Luận Văn: Phương Pháp Mô Phỏng Monte Carlo, Hay, 9Đ

--- Bài mới hơn ---

  • Cfu Là Gì? Mpn Là Gì? Mpn Khác Cfu Như Thế Nào?
  • Sự Khác Biệt Giữa Cfu Và Mpn
  • Hướng Dẫn Cách Ngồi Thiền Đúng Phương Pháp Để Giúp Tâm An Định
  • Cách Ngồi Thiền Đúng Phương Pháp
  • Ortho K Là Gì, Kính Ortho
  • Published on

    Download luận văn thạc sĩ ngành thống kê toán học với đề tài: Phương pháp mô phỏng Monte carlo và ứng dụng vào tài chính, cho các bạn làm luận văn tham khảo

    1. 1. ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN Hoàng Thị Hồng Minh PHƯƠNG PHÁP MÔ PHỎNG MONTE CARLO VÀ ỨNG DỤNG VÀO TOÁN TÀI CHÍNH LUẬN VĂN THẠC SỸ KHOA HỌC Chuyên ngành: Lý thuyết xác suất và thống kê toán học Mã số: 60 46 15 NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. NGUYỄN THỊNH Hà Nội – 2012
    2. 3. MỤC LỤC 2.2 Định nghĩa quyền chọn bằng lý thuyết . . . . . . . . . . . . . . . . . . . . 52 2.2.1 Kiến thức cơ bản về quyền chọn . . . . . . . . . . . . . . . . . . . 52 2.2.2 Giới thiệu sơ lược về định giá quyền chọn . . . . . . . . . . . . . . 53 2.3 Định giá quyền chọn và phương pháp Monte – Carlo trong việc xây dựng mô hình Black – Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 2.4 Những hạn chế của mô hình Black – Scholes . . . . . . . . . . . . . . . . . 62 Kết luận 64 Phụ lục 65 Tài liệu tham khảo 76 ii
    3. 4. Lời nói đầu Ngày nay, mô phỏng số chiếm một vị trí quan trọng trong nghiên cứu khoa học, bao gồm cả mặt lý thuyết và thực nghiệm. Với sự phát triển nhanh và ngày càng phức tạp của các ngành khoa học nói chung và toán tài chính nói riêng, các phương pháp lý thuyết gặp nhiều khó khăn, bởi lẽ ở đó thường sử dụng tới các phép tính gần đúng. Mô phỏng số có thể kiểm chứng những phép tính gần đúng từ lý thuyết, từ đó góp phần hạn chế sai số. Các kết quả định lượng để mô phỏng số còn được sử dụng để so sánh với các kết quả nghiên cứu thực nghiệm. Ngoài ra, mô phỏng còn được xem như là bước “số hóa thực nghiệm”, nó được tiến hành trước bước thực nghiệm để thu được kết quả tốt hơn, tiết kiệm được chi phí cho các lần thực nghiệm. Một trong những phương pháp mô phỏng phổ biến được ứng dụng trong toán tài chính là phương pháp Monte Carlo với sự giúp đỡ của máy tính. Tên gọi “phương pháp Monte Carlo” xuất hiện trong từ điển toán học vào những năm 1949-1950, nhưng thật ra nó ra đời trong những năm 1943-1944 gần như cùng thời với máy tính điện tử đầu tiên ở Mỹ, và được giới thiệu vào nước ta từ những năm 1963-1964, nhưng thực sự được áp dụng phổ biến từ sau những năm 1975-1977. Phương pháp Monte Carlo là phương pháp thường được dùng để mô phỏng các hiện tượng xác suất, những hiện tượng không thay đổi đặc tính theo thời gian, nó cũng được sử dụng để tính toán các biểu thức không theo xác suất bằng cách sử dụng phương pháp theo xác suất. Phương pháp mô phỏng Monte Carlo được ứng dụng phổ biến trong các ngành công nghiệp tài chính và bảo hiểm. Nó là công cụ cần thiết cho các kỹ sư và chuyên gia tính toán tài chính khi phải tính toán các loại giá cả hay tính toán rủi ro phức tạp. Do đó, tác giả đã chọn cách tiếp cận kết hợp trình bày lý thuyết phương pháp mô phỏng Monte Carlo, các cách cải tiến và ứng dụng của nó trong việc mô phỏng nghiệm của các quá trình vi phân ngẫu nhiên, cũng như các ứng dụng để định giá quyền chọn trong lĩnh vực toán tài chính. Bố cục luận văn gồm 2 chương: Chương 1: Cơ sở lý thuyết Trong chương này, tác giả giới thiệu về phương pháp mô phỏng Monte Carlo, các định lí cơ bản, và trình bày các phương pháp khác nhau để tăng tốc độ tính toán mà được gọi 1
    4. 5. MỤC LỤC chung là phương pháp giảm phương sai. Tiếp theo, tác giả trình bày các kiến thức cơ bản về quá trình ngẫu nhiên với thời gian liên tục và mô phỏng Monte Carlo cho chuyển động Brown. Ngoài ra, tác giả còn mô phỏng nghiệm của các phương trình vi phân ngẫu nhiên bằng phương pháp xấp xỉ Milstein và xấp xỉ Euler-Maruyama. Chương 2: Ứng dụng của phương pháp Monte Carlo vào các mô hình toán tài chính Trong chương này, tác giả chủ yếu đề cập đến mô hình Black Scholes, một khung giá cổ phiếu kiểu mô hình Black – Scholes. Tác giả cũng trình bày cách xác định các hệ số thị trường chứng khoán (µ: tỉ lệ trung bình của giá cổ phiếu luân chuyển; σ: độ biến động giá của cổ phiếu). Tác giả đã trình bày hai loại định giá quyền chọn, quyền chọn bán và quyền chọn mua, bằng lý thuyết. Tác giả cũng đã thu thập một bộ dữ liệu thật về giá cổ phiếu và dùng nhiều phương pháp khác nhau để tính toán sau đó so sánh các kết quả chạy máy này với các kết quả do lý thuyết chứng minh được. Do thời gian và kiến thức còn nhiều hạn chế nên luận văn không tránh khỏi những thiếu sót. Tác giả rất mong nhận được sự góp ý từ quý thầy cô và bạn đọc. Tác giả xin chân thành cảm ơn! 2
