蒙特卡洛模拟方法.ppt

《蒙特卡洛模拟方法.ppt》由会员分享，可在线阅读，更多相关《蒙特卡洛模拟方法.ppt（77页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。

1、蒙特卡罗模拟方法蒙特卡罗模拟方法 报 告 人：杨林 吴颖 科 目：项目风险管理 任课教师：尹志军蒙特卡罗模拟方法蒙特卡罗模拟方法一、蒙特卡罗方法概述二、蒙特卡罗方法模型三、蒙特卡罗方法的优缺点及其适用范围四、相关案例分析及软件操作五、问题及相关答案Monte Carlo方法的发展历史早在17世纪，人们就知道用事件发生的“频率”来决定事件的“概率”。从方法特征的角度来说可以一直追溯到18世纪后半叶的蒲丰（Buffon）随机投针试验，即著名的蒲丰问题。1707-1788 1777年，古稀之年的蒲丰在家中请来好些客人玩投针游戏（针长是线距之半），他事先没有给客人讲与有关的事。客人们虽然不知道主人的用

2、意，但是都参加了游戏。他们共投针2212次，其中704次相交。蒲丰说，2212/704=3.142，这就是值。这着实让人们惊喜不已。例蒲丰氏问题 设针投到地面上的位置可以用一组参数（x,）来描述，x为针中心的坐标，为针与平行线的夹角，如图所示。任意投针，就是意味着x与都是任意取的，但x的范围限于0，a，夹角的范围限于0，。在此情况下，针与平行线相交的数学条件是针在平行线间的位置 一些人进行了实验，其结果列于下表：实验者年份投计次数的实验值沃尔弗(Wolf)185050003.1596斯密思(Smith)185532043.1553福克斯(Fox)189411203.1419拉查里尼(Lazza

3、rini)190134083.1415929 20世纪四十年代，由于电子计算机的出现，利用电子计算机可以实现大量的随机抽样的试验，使得用随机试验方法解决实际问题才有了可能。其中作为当时的代表性工作便是在第二次世界大战期间，为解决原子弹研制工作中，裂变物质的中子随机扩散问题，美国数学家冯.诺伊曼（Von Neumann）和乌拉姆（Ulam）等提出蒙特卡罗模拟方法。由于当时工作是保密的，就给这种方法起了一个代号叫蒙特卡罗，即摩纳哥的一个赌城的名字。用赌城的名字作为随机模拟的名称，既反映了该方法的部分内涵，又易记忆，因而很快就得到人们的普遍接受。蒙特卡罗方法的基本思想蒙特卡罗方法又称计算机随机模拟方

4、法。它是以概率统计理论为基础的一种方法。由蒲丰试验可以看出，当所求问题的解是某个事件的概率，或者是某个随机变量的数学期望，或者是与概率、数学期望有关的量时，通过某种试验的方法，得出该事件发生的频率，或者该随机变量若干个具体观察值的算术平均值，通过它得到问题的解。这就是蒙特卡罗方法的基本思想。因此，可以通俗地说，蒙特卡罗方法是用随机试验的方法计算积分，即将所要计算的积分看作服从某种分布密度函数f(r)的随机变量(r)的数学期望 通过某种试验，得到个观察值r1，r2，rN（用概率语言来说，从分布密度函数f(r)中抽取个子样r1，r2，rN，），将相应的个随机变量的值g(r1)，g(r2)，g(rN

5、)的算术平均值 作为积分的估计值（近似值）。计算机模拟试验过程 计算机模拟试验过程，就是将试验过程（如投针问题）化为数学问题，在计算机上实现。模拟程序l=1;d=2;m=0;n=10000for k=1:n;x=unifrnd(0,d/2);y=unifrnd(0,pi);if x0.5*1*sin(y)m=m+1elseendendp=m/npi_m=1/p建立概率统计模型收集模型中风险变量的数据，确定风险因数的分布函数根据风险分析的精度要求，确定模拟次数 样本值统计分析，估计均值，标准差根据随机数在各风险变量的概率分布中随机抽样，代入第一步中建立的数学模型建立对随机变量的抽样方法，产生随机

6、数。例子某投资项目每年所得盈利额A由投资额P、劳动生产率L、和原料及能源价格Q三个因素。收集P,L,Q数据，确定分布函数模拟次数N；根据分布函数，产生随机数抽取P,L,Q一组随机数，带入模型产生 A值统计分析，估计均值，标准差根据历史数据，预测未来。模型建立的两点说明Monte Carlo方法在求解一个问题是，总是需要根据问题的要求构造一个用于求解的概率统计模型，常见的模型把问题的解化为一个随机变量 的某个参数 的估计问题。要估计的参数 通常设定为 的数学期望（亦平均值，即 ）。按统计学惯例，可用 的样本 的平均值来估计，即这时就必须采用主观概率,即由专家做出主观估计得到的概率。另一方面,在对

