بهینه سازی مدیریت ریسک تحت دنباله های شبه تصادفی و مقایسه کارایی آن با روش مونت کارلوی زنجیرهای مارکف

ریسک به عنوان یک عامل تاثیرگذار در حیات سازمان ها و موسسات همواره مطرح بوده و از سوی دیگر پرداختن به هر امری بی‌شک در مراحلی عدم قطعیت هایی را به دنبال خواهد داشت. از دیدگاه نظری، هر فعالیت اقتصادی توام با درجه‌ای از ریسک بوده که آن را نمی‌توان حذف نمود. بنابراین نگرش علمی و منطقی به مسئله ریسک چیزی جز مدیریت آن نبوده است. ضرورت مدیریت و کنترل بهینه ریسک در بنگاه های بزرگ اقتصادی و تجاری موجب شده است که مطالعات گسترده‌ای در این زمینه صورت گیرد که به سرعت نیز در حال رشد و شکوفایی بوده است. یکی از ابزارهای قوی و مهم در مدیریت ریسک، اندازه‌گیری و کمی سازی ریسک بوده است.در این مقاله یک روش شبه مونت کارلو را بر مبنای توالی های دنباله های کم پراکنده نظیر هالتون و سوبول برای تخمین ارزش در معرض خطر در پیش بینی قیمت ریسک معرفی کرده و عملکرد آن را با شبیه‌سازی استاندارد مونت کارلو مورد مقایسه قرار داده‌ایم. در بررسی های انجام شده، روش شبه‌ مونت کارلو بین 2 تا 9 برابر سریعتر از شبیه‌سازی مونت کارلوی زنجیر مارکف می‌باشد. در نهایت ملاحظه می‌شود که روشهای شبه مونت کارلو باعث بهبودی بارز و چشمگیری در عملکرد شبیه سازی سهام شده و بنابراین زمان مورد نیاز برای دستیابی به اندازه گیری‌های قابل اعتماد و معتبر ریسک کاهش می‌یابد. ریسک به عنوان یک عامل تاثیرگذار در حیات سازمان ها و موسسات همواره مطرح بوده و از سوی دیگر پرداختن به هر امری بی‌شک در مراحلی عدم قطعیت هایی را به دنبال خواهد داشت. از دیدگاه نظری، هر فعالیت اقتصادی توام با درجه‌ای از ریسک بوده که آن را نمی‌توان حذف نمود. بنابراین نگرش علمی و منطقی به مسئله ریسک چیزی جز مدیریت آن نبوده است. ضرورت مدیریت و کنترل بهینه ریسک در بنگاه های بزرگ اقتصادی و تجاری موجب شده است که مطالعات گسترده‌ای در این زمینه صورت گیرد که به سرعت نیز در حال رشد و شکوفایی بوده است. یکی از ابزارهای قوی و مهم در مدیریت ریسک، اندازه‌گیری و کمی سازی ریسک بوده است.در این مقاله یک روش شبه مونت کارلو را بر مبنای توالی های دنباله های کم پراکنده نظیر هالتون و سوبول برای تخمین ارزش در معرض خطر در پیش بینی قیمت ریسک معرفی کرده و عملکرد آن را با شبیه‌سازی استاندارد مونت کارلو مورد مقایسه قرار داده‌ایم. در بررسی های انجام شده، روش شبه‌ مونت کارلو بین 2 تا 9 برابر سریعتر از شبیه‌سازی مونت کارلوی زنجیر مارکف می‌باشد. در نهایت ملاحظه می‌شود که روشهای شبه مونت کارلو باعث بهبودی بارز و چشمگیری در عملکرد شبیه سازی سهام شده و بنابراین زمان مورد نیاز برای دستیابی به اندازه گیری‌های قابل اعتماد و معتبر ریسک کاهش می‌یابد.

optimizing risk management under pseudo-random sequences and comparing its efficiency with monte carlo method of markov chains.

risk has always been an influential factor in the life of organizations and institutions, and on the other hand,dealing with any matter will undoubtedly lead to uncertainties at some stage. from a theoretical point of view,every economic activity is accompanied by a degree of risk that cannot be eliminated. therefore, a scientific andlogical approach to the issue of risk has been nothing but its management. the necessity of optimal riskmanagement and control in large economic and commercial enterprises has led to extensive studies in this field,which have been growing and flourishing rapidly. one of the powerful and important tools in risk managementhas been risk measurement and quantification. in this article, we introduce a quasi-monte carlo method basedon sequences of sparse sequences such as halton and sobol to estimate the value at risk in predicting the priceof risk and compare its performance with standard monte carlo simulation. in the studies conducted, the quasi-monte carlo method is between 2 and 9 times faster than markov chain monte carlo simulation. finally, it isobserved that quasi-monte carlo methods provide a significant and significant improvement in stock simulation.performance and thus reduce the time required to obtain reliable and valid risk measurements