    5. 6. Lời cảm ơn Bản luận văn này được hoàn thành dưới sự hướng dẫn nghiêm khắc và chỉ bảo tận tình của TS. Nguyễn Thịnh. Thầy đã dành nhiều thời gian hướng dẫn cũng như giải đáp các thắc mắc của tôi trong suốt quá trình làm luận văn. Tôi muốn bày tỏ lòng biết ơn sâu sắc đến người thầy của mình. Qua đây, tác giả xin gửi tới các thầy cô Khoa Toán-Cơ-Tin học, Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội, cũng như các thầy cô đã tham gia giảng dạy khóa cao học 2010 – 2012, lời cảm ơn sâu sắc nhất đối với công lao dạy dỗ trong suốt quá trình giáo dục đào tạo của Nhà trường. Tác giả xin chân thành cảm ơn các thầy cô phản biện đã đọc và đóng góp nhiều ý kiến quý báu cho bản luận văn của tác giả. Cuối cùng, tác giả xin cảm ơn gia đình, bạn bè và tất cả mọi người đã quan tâm, tạo điều kiện, động viên cổ vũ tác giả để tác giả có thể hoàn thành luận văn của mình. Hà nội, tháng 12 năm 2012 Người làm luận văn Hoàng Thị Hồng Minh 3
    6. 7. Chương 1 Cơ sở lý thuyết 1.1 Phương pháp mô phỏng Monte Carlo Phương pháp mô phỏng Monte Carlo hay còn gọi là phương pháp thử thống kê được định nghĩa như là phương pháp tính, bằng cách biểu diễn nghiệm các bài toán dưới dạng các tham số của một đám đông lý thuyết và sử dụng dãy số ngẫu nhiên để xây dựng mẫu đám đông mà từ đó ta thu được ước lượng thống kê của các tham số. Nói cách khác, phương pháp Monte Carlo cung cấp những lời giải gần đúng cho các bài toán bằng cách thực hiện các thí nghiệm lấy mẫu thống kê sử dụng số ngẫu nhiên. Ý tưởng chính của phương pháp Monte Carlo là xấp xỉ một kỳ vọng E(X) bởi trung bình cộng các kết quả của nhiều lần thí nghiệm độc lập, trong đó các biến ngẫu nhiên X có cùng phân phối. Cơ sở lý thuyết của phương pháp này là một trong những kết quả quan trọng của lý thuyết xác suất, đó là Luật mạnh số lớn. 1.1.1 Luật mạnh số lớn Định lí 1.1.1. Giả sử (Xn)n∈N là một dãy các biến ngẫu nhiên giá trị thực, độc lập cùng phân phối và được xác định trên một không gian xác suất (Ω, ,P). Đặt : µ = E(X1) Khi đó, với mọi ω ∈ Ω: 1 n n ∑ i=1 Xi(ω) n→∞ −−−→ µ,P−h.c.c (Xem chứng minh trong ) Định lí 1.1.4. (Định lí giới hạn trung tâm) Giả sử (Xn)n∈N là một dãy các biến ngẫu nhiên giá trị thực, độc lập cùng phân phối với X, được xác định trên một không gian xác suất (Ω, ,P). Giả sử rằng các biến ngẫu nhiên có phương sai hữu hạn σ2 = Var(X). Khi đó: ∑n i=1 Xi −n.µ √ n.σ D −→ N (0;1); khi n → ∞ (Xem chứng minh trong 2. Thí nghiệm được thực hiện bằng cách lấy ngẫu nhiên các điểm P1,P2,…,Pn của hình vuông đơn vị và giả sử rằng: Xi = 1Pi∈C 5
    7. 9. Chương 1. Cơ sở lý thuyết Khi đó : Pi ∈ int(C ) hoặc Pi ∈ bound(C ) Do đó, ta ngầm giả sử rằng điểm được chọn có phân bố đều trên của ước lượng Monte Carlo được tính : n 100 10.000 100.000 ˆπlow 2.477 3.0938 3.13105 ˆπup 3.203 3.1598 3.15183 Bảng 1.2 (Ước lượng Monte Carlo cho khoảng tin cậy 95% của π) Ví dụ 2. (Ước lượng xác suất của một biến cố) Ước lượng xác suất của một biến cố là một trong những ứng dụng quan trọng của phương pháp Monte Carlo. Giả sử A là một biến cố nào đó. Ước lượng P(A)? Xét : 1A(ω) =    1 nếu ω ∈ A 0 nếu ω /∈ A 6
    8. 10. Chương 1. Cơ sở lý thuyết Suy ra E(1A) = P(A) và khi đó ước lượng Monte Carlo cho P(A) là tần suất tương đối của số lần xuất hiện của A trong n lần thí nghiệm độc lập. Một cách hình thức, giả sử Ai là số lần xuất hiện A trong thí nghiệm thứ i, khi đó ta định nghĩa ước lượng Monte Carlo cho P(A) như sau: rfn(A) = 1 n . n ∑ i=1 1Ai Khi đó ta cũng có: Var(1A) = P(A).(1−P(A)), ˆσn = rfn(A).(1−rfn(A)) và khoảng tin cậy xấp xỉ 95% cho P(A) là: d g(x)dx (g(x) là hàm bị chặn, nhận giá trị thực.) Hàm mật độ f(x) của phân bố đều d chiều trên d (x); x ∈ Rd Khi đó, với X ∼ U (d g(x)dx = f(x)g(x)dx = E(g(X)) Giả sử X1,…,Xn là các biến ngẫu nhiên độc lập, có phân bố đều trên . Khi đó ước lượng Monte Carlo “thô” sẽ là: f(X) = 1 n . n ∑ i=1 f(Xi) với Xi là các thành phần độc lập của X. Ta sử dụng các số 1−X1,…,1−Xn và định nghĩa ước lượng Monte Carlo xung khắc: fanti(X) = 1 2 .