7、估测目标的资料与数据不足的情况下,不可能得知风险变量的真实分布时,根据当时或以前所收集到的类似信息和历史资料,通过专家分析或利用德尔菲法还是能够比较准确地估计上述各风险因素并用各种概率分布进行描述的。Crystal ball软件对各种概率分布进行拟合以选取最合适的分布。收集模型中风险变量的数据，确定风险因数的分布函数抽样次数与结果精度解的均值与方差的计算公式：是随机变量X的方差，而称 为估计量方差。通常蒙特卡罗模拟中的样本量n很大，由统计学的中心极限定理知 渐进正态分布，即：从而式中位小概率，1-称为置信度：是标准正态分布中与对应的临界值，可有统计分布表查得。由得统计学上称为与置信水平对应的置

8、信区间：我们就把 记做是误差得到人们习惯的结果误差表示：对于指定的误差,模拟所需抽样次数n可由 导出：随机数随机数的定义 用Monte Carlo方法模拟某过程时，需要产生各种概率分布的随机变量。最简单、最基本、最重要的随机变量是在0，1上均匀分布的随机变量。由该分布抽取的简单子样称为随机数序列，其中每一个体称为随机数。随机数属于一种特殊的由已知分布的随机抽样问题。随机数是随机抽样的基本工具。0，1上均匀分布（单位均匀分布），其分布密度函数为：分布函数为：特征：独立性独立性、均匀性均匀性随机数的产生方法随机数表物理方法计算机方法随机数表随机数表是由0,1,2,9十个数字组成，每个数字以0.1的

9、概率出现，数字之间相互独立。方法：如果要得到n位有效数字的随机数，只需将表中每n个相邻的随机数字合并在一起，且在最高位的前边加上小数点即可。例如：某随机数表第一行数字为7634258910，要想得到三位有效数字的随机数依次为：0.763，0.425，0.891物理方法基本原理：利用某些物理现象，在计算机上增加些特殊设备，可以在计算机上直接产生随机数。缺点：无法重复实现 费用昂贵计算机方法在计算机上产生随机数最实用、最常见的方法是数学方法，即用如下递推公式：产生随机数序列，对于给定的初始值 ，确定 ，n=1,2 存在的问题：1，不满足相互独立的要求 2，不可避免的出现重复问题 所以成为伪随机数

10、问题的解决：1.选取好的递推公式 2.不是本质问题产生伪随机数的乘同余方法乘同余方法是由Lehmer在1951年提出来的，它的一般形式是：对于任一初始值x1，伪随机数序列由下面递推公式确定：为乘子，为种子（初值）；M成为模数。上式表示 是 被M 整除后的余数，叫做 与 对模 M的同余。利用乘同余法产生伪随机数的步骤如下：（1）取种子 、乘子 、和模数M；（2）由式（1）获得一系列 ，.；（3）由式（2）得到一系列 ，。这就是所要产生的伪随机数的序列乘同余方法在计算机上的使用为了便于在计算机上使用，通常取：=2s其中s为计算机中二进制数的最大可能有效位数x1=奇数 a=52k+1 其中k为使52

11、k+1在计算机上所能容纳的最大整数，即a为计算机上所能容纳的5的最大奇次幂。一般地，s=32时，a=513；s=48，a=515等。伪随机数序列的最大容量(M)=2s-2。乘同余方法是使用的最多、最广的方法，在计算机上被广泛地使用。用MATLAB产生随机数语言：连续均匀分布的函数表达式为 R=unifrnd(A,B)演示：for n=1:100;k=unifrnd(0,1)end随机抽样及其特点随机抽样及其特点 由巳知分布的随机抽样指的是由己知分布的总体中抽取简单子样。随机数序列随机数序列是由单位均匀分布的总体中抽取的简单子样，属于一种特殊的由已知分布的随机抽样问题。下表所叙述的由任意已知分布

