Professional Documents
Culture Documents
СКЛАДНИЙ ПРОЦЕС ПУАCСОНА І ЙОГО ВИКОРИСТАННЯ В ТЕОРІЇ БАНКРУТСТВА
СКЛАДНИЙ ПРОЦЕС ПУАCСОНА І ЙОГО ВИКОРИСТАННЯ В ТЕОРІЇ БАНКРУТСТВА
КУРСОВА РОБОТА
НА ТЕМУ:
«СКЛАДНИЙ ПРОЦЕС ПУАCСОНА І ЙОГО ВИКОРИСТАННЯ В ТЕОРІЇ БАНКРУТСТВА»
Виконав:
студент 4 курсу
механіко-математичного факультету
групи «Ймовірність, інформація,
обробка даних»
Сторожук Артем Олексійович
Науковий керівник:
кандидат фізико-математичних наук
доцент кафедри теорії ймовірностей,
статистики та актуарної математики
Яневич Тетяна Олександрівна
КИЇВ – 2021
1
Зміст
1. Вступ
2. Однорідний складний процес Пуассона
Алгоритм моделювання однорідного складного процесу Пуассона
Приклад моделювання однорідного складного процесу Пуассона
3. Неоднорідний складний процес Пуассона
Алгоритм моделювання неоднорідного складного процесу Пуассона
Приклад моделювання неоднорідного складного процесу Пуассона
4. Теорія банкрутства
Класичний процес ризику
Приклад моделювання процесу ризику
Означення ймовірності банкрутства
Коригуючий коефіцієнт
Нерівність Лундберга
5. Висновки
6. Джерела та література
7. Додаток
2
Вступ
Одним з найважливіших процесів, що використовується для моделювання
3
Однорідний складний процес Пуассона
Для початку дамо означення складного процесу Пуассона.
Означення: Стохастичний процес { X ( t ) ,t ≥ 0} називається складним процесом
N(t )
розподілу F .
4
Алгоритм моделювання однорідного складного процесу Пуассона
Крок 1: t=0 , N=0, S=0
Крок 2: Генеруємо в.в. U , U [0 , 1]
1
Крок 3: t=t− λ ln U i. Якщо t >T , зупиняємось.
5
Приклад моделювання однорідного складного процесу Пуассона
Задача 1. Автобуси прибувають на спортивну подію згідно з пуассонівським
процесом з інтенсивністю 5 за годину. В кожному автобусі знаходиться 20, 21,…,
40 фанатів і їх кількість у різних автобусах незалежна. Напишіть алгоритм для
моделювання прибуття фанатів на подію до часу t=1.
Розв’язок: Побудуємо модель на відрізку [0 ,1] з інтенсивністю λ=5. Для
моделювання будемо використовувати мову програмування Python. Для
моделювання будемо використовувати готові пакети math, matplotlib.pyplot,
random.
6
Візуалізуємо отримані дані на діаграмі за допомогою бібліотеки matplotlib.pyplot:
7
Отже, ми змоделювали однорідний складний процес Пуассона до моменту часу t=1.
8
Неоднорідний складний процес Пуассона
Неймовірно важливий процес для моделювання є складний неоднорідний
пуассонівський процес, адже він дозволяє інтенсивності λ у процесі Пуассона не
бути константою, а змінюватися з часом. Зазвичай дуже важко отримати
аналітичні результати для математичної моделі з неоднорідним пуассонівським
процесом і, як результат, такі процеси не застосовуються так часто як повинні
були б. Між тим, оскільки для аналізу таких моделей може використовуватися
моделювання, то очікується, що такі математичні моделі стануть більш
вживаними.
9
Крок 2: Генеруємо в.в. U , U [0 , 1]
1
Крок 3: t=t− λ ln U i. Якщо t >T , зупиняємось.
λ (t )
Крок 5: Якщо V ≤ ,то N=N + 1, Генеруємо в.в. Y , що має функцію розподілу F ,
λ
S=S+ Y .