( 1 n n ∑ i=1 f(Xi)+ 1 n n ∑ i=1 f(1−Xi)) (1.1) Chú ý rằng khi cả X và 1 − X có cùng phân bố, thì cả hai tổng ở vế phải của đẳng thức (1.1) đều là ước lượng không chệch của E(f(X)). Do đó ước lượng xung khắc cũng là không chệch. Đặt σ2 = Var(f(X)). Khi đó phương sai của ước lượng xung khắc được cho bởi: Var(fanti(X)) = σ2 2n + 1 2n Cov(f(X), f(1−X)) Mệnh đề 1.2.1. (Bất đẳng thức Chebyschev.) Giả sử X là một biến ngẫu nhiên giá trị thực. Giả sử f,g là các hàm không giảm với Cov(f(X),g(X)) hữu hạn. Khi đó ta có: E(f(X)g(X)) ≥ E(f(X))E(g(X)) Bằng việc chọn g(x) = −f(1 − x), ta có mệnh đề sau được suy ra trực tiếp từ mệnh đề trên: Mệnh đề 1.2.2. (Giảm phương sai trong trường hợp phân bố đều). Giả sử f là hàm không giảm hoặc không tăng, giả sử X có phân bố đều trên , g(1) = g(0) = 0, max , thì ta sử dụng phân phối tam giác cho biến ngẫu nhiên X, tức là nó có mật độ xác suất : ˜f(x) =    0, nếu x ≤ 0 hoặc x ≥ 1 4x, nếu 0 < x < 1 2 4−4x, nếu 1 2 ≤ x < 1 (1.4) (Xem hình 1.2 và hình 1.3) Hình 1.2: Khi đó giá trị của tích phân sẽ không thay đổi nếu ta lấy mẫu theo hàm mật độ ˜f, ta có: 1 0 x.(1−x)dx = 1 0 x.(1−x) ˜f(x) ˜f(x)dx Điều này có nghĩa rằng khi chúng ta sử dụng phân phối mới, chúng ta có mẫu X(1−X) f(X) để có được ước lượng Monte Carlo mới: Iimp = 1 N N ∑ i=1 Xi(1−Xi) ˜f(Xi) Chú ý rằng, Xi có phân phối theo mật độ ˜f(.) . Một so sánh đơn giản của việc sử dụng ước lượng Monte Carlo giữa xấp xỉ đều và xấp xỉ tam giác với N = 1.000 cho thấy sự vượt trội của phương pháp mới. Kết quả thu được là: 16
    9. 21. Chương 1. Cơ sở lý thuyết và độ đo xác suất của nó là ˜P . Ta có: E(g(X)) = g(x)f(x)dx = g(x) f(x) ˜f(x) ˜f(x)dx = ˜E g(X) f(X) ˜f(X) = ˜E( ˜g(X)) (1.6) Ở đây ˜E(.) là kỳ vọng tương ứng với ˜P. Hàm có trọng số f(X) ˜f(X) được gọi là hàm tỷ số hợp lý của sự thay đổi từ độ đo xác suất P sang ˜P. Ước lượng mẫu chính của µ = E(g(X)) được định nghĩa như sau: Iimp, ˜f,N(g(X)) = 1 N N ∑ i=1 ˜g(Xi) = 1 N N ∑ i=1 g(Xi) f(Xi) ˜f(Xi) Trong đó các Xi là độc lập và có phân phối theo hàm mật độ ˜f của mẫu chính. Nhận xét rằng, ước lượng của mẫu chính là ước lượng không chệch và ước lượng vững. Phương sai của nó được cho bởi: σ2 imp, ˜f,N = ˜Var(Iimp, ˜f,N(g(X))) = 1 N ˜Var( ˜g(X)) = 1 N ˜E ˜g(X)2 − µ2 = 1 N   g(x)2 f(x) ˜f(x) f(x)dx− µ2   (1.7) Khoảng tin cậy xấp xỉ 95% cho E(g(X)): Iimp, ˜f,N(g(X))−1.96 ˜σimp, ˜f,N √ N , Iimp, ˜f,N(g(X))+1.96 ˜σimp, ˜f,N √ N trong đó ˜σimp, ˜f,N là độ lệch tiêu chuẩn mẫu của ước lượng mẫu chính. Nếu g(x) ≥ 0, ∀x ∈ Rd, ta chọn: ˜f(x) = c.f(x).g(x) = f(x).g(x) f(y).g(y)dy thì ˜f là hàm mật độ trên Rd và ta có ˜g(X) = 1 c , tức là: ˜Var Iimp, ˜f,N(g(X)) = 0 Tuy nhiên nhược điểm của phương pháp là tìm hằng số c bằng phương pháp Monte Carlo, ở đó: µ = 1 c . 18
    10. 26. Chương 1. Cơ sở lý thuyết Hình 1.5: Mật độ ban đầu f(x) và mật độ tỷ lệ mẫu chính ˜f(x) Hình 1.6: Mật độ dịch chuyển ˜f(x) và mật độ dịch chuyển có điều kiện ˜fcond(x) 1.3 Các quá trình ngẫu nhiên với thời gian liên tục Quá trình ngẫu nhiên là mô hình toán học của rất nhiều bài toán thực tế xuất hiện trong khoa học và công nghệ. Nó mô tả sự tiến hóa theo thời gian của một hệ thống chịu sự tác động của các nhân tố ngẫu nhiên. Tuy nhiên ở đây chúng ta sẽ xem xét các hiện tượng như giá cổ phiếu, lãi suất và quá trình bảo hiểm, nhưng người ta cũng có thể xem xét các hiện tượng thiên nhiên như thời tiết hoặc các vấn đề về kỹ thuật như dòng chảy của các hạt tương tác thông qua một số bộ lọc. Quá trình ngẫu nhiên cũng có thể được xem như một hàm ngẫu nhiên nào đó và sự mô tả các hàm ngẫu nhiên này thường được thông qua các phương trình vi phân ngẫu nhiên. Định nghĩa 1.3.1. Cho (Ω, ,P) là một không gian xác suất với không gian mẫu Ω, σ- trường F, và độ đo xác suất P. Giả sử I là một tập chỉ số. (a) Họ {Ft}t∈I của σ-trường con của F với Fs ⊂ Ft nếu s < t;s,t ∈ I, được gọi là một lọc. 23
    11. 27. Chương 1. Cơ sở lý thuyết (b) Một họ {(Xt,Ft)}t∈I, gồm một lọc {Ft}t∈I và một họ {Xt}t∈I các biến ngẫu nhiên nhận giá trị trong Rn, sao cho Xt là Ft – đo được, được gọi là một quá trình ngẫu nhiên tương ứng với lọc {Ft}t∈I. (c) Với mỗi ω ∈ Ω cố định, tập: X.(ω) := {Xt}t∈I = {X(t,ω)}t∈I được gọi là một quỹ đạo mẫu. Định nghĩa 1.3.2. Nếu những quỹ đạo mẫu của một quá trình ngẫu nhiên X.