12、中抽取简单子样，是在假设随机数为已知量的前提下，使用严格的数学方法产生的。直接抽样方法直接抽样方法 对于任意给定的分布函数F(x)，直接抽样方法如下：其中，1，2，N为随机数序列。为方便起见，将上式简化为：若不加特殊说明，今后将总用这种类似的简化形式表示，总表示随机数。离散型分布的直接抽样方法离散型分布的直接抽样方法 对于任意离散型分布：其中x1，x2，为离散型分布函数的跳跃点，P1，P2，为相应的概率，根据前述直接抽样法，有离散型分布的直接抽样方法如下：该结果表明，为了实现由任意离散型分布的随机抽样，直接抽样方法是非常理想的。例例1.二项分布的抽样二项分布的抽样 二项分布为离散型分布，其概率

13、函数为：其中，P为概率。对该分布的直接抽样方法如下：例例2.掷骰子点数的抽样掷骰子点数的抽样 掷骰子点数X=n的概率为：选取随机数，如 则 在等概率的情况下，可使用如下更简单的方法：其中表示取整数。连续型分布的直接抽样方法连续型分布的直接抽样方法 对于连续型分布，如果分布函数F(x)的反函数 F1(x)存在，则直接抽样方法是：例例3.在在a，b上均匀分布的抽上均匀分布的抽样样 在a，b上均匀分布的分布函数为：则 由任意已知分布中抽取简单子样的方法还包括，挑选抽样方法，复合抽样方法，复合挑选抽样方法，替换抽样方法。圆内均匀分布抽样要用到挑选抽样方法，指数分布函数抽样要用到复合抽样方法，正态分布的

14、抽样和分布的抽样要用到替换抽样方法等。每种方法各有其优缺点和使用范围。常用概率分布的抽样公式 分布名称抽样公式注a，b均匀分布指数分布正态分布三角分布a，b，c为三角分布的参数分布r，s为函数参数 三角分布 三角形概率分布是一种应用较广连续型概率分布,它是一种3点估计:特别适用于对那些风险变量缺乏历史统计资料和数据,但可以经过咨询专家意见,得出各参数变量的最乐观值(a),最可能出现的中间值(b)以及最悲观值(m),这3个估计值(a,b,m)构成一个三角形分布。实际上，Matlab软件为我们提供了一种简单快捷的产生各种常用分布随机数的方法。其功能和特点：（1）界面友好，编程效率高。（2）功能强大

15、，可扩展性强。（3）强大的数值计算功能和符号计算功能。（4）图形功能灵活方便。Matlab常用的随机数产生函数函数名调用形式函数注释betarndR=betarnd(A,B)分布随机数产生函数binorndR=binornd(N,P,MM,NN)二项分布随机数产生函数chi2rndR=chi2rnd(v)卡方分布随机数产生函数frndR=frnd(v1,v2)F分布随机数产生函数georndR=geornd(p)几何分布随机数产生函数hygerndR=hygernd(M,K,N)超几何分布随机数产生函数mvnrndR=mvnrnd(mu,sigma,cases)多元正态分布随机数产生函数nor

16、mrndR=normrnd(mu,sigma)正态分布随机数产生函数trndR=trnd(v)t分布随机数产生函数 有了这些随机产生函数，就可以直接产生满足分布F(x)的随机数了，而无需通过先求出连续均匀分布的随机数，再通过抽样公式得出所求分布函数的随机抽样。演示：for n=1:100;k=betarnd(0.1,100)end蒙特卡罗方法的特点优点能够比较逼真地描述具有随机性质的事物的特点及物理实验过程。受几何条件限制小。收敛速度与问题的维数无关。误差容易确定。程序结构简单，易于实现。缺点收敛速度慢。误差具有概率性。进行模拟的前提是各输入变量是相互独立的。能够比较逼真地描述具有随机性质的事

17、物的特点及物理实验过程从这个意义上讲，蒙特卡罗方法可以部分代替物理实验，甚至可以得到物理实验难以得到的结果。用蒙特卡罗方法解决实际问题，可以直接从实际问题本身出发，而不从方程或数学表达式出发。它有直观、形象的特点。受几何条件限制小在计算s维空间中的任一区域Ds上的积分，无论区域Ds的形状多么特殊，只要能给出描述Ds的几何特征的条件，就可以从Ds中均匀产生N个点收敛速度与问题的维数无关由误差定义可知，在给定置信水平情况下，蒙特卡罗方法的收敛速度为，与问题本身的维数无关。维数的变化，只引起抽样时间及估计量计算时间的变化，不影响误差。也就是说，使用蒙特卡罗方法时，抽取的子样总数N与维数s无关。维数的

