การใช้ประโยชน์จากการจำลอง Monte Carlo

Monte Carlo Simulations ใน Python

Izzy Weber

Curriculum Manager, DataCamp

ความหลากหลายของการประยุกต์ใช้

การจำลอง Monte Carlo ถูกนำไปใช้ในหลายสาขา เช่น...

การเงินและธุรกิจ
วิศวกรรม
วิทยาศาสตร์กายภาพ

การพยากรณ์ราคาหุ้น

กราฟแสดงราคาหุ้นที่จำลองขึ้นตามเวลา

¹ https://marketxls.com/monte-carlo-simulation-excel

การบริหารความเสี่ยง

กราฟแสดงช่วงความเชื่อมั่น VaR

¹ https://www.investopedia.com/articles/04/092904.asp https://corporatefinanceinstitute.com/course/modeling-risk-monte-carlo-simulation/

การระบุตำแหน่งจับยึด

กราฟิกแสดงตำแหน่งจับยึดของโปรตีน

¹ https://pubs.rsc.org/en/content/articlelanding/2020/ra/d0ra01127d

การวิเคราะห์ความน่าเชื่อถือในงานวิศวกรรม

กราฟแสดงโดเมนที่ปลอดภัยและโดเมนที่เกิดความล้มเหลว

¹ www.researchgate.net/publication/228814883_Probabilistic_Transformation_Method_in_Reliability_Analysis

ข้อดีของการจำลอง Monte Carlo

คำนึงถึงช่วงค่าที่เป็นไปได้ของตัวแปรนำเข้าต่าง ๆ
แสดงไม่เพียงแค่สิ่งที่อาจเกิดขึ้น แต่ยังบอกความน่าจะเป็นของแต่ละผลลัพธ์
ช่วยให้มองเห็นช่วงของผลลัพธ์ที่เป็นไปได้ได้ง่าย
สามารถวิเคราะห์ว่าจะเกิดอะไรขึ้นภายใต้เงื่อนไขที่แตกต่างกัน

การเพิ่มประสิทธิภาพด้วยการจำลอง Monte Carlo

ถุงลูกเต๋าลำเอียง

ทอยลูกเต๋าจากถุงสองใบ แต่ละใบบรรจุลูกเต๋าลำเอียงสามลูก:

bag1 = [[1, 2, 3, 6, 6, 6], [1, 2, 3, 4, 4, 6], [1, 2, 3, 3, 3, 5]]
bag2 = [[2, 2, 3, 4, 5, 6], [3, 3, 3, 4, 4, 5], [1, 1, 2, 4, 5, 5]]

การจำลอง:

สุ่มหยิบลูกเต๋าจากแต่ละถุงหนึ่งลูก แล้วทอยพร้อมกัน
สำเร็จหากผลรวมของลูกเต๋าทั้งสองเท่ากับแปด ไม่เช่นนั้นถือว่าล้มเหลว
คำนวณความน่าจะเป็นของความสำเร็จสำหรับลูกเต๋าแต่ละคู่ที่ไม่ซ้ำกัน

การจำลองลูกเต๋าลำเอียง

def roll_biased_dice(n):
    results = {}

    for i in range(n):
        bag_index1 = random.randint(0, 2)
        die_index1 = random.randint(0, 5)
        bag_index2 = random.randint(0, 2)
        die_index2 = random.randint(0, 5)

        point1 = bag1[bag_index1][die_index1]
        point2 = bag2[bag_index2][die_index2]

        key = "%s_%s" % (point1, point2)

        if point1 + point2 == 8: 
            if key not in results:
                results[key] = 1
            else:
                results[key] += 1

ผลลัพธ์ของลูกเต๋าลำเอียง

dice1_dice2	probability_of_success
6_2	5.54
3_5	2.67
2_6	1.45
4_4	4

ผลลัพธ์ของลูกเต๋าลำเอียง

bag1 = [[1, 2, 3, 6, 6, 6], [1, 2, 3, 4, 4, 6], [1, 2, 3, 3, 3, 5]]
bag2 = [[2, 2, 3, 4, 5, 6], [3, 3, 3, 4, 4, 5], [1, 1, 2, 4, 5, 5]]

ผลการจำลอง 10,000 รอบ: แผนภูมิแท่งแสดงความน่าจะเป็นของความสำเร็จในแต่ละคู่ลูกเต๋า

ผลลัพธ์ของลูกเต๋าลำเอียง

bag1 = [[2, 2, 3, 4, 6, 6], [1, 2, 2, 4, 6, 6], [1, 2, 3, 3, 3, 3]]
bag2 = [[1, 2, 3, 4, 5, 6], [1, 3, 3, 4, 4, 6], [2, 2, 2, 3, 5, 5]]

ข้อจำกัดของการจำลอง Monte Carlo

ผลลัพธ์ของโมเดลขึ้นอยู่กับคุณภาพของข้อมูลนำเข้า
ความน่าจะเป็นของเหตุการณ์สุดขีดมักถูกประเมินต่ำเกินไป

มาฝึกกันเถอะ!

Monte Carlo Simulations ใน Python