(ω) là liên tục (liên tục phải, liên tục trái) thì ta gọi là một quá trình ngẫu nhiên với thời gian liên tục (liên tục phải, liên tục trái). Định nghĩa 1.3.3. (a) Một quá trình ngẫu nhiên {(Xt,Ft)}t∈I được gọi là có gia số độc lập nếu với mọi r ≤ u ≤ s ≤ t,(r,u,s,t ∈ I) ta có: Xt −Xs độc lập với Xu −Xr (b) Một quá trình ngẫu nhiên {(Xt,Ft)}t∈I được gọi là có gia số “dừng” nếu với mọi s ≤ t,(s,t ∈ I) ta có: Xt −Xs ∼ Xt−s Nhận xét. Hai tính chất trên sẽ giúp việc phân tích và đặc biệt là mô phỏng quá trình ngẫu nhiên đơn giản hơn. * Nếu quá trình ngẫu nhiên X có các gia số độc lập thì nó sẽ cho dự báo kết quả trong tương lai, tại thời điểm t là Xt. * Nếu quá trình ngẫu nhiên X có gia số dừng thì các tính chất phân phối của quá trình không thay đổi theo thời gian. Điều này không có nghĩa là các Xt có cùng phân bố, mà phân bố của gia số Xt −Xs chỉ phụ thuộc vào sự chênh lệch về thời gian t −s. Do đó ta sẽ nghiên cứu hai lớp cơ bản của quá trình ngẫu nhiên khái quát hai thuộc tính này: * Thuộc tính thứ nhất (với gia số độc lập): là lớp các quá trình Markov mà ở đó phân bố của các giá trị tương lai của quá trình này chỉ phụ thuộc vào quá khứ thông qua giá trị hiện tại của nó. * Thuộc tính thứ hai là của mac-tin-gan, khái quát về ý tưởng của một trò chơi công bằng. Định nghĩa 1.3.4. Một quá trình ngẫu nhiên {(Xt,Ft)}t∈I nhận giá trị trên Rd, xác định trên một không gian xác suất (Ω, ,P) được gọi mà một quá trình Markov với phân bố ban đầu ν nếu ta có: P(X0 ∈ A) = ν(A), ∀A ∈ B(Rd ) 24
    12. 31. Chương 1. Cơ sở lý thuyết 1.3.2.2 Hội tụ yếu và định lí Donsker Định nghĩa 1.3.11. Giả sử (S,B(S)) là một không gian metric với metric ρ và σ−trường Borel B(S) của S. Gọi P,Pn, n ∈ N là các độ đo xác suất trên (S,B(S)). Khi đó, ta nói dãy Pn hội tụ yếu tới P nếu với mỗi hàm f liên tục, bị chặn, nhận giá trị thực trên S, ta có: S f dPn n→∞ −−−→ S f dP Định nghĩa 1.3.12. Giả sử Xn = {Xn(t)}t∈,R) Như vậy ta có: E(f(Xn)) = f dPn, E(f(X)) = f dP hội tụ yếu của quá trình ngẫu nhiên có nghĩa là hội tụ yếu của các phân phối xác suất cơ bản Pn → P. Định lí 1.3.13. Giả sử P,Pn, n ∈ N là các độ đo xác suất trên không gian metric (S,B(S)) với metric ρ. Hơn nữa, gọi h : S → S là một ánh xạ đo vào không gian metric S với metric ρ và σ− trường Borel B(S ). Giả sử Dh – tập các điểm gián đoạn của h là một tập không, tức là: P(Dh) = 0 Khi đó sự hội tụ theo phân phối được bảo toàn qua ánh xạ h: Pn n→∞ −−−→ P theo phân phối ⇒ Pn.h−1 n→∞ −−−→ P.h−1theo phân phối Nhận xét. Các ánh xạ liên tục bảo toàn sự hội tụ theo phân phối. (Rk,B(Rk)) cũng là một không gian xác suất. Giả sử Xn,X là các quá trình ngẫu nhiên liên tục, giá trị thực. Cố định k thời điểm: 0 ≤ t1 < … < tk ≤ 1, theo định lí 1.3.13 ta có: Xn n→∞ −−−→ X theo phân phối khi đó (Xn(t1),…,Xn(tk)) n→∞ −−−→ (X(t1),…,X(tk)) theo phân phối Định lí 1.3.14. (Donsker) Giả sử {ξn}n∈N là một dãy các biến ngẫu nhiên độc lập có cùng phân phối, với E(ξi) = 0, 0 < Var(ξi) = σ2 < ∞. Đặt: S0 = 0, Sn = n ∑ i=1 ξn 28
    13. 34. Chương 1. Cơ sở lý thuyết Hình 1.8: Mô phỏng các quỹ đạo mẫu của một cầu Brown từ 0 tới 1 (n = 100) (b) Với một quá trình đơn giản {Xt}t∈: It(X) := t 0 Xs dWs := ∑ 1≤i≤p Φi(Wti∧t −Wti−1∧t) Định lí 1.3.23. (Những tính chất cơ bản của tích phân ngẫu nhiên) Giả sử X là một quá trình đơn giản. Khi đó ta có: (a) {(It(X),Ft)}t∈ (b) Phương sai của tích phân Itô được xác định như sau: E   t 0 Xs dWs   2 = E   t 0 X2 s dWs   ∀t ∈ ×Ω → Rn , (s,ω) → Xs(ω) 31
    14. 44. Chương 1. Cơ sở lý thuyết * Dùng ký hiệu cho tích phân Itô lặp trên khoảng thời gian . Trường hợp 2: Với m = 1 và d ∈ {1,2,…}, thành phần thứ k của sơ đồ Euler – Maruyama cho (1.22) có dạng: Yk n+1 = Yk n +ak (tn,Yn)∆+bk (tn,Yn)∆W (k = 1,…,d) Trường hợp 3 (tổng quát): Với m ∈ {1,2,…} và d ∈ {1,2,…}, thành phần thứ k của sơ đồ Euler – Maruyama cho (1.22) có dạng: Yk n+1 = Yk n +ak (tn,Yn)∆+ m ∑ j=1 bk j (tn,Yn)∆W j (k = 1,…,d) với ∆W j = W j tn+1 −W j tn ∼ N(0;∆) (j ∈ {1,…,m}) là số gia của thành phần thứ j của quá trình Wiener m−chiều Wt trên } là quá trình Itô 1 – chiều thỏa mãn phương trình vi phân ngẫu nhiên tuyến tính: dXt = 2Xtdt +XtdWt Phương trình này có nghiệm đúng là: Xt = X0e 3 2t+Wt 41
    15. 45. Chương 1. Cơ sở lý thuyết Tương ứng với phân hoạch cách đều có bước thời gian ∆ của , sơ đồ Milstein cho Xt xấp xỉ như sau:    Yn+1 = Yn +2Yn∆+Yn∆W + 1 2Yn (∆W)2 −∆ Y0 = X0 (1.26) Cho T = 1,X0 = 1 ta có một quỹ đạo mô phỏng của nghiệm đúng (với bước thời gian dt = 2−8) và một quỹ đạo mô phỏng của xấp xỉ Milstein (với bước thời gian ∆ = Dt = 16dt = 2−4). Hình 1.11: Nghiệm số của SDE tính bởi Milstein 43