18、增加，除了增加相应的计算量外，不影响问题的误差。这一特点，决定了蒙特卡罗方法对多维问题的适应性。程序结构简单，易于实现在计算机上进行蒙特卡罗方法计算时，程序结构简单，分块性强，易于实现。收敛速度慢如前所述，蒙特卡罗方法的收敛为 ，一般不容易得到精确度较高的近似结果。对于维数少（三维以下）的问题，不如其他方法好。误差具有概率性 由于蒙特卡罗方法的误差是在一定置信水平下估计的，所以它的误差具有概率性，而不是一般意义下的误差。蒙特卡罗方法的主要应用范围蒙特卡罗方法的主要应用范围 蒙特卡罗方法所特有的优点，使得它的应用范围越来越广。它的主要应用范围包括：粒子输运问题，统计物理，典型数学问题，真空技术，

19、激光技术以及医学，生物，探矿等方面，特别适用于在计算机上对大型项目、新产品项目和其他含有大量不确定因素的复杂决策系统进行风险模拟分析。随着科学技术的发展，其应用范围将更加广泛。第五节 项目风险案例分析 现以成都某房地产开发公司对一综合开发用地进行投资开发为例，用基于蒙特卡罗模拟方法为原理的 EXCEL 插件Crystal Ball工具对该开发项目进行风险决策分析。一、项目概况和基本数据的确定 该项目位于成都市锦江区，占地面积 47 亩；该房地产公司根据市场状况调查，结合该地块的规划说明，在做了充分的方案设计之后，确定了两套主要的投资方案。甲方案：该地块主要以小高层电梯住宅开发为主，辅以车库和部

20、分商业配套设施，开发期共三年。甲方案预测出的的主要经济技术指标见表5-1。表5-1 甲方案的主要经济技术指标 序号项目合计建设经营期200520062007一现金流入45306018064272421销售收入4530601806427242二现金流出413531627712329127471开发建设投资2658316277850218042营业税金及附加25140100315123土地增值税22920022924所得税9964028257139三净现金流量（税后）3953-16277573514495累计净现金流量（税后）-16277-105423953四现值系数（i=10%)10.9090.

21、826五净现值（税后）915-16277521411979累计净现值（税后）-16277-11064915 乙方案：将该地块开发为商业类地产为主，外设露天停车场，配以部分小户型电梯公寓，开发期仍为三年。乙方案预测出的的主要经济技术指标见表5-2。表5-2 乙方案的主要经济技术指标 序号项目合计建设经营期200520062007一现金流入54660032082218401销售收入5466003208221840二现金流出492151762819391121961开发建设投资30626176281095520432营业税金及附加30340182212123土地增值税41900041904所得税11

22、365066144750三净现金流量（税后）5445-17628134299644累计净现金流量（税后）-17628-41995445四现值系数（i=10%)10.9090.826五净现值（税后）2550-17628122087970累计净现值（税后）-17628-54202550 根据该表 5-1 第五项，我们可以得出甲方案的财务净现值NPV=915 万元，同样根据该表 5-2 第五项，我们可以得出乙方案的财务净现值NPV=2550 万元。通过对两种方案动态财务指标的比较，我们可以很明确的断定采用乙方案将是开发商最佳的选择。但不容忽略的一点是，以商业类开发为主的乙方案，在销售期间，销售面积和

23、销售价格具有较大的不确定性；而以住宅类开发为主的甲方案在对未来的销售面积和销售价格方面将有更大的把握度。仅从这点上我们就可以判断乙方案的风险大于甲方案。为了做出精准的判断，需要在此基础之上进行更精准的风险分析。二、采用蒙特卡罗方法进行风险决策分析（一）、识别项目风险 在投资开发项目时，实际情况千差万别，重要的风险变量也各不相同，这就需要分析人员根据项目的具体情况，运用适当的风险辨识的方法从影响投资的众多因素中找出关键的风险变量。本案例采用“德尔菲法”确定影响该项目的7个主要风险变量：住宅销售收入（P1*S1）、商业销售收入（P2*S2）、土地费用（K1）、前期费用（K2）、开发建设费用（K3）

24、、营销费用（K4）、其他费用（K5）。（二）、确定每个风险变量的概率分布 同样采用“德尔菲法”估计出以上 7 个风险变量概率分布和其分布函数中的具体参数,如下表所示：表5-3 甲方案风险变量概率分布 第一年分布参数住宅类销售收入三角分布无销售收入商业类销售收入三角分布无销售收入土地费用均匀分布a：11182 b:12105前期费用正态分布均值：911 方差：50开发建设费用三角分布a：3112 b：3374 m：3276营销费用三角分布a：235 b：329 m：313其他费用正态分布均值：249 方差：15第二年分布参数住宅类销售收入三角分布a：13710 b：18762 m：14432商业