{
λ ( t )= 3+t ,∧0<t < 4
12−t ,∧4 <t <9
10
Код візуалізації усіх даних аналогічний до попередньої задачі. Маємо наступні
результати:
11
12
Теорія банкрутства
Класичний процес ризику
Розглянемо визначення процесу ризику на прикладі роботи страхової
компанії. Нехай страхові премії надходять рівномірним потоком з інтенсивністю c ,
а в випадкові моменти часу 0<t 1 <t 2< … трапляються страхові події, що завдають
шкоди випадкового розміру Y 1 ,Y 2 , … відповідно. Тоді розмір капіталу U в момент
часу t за умови що початковий капітал (в момент часу t 0 = 0) дорівнює u
визначається наступним чином:
U ( t )=u+ct−S( t)
N (t )
13
Приклад моделювання процесу ризику
Задача 3. Змоделювати процес ризику за таких умов: u=100, T =10, c=20 , λ=5,
Y F ( x )=1−exp {−αx } , x ≥ 0 , α=5.
Розв’язок: Використовуватимемо ті ж самі пакети що і у попередніх задачах. Дані
будемо виводити у наступному форматі: номер події, проміжок часу, фактичний
час, розмір капіталу у момент події, виплати. Отримаємо наступні результати:
14
Означення ймовірності банкрутства
Ймовірність банкрутства на часовому інтервалі (0 ,+ ∞) визначена як
ψ (u)=P(U (t)<0 , t> 0)
Іншими словами, ψ (u) – це ймовірність того, що капітал страхової компанії буде
менше нуля у деякий момент часу в майбутньому, тобто витратити перевищують
дохід. Ми також можемо визначити ймовірність банкрутства на дискретному часі
як
ψr (u)=Pr (U (t )< 0 ,t=r ,2 r , 3r , ...)
Отже, згідно з цим означення, банкрутство трапляється лише в тому випадку, коли
капітал нижче нуля у один з моментів часу r , 2r , 3 r , … .
Для скінченного часу, ймовірність банкрутства ψ (u , t) визначається як
ψ (u , t)=Pr (U ( s)<0 , 0< s ≤ t)
[3, ст. 126]
Коригуючий коефіцієнт
Коригуючий коефіцієнт (позначається R ) визначає міру ризику для процесу
ризику. Він враховує два фактори: загальні виплати та надходження премій. Для
класичного процесу ризику коригуючий коефіцієнт визначається як додатній
корінь рівняння
λ+ cR=λ M X ( R) . [3, ст. 130] або [6, ст.7]
15
Нерівність Лундберга
Для класичного процесу ризику, нерівність Лундберга стверджує, що
ψ (u)≤ exp {−Ru }
де R – коригуючий коефіцієнт. З доведенням цієї нерівності можна ознайомитись
в [3, ст. 133 - 135].
Використаємо всю вище описану теорію для підрахунку ймовірності
банкрутства у наступній задачі.
16
Отримали ймовірність 0,264. Збільшивши кількість ітерацій, наприклад до
1000000, для більш точного результату, отримаємо ймовірність 0.254587.
Зіставляючи даний результат з тим, що ми отримали у нерівності Лундберга,
бачимо, що вони дещо відрізняються і це нормально, бо ми моделювали лише на
інтервалі (0, 10). Для того, щоб порівняння було більш наглядним, змоделюємо
траєкторію на довшому проміжку, наприклад (0 , 100). Тоді отримаємо ймовірність
0,306607, що вже ближче до того, що ми отримали у нерівності.
{
T
4 ,∧t <
2
Y F ( x )=1−exp {−αx } , x ≥ 0, λ ( t )=
T
6 ,∧t>
2
18
Висновки
В даній роботі ми перевірили як працює метод Монте-Карло для випадку
однорідного складного процесу Пуассона. Порівнявши результати з нерівністю
Лундберга, ми зрозуміли, що для 1000 ітерацій результати задовільні, але для
більшої кількості ітерацій, наприклад 1000000, і для більших проміжків часу
отримуємо набагато кращі результати. Але це можливо лише з використанням
сучасних технологій.
Оскільки метод Монте-Карло дав хороший результат для однорідного
складного процесу Пуассона, ми спробували порахувати цим же методом
ймовірність банкрутства компанії для неоднорідного складного процесу Пуассона.
Даний метод є універсальним, бо використовуючи його можна рахувати
ймовірності банкрутства для самих різних випадків. Зрозуміло, що реалізація його
від задачі до задачі буде трішки відрізнятися, але загальний алгоритм однаковий.
Інші методи або є дуже складними, або працюють лише для якихось конкретних
частинних випадків.
19
Джерела та література
20
Додаток
Програмний код задач знаходиться за наступним посиланням:
https://github.com/Artemoshechka/Term-Paper
21