مزایا و معایب شبیه سازی مونت کالو

شبیه سازی مونت کالو دارای مزایایی به شرح ذیل بوده است:

• • کاربرد آن پس از توسعه برنامه رایانه ای مربوطه آسان بوده و در این خصوص نرم افزارهای متعددی نیز موجود بوده است.

• برخلاف رویکردهای تحلیلی و یا رویکردهایی که راه حل هایی بسته ارائه می نمایند، در شبیه سازی مونت کارلو می توان فرآیندهای تصادفی پیشرفته تر از حرکت هندسی براونی را نیز ملحوظ نمود.
• در شبیه سازی مونت کارلو هیچ مورد و مشکلی برای اداره عوامل ریسک چندگانه ، همبستگی ها و دنباله های پهن وجود نداشته است.
• تعدیل و بهبود روش های شبیه سازی مونت کارلو آسان بوده است.
• برخلاف بسیاری از رویکردهای تحلیلی، در شبیه سازی مونت کارلو هیچ مسئله ای در رابطه با پیچیدگی های مربوط به وابستگی مسیر وجود ندارد.
• می توان از شبیه سازی مونت کارلو برای سبدهایی با ابزارهای ناهمگن و یا پیچیده مانند اوراق مشتقه اعتباری، اوراق بهادار با پشتوانه وام های رهنی و غیره نیز استفاده نمود.
• روش های شبیه سازی مونت کارلو را می توان به طرز قابل ملاحظه ای برای افزایش دقت و یا کاهش زمان محاسبه، پالایش نمود.
• شبیه سازی مونت کارلو می تواندشاخص هایی از دقت نتایج حاصله را نیز مشخص نموده و ارائه نماید. همچنین در این روش برآورد فواصل اطمینان بر اساس شاخص های پیش گفته بسیار ساده بوده است.
• در شبیه سازی مونت کارلو به راحتی می توان دقت نتایج را با افزایش تعداد تکرارها یا به بیان دیگر شبیه سازی ها افزایش داد.

برخی از معایب رویکرد شبیه سازی مونت کارلو عبارت است از:

• به علت تعداد محاسبات زیاد مورد نیاز ممکن است سرعت پاسخگویی آن بسیار کند باشد. خصوصا زمانی که با تعداد زیادی از عوامل ریسک سروکار داریم.
• در برخورد با مسائلی که ابعاد کمی دارند، نسبت به روش های تحلیلی از کارایی کمتری برخوردار بوده است.
• گاهی اوقات درک آنها مشکل بوده و اغلب برای کاربرد آن به مهارت های برنامه نویسی نیاز بوده است.

در نهایت بایستی عنوان نمود که یکی از عمده ترین ایرادات وارده بر روش شبیه سازی مونت کارلو سرعت همگرایی پایین آن بوده که این مسئله سرعت نیل به جواب را در این روش به مقدار قابل توجهی کاهش داده و شبیه سازی ها و تکرارهای متعدد را جهت دستیابی به جوابی قابل قبول ضروری ساخته است. جهت رفع ایراد پیش گفته و افزایش سرعت همگرایی در روش شبیه سازی مونت کارلو از روش های کاهش واریانس استفاده می شود.

روش های کاهش واریانس که دامنه گسترده ای از روش های مختلف مانند متغیرهای نقیض، کنترل نوسانات و نمونه گیری اهمیت را شامل می شوند به دنبال افزایش سرعت همگرایی در روش شبیه سازی مونت کارلو بوده اند. راه حل دیگر جهت بهبود سرعت نیل به جواب، استفاده از روش شبیه سازی شبه مونت کالو بوده است که در آن به جای استفاده از دنباله های تصادفی از دنباله های کم پراکنده استفاده می شود. در این روش تمرکز اصلی بر تولید اعدادی بوده است که بتوانند به صورتی یکنواخت تمام دامنه مسئله را پوشش دهند. ( معارفیان، 1389 ، ص73-74)