25、类销售收入三角分布a：759 b：1036 m：1012土地费用均匀分布无支出前期费用正态分布均值：727 方差：30开发建设费用三角分布a：6027 b：6813 m：6551营销费用三角分布a：251 b：326 m：313其他费用正态分布均值：911 方差：55第三年住宅类销售收入三角分布a：21569 b：28515 m：22704商业类销售收入三角分布a：1304 b：1739 m：1656土地费用均匀分布无支出前期费用正态分布无支出开发建设费用三角分布a：1085 b：1136 m：1092营销费用三角分布a：334 b：443 m：418其他费用正态分布均值：294 方差：20表

26、5-4 乙方案风险变量概率分布 第一年分布参数住宅类销售收入三角分布无销售收入商业类销售收入三角分布无销售收入土地费用均匀分布a：11182 b:12105前期费用正态分布均值：1249 方差：80开发建设费用三角分布a：4007 b：4555 m：4218营销费用三角分布a：258 b：413 m：368其他费用正态分布均值：265 方差：30第二年分布参数住宅类销售收入三角分布a：3996 b：5328 m：4440商业类销售收入三角分布a：14190 b：28948 m：28380土地费用均匀分布无支出前期费用正态分布均值：1003 方差：90开发建设费用三角分布a：7760 b：911

27、0 m：8435营销费用三角分布a：472 b：565 m：491其他费用正态分布均值：1025 方差：100第三年住宅类销售收入三角分布a：1080 b：1440 m：1200商业类销售收入三角分布a：10526 b：21053 m：20640土地费用均匀分布无支出前期费用正态分布无支出开发建设费用三角分布a：1397 b：1518 m：1405营销费用三角分布a：350 b：442 m：368其他费用正态分布均值：269 方差：30三、定义模型并确定模拟次数 定义财务净现值NPV的模型为：其中，i为基准折现率，n为项目的生命周期。为了确保模拟结果与实际分布最大限度的接近一致，我们取95%的

28、置信度，拟进行10000次的模拟实验。进行10000次的模拟，得出甲、乙方案的NPV的统计数据。表5-5 甲方案的评价指标统计值 统计值NPV模拟次数10000均值672.24中值604.66标准差1052.27方差1107271.23偏差0.3347峰度2.72Coeff.of Variability1.57最小值-1833.45最大值4448.76标准误差1052表5-6 乙方案的评价指标统计值 统计值NPV模拟次数10000均值432.59中值617.6标准差2157.44方差4654568.25偏差-0.3882峰度2.66Coeff.of Variability4.99最小值-733

29、4.47最大值5529.92标准误差21.57 (四）、分析决策 1、通过表 5-5 甲方案的财务净现值统计值和表 5-6 乙方案的财务净现值统计值，我们可以出，两个方案的NPV 期望值均大于零，但甲方案的值大于乙方案。2、进一步对各方案的风险度进行比较，甲方案NPV 的标准差为1052.27，而乙的标准差为 2157.44，说明乙方案的偏离程度较大；并且甲方案NPV 介于min:-1833.45,max:4448.76之间,乙方案NPV 在min:-7334.47,max:5529.92之间，再次说明乙方案 NPV 的风险度大于甲方案。3、利用 EXCEAL 可以很容易评价指标具体的概率分布

30、，如表 5-7，表5-7 甲乙方案风险概率分布 甲方案的概率分布乙方案的概率分布概率分布NPV概率分布NPV0-1955.550-7322.82929710-635.3310-2546.58849120-260.6820-1446.0021328.24030-649.92837443052.1339.33040342.164037.728432315062350648.925504960913.27601242.515518701214.76701810.410075801585.54802404.753152902098.39903149.8521391004534.231005477.69

31、1348 因此，应该采用甲方案。4、总结 通过上面的分析，利用蒙特卡罗方法模拟分析得出的结果与使用传统的分析技术得出的结果相比，不仅能够分析风险因素对整个项目预期收益的影响程度，而且还能科学地估计出风险发生的概率大小，并且这样的估计是建立在充分考虑了多个风险变量共同影响、共同作用的基础之上，能够为风险决策者提供有实用价值的决策依据。因此有助于我们对多套投资方案进行筛选比较。Crystal Ball软件简介 Crystal Ball软件是由美国Decisioneering公司开发的,为Excel电子表格提供的功能强大的加载宏。它充分利用微软视窗环境,提供了含有易学易用的图形包的高级模拟技术的独特

