Tóm tắt Reading 24: Simulation and Bootstrapping

Môn FRM Part I (FRM1), Reading 24/62

Monte Carlo simulation

  • Cần một data generating process (DGP) đầy đủ: tham số (ước lượng từ dữ liệu) cộng giả định phân phối của cú sốc (chuẩn tắc, Student's t…).
  • Năm bước: (1) sinh dữ liệu từ DGP; (2) tính gi = g(xi); (3) lặp N lần; (4) ước lượng đại lượng cần tìm từ {g1, …, gN}; (5) tính standard error, tăng N tới khi đủ chính xác.
  • Dùng để xấp xỉ trung bình, phương sai, quantile (ví dụ quantile 5% của N = 1,000 là kết quả nhỏ thứ 50) và xác suất.

Giảm sampling error

  • Standard error = s ÷ N: giảm 10 lần cần tăng N lên 100 lần; tăng N gấp 4 lần thì sai số giảm một nửa.
  • Antithetic variates: chạy lại với tập bù −ut; Var(x̄) = [Var(x1) + Var(x2) + 2Cov] ÷ 4 nhỏ hơn khi Cov âm. Hiệu quả khi kết quả là hàm đơn điệu của lần rút.
  • Control variates: x∗ = y + (x̂ − ŷ) với y đã biết giá trị; Var(x∗) = Var(x̂) + Var(ŷ) − 2Cov(x̂, ŷ). Có ích khi Cov(x̂, ŷ) > Var(ŷ) ÷ 2, tức Corr > ½Var(ŷ) ÷ Var(x̂). Hai kỹ thuật dùng đồng thời được.

Bootstrapping và PRNG

  • Bootstrapping rút có hoàn lại từ dữ liệu lịch sử; không cần giả định phân phối. Iid bootstrap cho dữ liệu độc lập; circular block bootstrap rút khối liên tiếp (vòng lại đầu chuỗi), cỡ khối khoảng n, cho dữ liệu phụ thuộc theo thời gian.
  • Kém hiệu quả khi hiện tại khác trạng thái bình thường (khủng hoảng) hoặc có thay đổi cấu trúc (lãi suất gần 0 kéo dài).
  • PRNG sinh số đều trên (0, 1) từ công thức tất định; cùng seed cho cùng dãy → tái lập kết quả, dùng chung số ngẫu nhiên trên cụm máy.
  • Nhược điểm của mô phỏng: DGP sai thì kết quả sai dù N lớn; chi phí tính toán cao; kết quả gắn với thí nghiệm cụ thể.

Bản đầy đủ gồm

Bài giảng chi tiết, flashcard lặp lại ngắt quãng, ngân hàng câu hỏi luyện thi, lộ trình theo ngày thi và trợ lý AI theo từng chương (có giới hạn). Dùng trọn 1 năm.

990.000đ890.000đdùng 1 năm

Hoàn 100% trong 7 ngày nếu bạn chưa dùng quá 30% khoá học.

Giá ưu đãi early bird 890.000đ

990.000đ890.000đdùng 1 năm
Mua ngay