    16. 52. Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính Như vậy rõ ràng là giá cổ phiếu là một hàm theo thời gian và chuyển động Brown: f(t,W(t)). Xét phương trình vi phân ngẫu nhiên với một cổ phiếu: dS1(t) = µS1(t)dt +σS1(t)dB(t) (2.10) dt và dB(t) là các hàm bậc nhất của S1(t) (giá của một cổ phiếu tại thời điểm t), µ và σ là các hằng số. Lời giải của phương trình (2.10) là một quá trình ngẫu nhiên S1(t) = S1(t,ω) có dạng : S1(t) = S1(0).exp σBt + µ − σ2 2 t (2.11) Quá trình S1(t) này được gọi là một chuyển động Brown hình học, S1(0) là giá cổ phiếu được quan sát tại thời điểm t = 0. 2.1.2 Xác định các tham số µ và σ của chuyển động Brown hình học S(t) Nhận xét rằng, nếu ta có thể ước lượng các tham số µ và σ thì sẽ ước lượng được giá S1(0) của cổ phiếu tại thời điểm t. Giả sử xét giá cổ phiếu S1(t) trong một khoảng thời gian quan sát với n khoảng đều như nhau có độ dài ∆t = ti −ti−1, ∀i = 0,…,n, thì giả sử là đã biết giá chứng khoán tại thời điểm cuối ti+1 của mỗi khoảng nhỏ [ti;ti+1]. Vậy ta có n+1 quan sát S1,S2,…,Sn+1. Bước 1. Tạo ra một dãy số liệu: Zi = ln(Si+1)−ln(Si) (2.12) Z1,Z2,…,Zn là một dãy số. Theo công thức của chuyển động Brown hình học (2.11) ta có biểu thức: Zi = σ (Bti+1 −Bti)+ µ − σ2 2 ∆t (2.13) Bước 2. Tìm trung bình và phương sai của dãy số liệu Z1,Z2,…,Zn theo công thức thống kê: * Trung bình mẫu: ˜Z = 1 n ∑n i=1 Zi, * Phương sai mẫu: S2 = 1 n−1 ∑n i=1 Zi − ˜Z 2 Đó là những ước lượng cho trung bình và phương sai lý thuyết của biến ngẫu nhiên Z mà thể hiện là (Z1,Z2,…,Zn). Nếu chỉ căn cứ vào biểu thức (2.13) thì ta tính ra trung bình và phương sai của Z sẽ là: * Trung bình: µ − σ2 2 ∆t 49
    17. 53. Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính * Phương sai: σ2∆t Bước 3. Giải các phương trình sau đây đối với µ và σ : ˜Z = µ − σ2 2 ∆t S2 = σ2 ∆t Ta sẽ được: µ = ˜Z + S2 2 ∆t và σ = S √ ∆ Ví dụ 11. Giá cổ phiếu KSS (Tổng Công Ty Cổ Phần Khoáng Sản NaRi Hamico) lúc đóng cửa trong khoảng thời gian từ ngày 29/02/2012 đến ngày 17/05/2012 được thống kê lại gồm 40 số liệu như sau (tính theo đơn vị một nghìn Việt Nam đồng (1000 vnđ)): 7,8 8,1 8,2 8,1 7,8 8,1 8,4 8,2 8,5 8,9 9,3 9,4 9,5 9,1 8,8 8,4 8,3 8,7 8,5 8,9 8,9 8,6 9.0 9.4 9.8 10,2 11,2 11,7 12,2 12,8 13,4 12,7 13,3 12,7 12,1 11,9 12,4 11,8 11,3 10,8 Bằng các công thức trên, ta tính được: ˜Z = 0,0083442 S = 0,04 Trong bước 3, ta ước lượng µ và σ theo tỉ lệ xích hàng năm: ∆t = 1 365 Vậy các ước lượng của tham số µ và σ của giá cổ phiếu sẽ là: ˆµ = ˜Z + S2 2 ∆t = 3,34 và ˆσ = S √ ∆ = 0,76 Khi đó theo công thức (2.11), giá một cổ phiếu vào bất kỳ một ngày t nào đó sẽ được ước lượng bởi: ˜S1(t) = S1(0).e0,76Bt+3,0512t 50
    18. 56. Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính * Đến ngày đáo hạn , người mua hợp đồng có thể trả cho người bán hợp đồng số tiền bằng giá thực thi của hợp đồng. * Nếu người bán hợp đồng nhận số tiền giá thực thi do người mua trả, thì người bán phải giao một cổ phần chứng khoán cho người mua vào ngày đáo hạn. Gần như lúc nào cũng vậy, hợp đồng quyền chọn mua sẽ được xếp đặt sao cho người bán phải trả cho người mua khoản chệnh lệch giữa giá cổ phiếu và giá thực thi. Gọi ST là giá của cổ phiếu tại thời điểm t = T trong tương lai và K là giá thực thi vào ngày đáo hạn. Khi đó số tiền mà người mua hợp đồng quyền chọn phải trả là: Số tiền chi trả = max{ST −K,0} = (ST −K)+ 2.2.1.2 Quyền chọn bán Người ta có thể mua một cơ hội được phép bán một cổ phần chứng khoán trong tương lai với một giá đảm bảo, ngay cả khi mà người ta không sở hữu bất kỳ một cổ phiếu nào cả. Đó là nội dung của các hợp đồng Quyền Chọn Bán hay gọi tắt là Quyền Chọn Bán. Các điều kiện của quyền chọn bán: * Đến ngày đáo hạn, người giữ hợp đồng này có thể đưa cho người viết một cổ phần chứng khoán, hoặc tương đương, một số tiền theo giá thị trường lúc ấy của một cổ phần chứng khoán. * Nếu người viết hợp đồng nhận cổ phần chứng khoán hoặc số tiền tương đương do người giữ hợp đồng giao cho, thì anh ta phải trả chi phí thực thi cho người giữ hợp đồng vào ngày đáo hạn của hợp đồng. Thông thường thì với hợp đồng quyền chọn bán này, thì hoặc là hợp đồng không được thực thi, hoặc là người viết hợp đồng sẽ trả cho người giữ hợp đồng một khoản chênh lệch giữa giá thực thi và giá chứng khoán vào ngày đáo hạn. Gọi ST là giá chứng khoán lúc đáo hạn và K là giá thực thi, khi đó ta có thể nói rằng thu hoạch của người giữ quyền bán này là: Thu hoạch quyền bán = max{K −ST ;0} = (K −ST )+ 2.2.2 Giới thiệu sơ lược về định giá quyền chọn 2.2.2.1 Lịch sử vắn tắt của định giá quyền chọn Lý thuyết hiện đại của định giá quyền chọn bắt đầu với các luận án Theorie de la Sp eculation của L. F. Bachelier. Do đó, với mô hình giá cổ phiếu là một chuyển động Brown với độ biến động, Bachelier muốn có lý thuyết giá cho quyền chọn cho các cổ phiếu để so sánh chúng với giá thực tế trên thị trường. Ông đề nghị sử dụng giá trị kỳ vọng của các tài 53