32、组合。该软件包主要有计算机仿真模拟功能、时间序列数据生成预测和OptQuest功能,使其可以在运行结果中自动搜索仿真模型的最优解。Crystal Ball软件的使用步骤 定义随机的输入单元格:加载Crystal Ball到Excel中,并且建立一个工作表,将投资预测的相关变量输入电子表格中;定义随机单元格的概率分布:利用软件的Define Assumption功能为相应变量设定概率分布,利用Define Decision定义决策变量;定义预测的输出单元格:利用Define Forecast功能定义输出变量的单元格;设定运行参数:在Run Preference功能中定义模拟次数、敏感度分析等参数

33、;运行仿真:点击Run进行模拟运算,分析模拟结果。问题1、蒙特卡罗方法的基本思想是什么？2、用蒙特卡罗模型解决实际问题的基本步骤是什么？3、蒙特卡罗方法的优缺点各有哪些？4、由蒙特卡罗方法的误差公式我们可以推断出其有那些优缺点？5 蒙特卡罗模拟与随机抽样统计分析有什么区别？The answer 1、当所求问题的解是某个事件的概率，或者是某个随机变量的数学期望，或者是与概率、数学期望有关的量时，通过某种试验的方法，得出该事件发生的频率，或者该随机变量若干个具体观察值的算术平均值，通过它得到问题的解。这就是蒙特卡罗方法的基本思想。2、（1）建立数学模型 （2）收集模型中风险变量的数据，确定风险因数

34、的分布函数。（3）确定模拟次数、产生随机数。（4）由产生的随机数在各风险变量的分布函数中随机抽样，带入模型求出目标变量的一个样本值。（5）重复第4步N次，产生N个样本值，对得到的N个样本值进行统计分析。3、优点能够比较逼真地描述具有随机性质的事物的特点及物理实验过程。受几何条件限制小。收敛速度与问题的维数无关。误差容易确定。程序结构简单，易于实现。缺点 收敛速度慢。误差具有概率性。进行模拟的前提是各输入变量是相互独立的。4、通常，蒙特卡罗方法的误差定义为上式中 与置信度是一一对应的，根据问题的要求确定出置信水平后，查标准正态分布表，就可以确定出 。蒙特卡罗方法的误差为概率误差 由此性质我们可以

35、得知蒙特卡罗的优点：收敛速度与问题的维数无关。误差容易确定。以及缺点：误差具有概率性。5、蒙特卡罗模拟是一种simulation，通过建立模型，产生相应分布的随机数(实际是伪随机变量)，来模拟实际存在的过程，并且分析相关的结果。比如，首先观察客观世界，某一个过程有几个步骤，每个步骤所用的时间符合哪种分布(可以是估计)，数学特征是什么(可能通过测量)，然后建立起相关的模型。通过一定的算法，产生符合标准正态分布的伪随机变量，然后对变量进行运算，来产生其他分布的变量，比如泊松分布，指数分布等。对于模型中的每个步骤，通过产生的随机变量进行模拟，来得到整个过程所用的时间的数学特征，比如平均值，方差等。根

36、据这些数学特征，就可以对以后的发展做出预测。而随机抽样统计分析是对实际数据的抽样分析。通过抽样的数学特征，来估计样本的数学特征。也就是通过局部认识总体。一句话概括，蒙特卡罗模拟对计算机产生的，而不是对实际存在的数据统计，而随机抽样分析是对实际存在的数据分析。思考题对蒙特卡洛方法中风险变量相关性的探讨？主要文献 1 陈立文.项目投资风险分析理论与方法.北京：机械工业出版社，20042 尹志军.工程项目投资风险度量与模拟及收益优化模型研究：学位论文，天津：河北工业大学，2002 3 王卓甫.工程项目风险管理.北京：中国水利水电出版社，20024 石海均.房地产投资分析.大连：大连理工大学出版社，19945 闫雪晶.蒙特卡罗模拟方法房地产投资风险分析的应用：学位论文，成都：西南财经大学，20066 杨衡.蒙特卡罗模拟优化与风险决策分析的应用研究：学位论文，天津：天津大学，2004 7 刘军.蒙特卡罗方法及应用：课件，哈佛大学，20058 林谦.蒙特卡罗方法及应用：课件，清华大学，2007请老师和各位同学批评指正！请老师和各位同学批评指正！谢谢！谢谢！