 0,75, что разработки будут успешными и 0,25 — окончатся неудачей.

В случае завершения анализируемого проекта прогнозируются следующие оценки результатов:

• 1) с вероятностью 0,4 проект будет очень успешным, и прибыль в этом случае составит 540 тыс. евро;
• 2) с вероятностью 0,3 прогнозируется средняя успешность проекта, что обеспечит получение прибыли в размере 100 тыс. евро;
• 3) с вероятностью 0,3 проект «провалится», что принесет фирме убытки в 400 тыс. евро.

Соответствующее дерево решений, позволяющее принять обоснованное решение по реализации рассматриваемого проекта, приведено на рис. 6.10.

Общее ожидаемое значение прибыли от разработки продукта составляет, как это следует из приведенного выше дерева решений, 49 500 евро. Если следовать теории принятия решений, то заняться разработкой рассматриваемого продукта целесообразно. Однако это вовсе не означает, что прибыль в 49 500 евро — гарантированная. Вычисления только показывают, что если вероятности событий заданы правильно и решение будет повторено много раз, то средний размер прибыли составит 49 500 евро.

Рис. 6.10. Дерево решения для обоснования принятия проекта.

К сожалению, решения в рассматриваемом случае не будут повторяться много раз, так как понесенные компанией убытки могут заставить ее выйти из бизнеса до того, как у нее появится возможность повторить прежнее решение. Поэтому менеджеры при принятии решения о разработке данного продукта могут предпочесть анализ следующего распределения вероятностей:

После изучения этой информации менеджеры могут вполне обоснованно решить, что данный проект слишком рискованный, поскольку вероятность убытков близка к 0,5.

Таким образом, дерево решений представляет собой эффективный метод идентификации всех возможных альтернативных вариантов действий и их взаимозависимостей. Этот подход особенно полезен при установлении распределения вероятностей, когда исследователь имеет дело с большим числом различных комбинаций событий.