    --- Bài cũ hơn ---

  • Phương Pháp Quản Trị Bằng Mục Tiêu (Mbo)
  • Phương Pháp Làm Giàu Ít Vốn 2022
  • Giaunhanh.com Học Làm Giàu, Mua Bán Nhanh, Việc Làm Vui, Chat Nhanh Shop
  • Học Tiếng Anh Bằng Phương Pháp Ghi Nhớ Lặp Lại Ngắt Quãng
  • Các Phương Pháp Hạch Toán Hàng Tồn Kho
  • Phương Pháp Monte Carlo Là Gì?

    --- Bài mới hơn ---

  • Monte Carlo Cho Tài Chính
  • Xác Nhận Sự Hiện Lớp Di Truyền Thứ Hai Của Dna Bằng Chương Trình Mô Phỏng
  • Phương Pháp Đếm Khuẩn Lạc * Vật Tư Tiêu Hao, Nông Nghiệp, Thủy Sản, Môi Trường,…
  • Một Số Giải Pháp Nâng Cao Chất Lượng Dạy Và Học Môn Sinh Học Lớp 8 Cho Học Sinh Ở Trường Thcs Lâm Xa
  • Cách Ngồi Thiền Chữa Bệnh Mất Ngủ Mang Lại Lợi Ích Tuyệt Vời
  • Phương pháp Monte Carlo (Monte Carlo simulation) là phương pháp xử lý những bài toán phân bổ nguồn lực phức tạp không thể giải một cách chính xác bằng giải tích toán học. Phương pháp này gắn với việc tạo ra một lịch sử tồn tại điển hình của hệ thống biểu thị bài toán cần giải và các quy tắc vận hành của nó. Việc lặp lại nhiều lần sự mô phỏng, mỗi lần thay đổi quy tắc vận hành một chút, cho phép chúng ta tiến hành thực nghiệm với mục đích khám phá ra phương pháp cải thiện kết quả hoạt động của hệ thống. Những phương pháp mô phỏng như thế thường được sử dụng trong các bài toán về nắm giữ cổ phiếu và xếp hàng.

    Phương pháp Monte Carlo có một vị trí hết sức quan trọng trong vật lý tính toán và nhiều ngành khác, có ứng dụng bao trùm nhiều lĩnh vực khoa học, từ tính toán trong sắc động lực học lượng tử, mô phỏng hệ spin có tương tác mạnh, đến thiết kế vỏ bọc nhiệt hay hình dáng khí động lực học. Các phương pháp này đặc biệt hữu ích khi giải quyết các phương trình vi-tích phân; ví dụ như trong mô tả trường bức xạ hay trường ánh sáng trong mô phỏng hình ảnh 3 chiều trên máy tính, có ứng dụng trong trò chơi điện tử, kiến trúc, thiết kế, phim tạo từ máy tính, các hiệu ứng đặc biệt trong điện ảnh, hay trong nghiên cứu khí quyển, và các ứng dụng nghiên cứu vật liệu bằng laser…

    Nhiều khi, phương pháp Monte Carlo được thực hiện hiệu quả hơn với số giả ngẫu nhiên, thay cho số ngẫu nhiên thực thụ, vốn rất khó tạo ra được bởi máy tính. Các số giả ngẫu nhiên có tính tất định, tạo ra từ chuỗi giả ngẫu nhiên có quy luật, có thể sử dụng để chạy thử, hoặc chạy lại mô phỏng theo cùng điều kiện như trước. Các số giả ngẫu nhiên trong các mô phỏng chỉ cần tỏ ra “đủ mức ngẫu nhiên”, nghĩa là chúng theo phân bố đều hay theo một phân bố định trước, khi số lượng của chúng lớn.

    Phương pháp Monte Carlo thường thực hiện lặp lại một số lượng rất lớn các bước đơn giản, song song với nhau; một phương pháp phù hợp cho máy tính. Kết quả của phương pháp này càng chính xác (tiệm cận về kết quả đúng) khi số lượng lặp các bước tăng.

    --- Bài cũ hơn ---

  • Quản Trị Theo Mục Tiêu Là Gì? Ưu & Nhược Điểm Mbo
  • Quản Lý Theo Mục Tiêu Là Gì? Ưu Điểm, Hạn Chế Quản Lý Theo Mục Tiêu Mbo
  • Quản Trị Kinh Doanh Hiệu Quả Với Chu Trình Mbo Và Mbp (Phần 1)
  • Mbp Và Mbo Trong Logistics Là Gì?
  • Mbo Là Gì? Mbp Là Gì?
  • Phương Pháp Monte Carlo (Monte Carlo Simulation) Là Gì? Cách Sử Dụng Trong Đầu Tư

    --- Bài mới hơn ---

  • Tiêu Chuẩn Quốc Gia Tcvn 4882:2007 (Iso 4831 : 2006) Về Vi Sinh Vật Trong Thực Phẩm Và Thức Ăn Chăn Nuôi
  • Phuong Phap Dinh Luong (So Luong Vsv) 2
  • Tiêu Chuẩn Quốc Gia Tcvn 7924
  • Phương Pháp Đếm Khuẩn Lạc
  • Phương Pháp Đếm Khuẩn Lạc * Tin Cậy
  • Phương pháp Monte Carlo trong tiếng Anh là Monte Carlo Simulation.

    Phương pháp Monte Carlo là một kĩ thuật được sử dụng để hiểu tác động của rủi ro và sự không chắc chắn trong các mô hình dự đoán và dự báo.

    Phương pháp Monte Carlo có thể được sử dụng để giải quyết một loạt các vấn đề trong hầu hết mọi lĩnh vực như tài chính, kĩ thuật, chuỗi cung ứng và khoa học.

    Phương pháp Monte Carlo cũng được gọi là phương pháp mô phỏng nhiều xác suất.

    Hiểu về Phương pháp Monte Carlo

    Khi có mức độ không chắc chắn lớn trong quá trình đưa ra các dự báo hoặc ước tính, thay vì chỉ thay thế biến không chắc chắn bằng một giá trị trung bình duy nhất, phương pháp Monte Carlo là một giải pháp tốt hơn nhiều.

    Vì kinh doanh và tài chính bị tác động bởi các yếu tố ngẫu nhiên, phương pháp Monte Carlo có rất nhiều ứng dụng trong những lĩnh vực này. Nó được sử dụng để ước tính xác suất vượt chi phí trong các dự án lớn và khả năng giá tài sản sẽ di chuyển theo một hướng nhất định.

    Các công ty viễn thông sử dụng phương pháp này để đánh giá hiệu suất mạng trong các tình huống khác nhau, giúp họ tối ưu hóa kết nối mạng. Các nhà phân tích sử dụng chúng để đánh giá rủi ro mà một khoản vốn có thể không có khả năng trả (vỡ nợ) và phân tích các công cụ phái sinh như các quyền chọn.

    Các công ty bảo hiểm và công ty dầu khí cũng sử dụng phương pháp này. Phương pháp Monte Carlo có vô số ứng dụng ngoài lĩnh vực kinh doanh và tài chính, như trong khí tượng học, thiên văn học và vật lý hạt.

    Phương pháp Monte Carlo được đặt tên theo một điểm đánh bạc nổi tiếng ở Monaco vì cơ hội và các kết quả ngẫu nhiên là trọng tâm của mô hình, giống như các trò chơi may rủi. Kĩ thuật này được phát triển đầu tiên bởi Stanislaw Ulam, một nhà toán học trong khi hồi phục sau ca phẫu thuật não, Ulam đã giải trí bằng cách chơi vô số trò đánh bài.

    Ông đã bắt đầu viết ra kết quả của mỗi trò chơi này để quan sát sự phân phối của chúng và xác định xác suất mà ông có thể chiến thắng. Sau khi ông chia sẻ ý tưởng của mình với John Von Neumann, hai người đã hợp tác để phát triển phương pháp Monte Carlo.

    Sử dụng Phương pháp Monte Carlo: Mô hình giá tài sản

    Một cách để sử dụng phương pháp Monte Carlo là mô hình hóa các biến động có thể của giá tài sản sử dụng Excel hoặc một phần mềm tương tự. Có hai thành phần trong biến động giá của một tài sản: một là độ lệch hay chuyển động có hướng không đổi và đầu vào ngẫu nhiên, đại diện cho biến động thị trường.

    Bằng cách phân tích dữ liệu giá quá khứ, bạn có thể xác định độ lệch, độ lệch chuẩn, phương sai và biến động giá trung bình cho một chứng khoán. Đây là các nền tảng cơ bản của phương pháp Monte Carlo.

    Để dự đoán một quĩ đạo giá tiềm năng, sử dụng dữ liệu giá lịch sử của tài sản để tạo ra một loạt lợi nhuận hàng ngày định kì bằng cách sử dụng logarit tự nhiên (lưu ý rằng phương trình này khác với công thức thay đổi tỉ lệ phần trăm thông thường):

    Lợi nhuận hàng ngày định kì = ln( Giá ngày hôm nay/ giá ngày hôm trước)

    Tiếp theo, sử dụng các hàm AVERAGE, STDEV.P và VAR.P trên toàn bộ kết quả để có được lợi tức trung bình hàng ngày, độ lệch chuẩn và phương sai tương ứng. Độ lệch bằng:

    Độ lệch = Lợi nhuận trung bình hằng ngày – phương sai/2

    Ngoài ra, độ lệch có thể được đặt bằng 0 nhưng sự khác biệt sẽ không lớn ít nhất là đối với các khoảng thời gian ngắn.

    Sau đó tính một đầu vào ngẫu nhiên:

    Giá trị ngẫu nhiên = σ x NORMSINV(RAND())

    Trong đó:

    σ là độ lệch chuẩn lấy từ kết quả trong Excel

    NORMSINV và RAND là các hàm trong Excel

    Công thức tính giá cho ngày tiếp theo là

    Tần số của các kết quả khác nhau được tạo ra bởi mô phỏng này sẽ theo một phân phối chuẩn. Lợi nhuận có khả năng xảy ra cao nhất ở giữa đường cong, có nghĩa là có khả năng là lợi nhuận thực tế sẽ cao hơn hoặc thấp hơn giá trị đó.

    Xác suất lợi nhuận thực tế sẽ nằm trong một độ lệch chuẩn của lợi nhuận có khả năng xảy ra nhất (hay “dự kiến”) là 68%;nếu nằm trong hai độ lệch chuẩn là độ tin cậy sẽ là 95%; nếu nằm trong ba độ lệch chuẩn độ tin cậy là 99,7%. Tuy nhiên, không có gì đảm bảo rằng kết quả được mong đợi nhất sẽ xảy ra, hoặc trong thực tế sẽ không vượt quá các dự đoán.

    Điểm quan trọng của phương pháp Monte Carlo là nó bỏ qua mọi thứ không được bao gồm trong xây dựng chuyển động giá (xu hướng vĩ mô, lãnh đạo công ty, sự cường điệu hóa, các yếu tố chu kì); nói cách khác, nó giả định thị trường hoàn toàn hiệu quả.

    Lê Thảo

    --- Bài cũ hơn ---

  • Dùng Phương Pháp Monte Carlo Để Giải Một Lớp Bài Toán Điều Khiển Ngẫu Nhiên Tổng Hợp Liên Quan Đến Quá Trình Điểm Gắn Mã Và Áp Dụng.pdf
  • Thiết Lập Mục Tiêu Cá Nhân
  • Các Phương Pháp Đánh Giá Nhân Viên Trong Quản Trị Nguồn Nhân Lực
  • Mô Tả Và Giải Thích Chi Tiết Cách Tiếp Cận Quản Lý Theo Mục Tiêu (Mbo)
  • Quản Trị Theo Mục Tiêu (Mbo): Ví Dụ & Ứng Dụng Thực Tế
  • Mô Hình Đa Biến: Phương Pháp Phân Tích Monte Carlo

    --- Bài mới hơn ---

  • Ứng Dụng Mô Phỏng Monte Carlo Cho Ước Lượng Đkđbđ Đối Với Các Đại Lượng Tương Quan
  • Phân Tích Vi Sinh Trong Nước
  • Tính Kết Quả Vi Sinh
  • Phương Pháp Đếm Khuẩn Lạc • Tin Cậy 2022
  • Nâng Cao Chất Lượng Công Tác Bồi Dưỡng Học Sinh Giỏi
  • Mô hình đa biến: Phương pháp phân tích Monte Carlo

    Các nhà phân tích nghiên cứu sử dụng các mô hình đa biến để dự báo kết quả đầu tư để hiểu các khả năng xung quanh sự tiếp xúc đầu tư của họ và giảm thiểu rủi ro tốt hơn. Phân tích Monte Carlo là một kỹ thuật mô hình đa biến cụ thể cho phép các nhà nghiên cứu chạy nhiều thử nghiệm và xác định tất cả các kết quả tiềm năng của một sự kiện hoặc đầu tư. Việc chạy mô hình Monte Carlo tạo ra phân bố xác suất hoặc đánh giá rủi ro cho một sự đầu tư hoặc sự kiện cụ thể đang được xem xét. Bằng cách so sánh kết quả đúng sai với rủi ro, người quản lý có thể quyết định xem có tiến hành một số dự án hoặc đầu tư nhất định hay không.

    Mô hình đa biến

    Phân tích Monte Carlo

    Phân tích Monte Carlo được đặt theo tên của công quốc nổi tiếng bởi các sòng bạc của nó. Với các trò chơi may rủi, tất cả các kết quả có thể có và xác suất được biết, nhưng với hầu hết các khoản đầu tư, tập hợp các kết quả trong tương lai là không xác định. Việc phân tích kết quả và xác suất mà chúng sẽ xảy ra là tùy thuộc vào nhà phân tích. Trong mô hình Monte Carlo, nhà phân tích chạy nhiều thử nghiệm (thường là hàng nghìn) để xác định tất cả các kết quả có thể xảy ra và xác suất mà chúng sẽ xảy ra.

    Tạo mô hình

    Sau khi được thiết kế, việc thực hiện mô hình Monte Carlo yêu cầu một công cụ sẽ chọn ngẫu nhiên các giá trị hệ số bị ràng buộc bởi một số điều kiện nhất định. Bằng cách chạy một số thử nghiệm với các biến bị ràng buộc bởi xác suất độc lập của riêng chúng, một nhà phân tích tạo ra một phân phối bao gồm tất cả các kết quả có thể và xác suất mà chúng sẽ xảy ra. Có nhiều máy tạo số ngẫu nhiên trên thị trường. Hai công cụ phổ biến nhất để thiết kế và thực hiện các mô hình Monte Carlo là @Risk và Crystal Ball. Cả hai điều này có thể được sử dụng làm bổ trợ cho bảng tính và cho phép lấy mẫu ngẫu nhiên vào các mô hình bảng tính đã được thiết lập.

    Để chọn phân phối chính xác cho một biến, người ta phải hiểu từng phân phối có thể có sẵn. Ví dụ, một trong những phổ biến nhất là một phân phối bình thường, còn được gọi là một đường cong chuông. Trong một phân bố chuẩn, tất cả các lần xuất hiện đều được phân bố đều nhau (đối xứng) xung quanh giá trị trung bình. Trung bình là sự kiện có thể xảy ra nhất. Hiện tượng tự nhiên, chiều cao của người dân và lạm phát là một số ví dụ về đầu vào thường được phân phối.

    Trong phân tích Monte Carlo, một bộ tạo số ngẫu nhiên chọn một giá trị ngẫu nhiên cho mỗi biến (trong các ràng buộc do mô hình thiết lập) và tạo phân phối xác suất cho tất cả các kết quả có thể có. Độ lệch chuẩn của xác suất đó là một số liệu thống kê biểu thị khả năng kết quả thực tế được ước tính sẽ là một cái gì đó khác với sự kiện trung bình hoặc có thể xảy ra nhất. Giả sử phân phối xác suất thường được phân phối, khoảng 68% giá trị sẽ nằm trong một độ lệch chuẩn của trung bình, khoảng 95% giá trị sẽ nằm trong hai độ lệch chuẩn và khoảng 99,7% sẽ nằm trong ba độ lệch chuẩn của giá trị trung bình. Điều này được gọi là “quy tắc 68-95-99.7” hoặc “quy tắc thực nghiệm”.

    Ví dụ

    Chúng ta hãy lấy ví dụ hai phân phối xác suất riêng biệt, phân bố thường được phân phối bắt nguồn từ phân tích nhân tố ngẫu nhiên hoặc từ nhiều kịch bản của một mô hình Monte Carlo.

    Trong hai phân phối xác suất, cả hai đều có cùng giá trị nhưng có giá trị chuẩn là 100, trong khi giá trị kia có độ lệch chuẩn là 200. Điều này có nghĩa là trong phân tích kịch bản đầu tiên, có 68% khả năng kết quả sẽ là số từ 100 đến 300, trong khi ở mô hình thứ hai có 68% cơ hội kết quả sẽ là từ 0 đến 400. Với tất cả mọi thứ bằng nhau, cái có độ lệch chuẩn là 100 có kết quả điều chỉnh rủi ro tốt hơn. Ở đây, bằng cách sử dụng Monte Carlo để lấy được các phân phối xác suất, phân tích đã cho một nhà đầu tư một cơ sở để so sánh hai sáng kiến ​​đó.

    Phân tích Monte Carlo cũng có thể giúp xác định liệu một số sáng kiến ​​nhất định có nên được thực hiện bằng cách xem xét rủi ro và trả lại hậu quả của việc thực hiện một số hành động nhất định hay không. Giả sử chúng ta muốn đặt nợ vào khoản đầu tư ban đầu của mình.

    Phần kết luận

    Phân tích Monte Carlo không chỉ được thực hiện bởi các chuyên gia tài chính mà còn bởi nhiều doanh nghiệp khác. Nó là một công cụ ra quyết định tích hợp khái niệm rằng mọi quyết định sẽ có một số tác động đến rủi ro tổng thể. Mỗi cá nhân và tổ chức đều có các dung sai rủi ro / trả lại khác nhau. Như vậy, điều quan trọng là hồ sơ rủi ro / trả về của bất kỳ khoản đầu tư nào được tính toán và so sánh với dung sai rủi ro.

    Các phân bố xác suất được tạo ra bởi một mô hình Monte Carlo tạo ra một bức tranh về rủi ro. Hình ảnh là một cách dễ dàng để truyền tải ý tưởng cho người khác, chẳng hạn như cấp trên hoặc nhà đầu tư tiềm năng. Do những tiến bộ trong phần mềm, các mô hình Monte Carlo rất phức tạp có thể được thiết kế và thực thi bởi bất kỳ ai có quyền truy cập vào máy tính cá nhân.

    Thông tin được cập nhập bởi những nhà đầu tư có nhiều kinh nghiệm của Công ty BBM Trade.

    --- Bài cũ hơn ---

  • Ước Tính Số Pi Với Monte Carlo
  • Hướng Dẫn Trình Tự Các Bước Quản Trị Mục Tiêu Mbo
  • Mô Hình Quản Lý Mbo Và Mbp
  • Giáo Trình Chọn Giống Và Nhân Giống Vật Nuôi – Nguyễn Hải Quân
  • Tìm Hiểu Một Số Kỹ Thuật Chọn Lọc Và Nhân Giống Gà
  • Ứng Dụng Mô Phỏng Monte Carlo Cho Ước Lượng Đkđbđ Đối Với Các Đại Lượng Tương Quan

    --- Bài mới hơn ---

  • Phân Tích Vi Sinh Trong Nước
  • Tính Kết Quả Vi Sinh
  • Phương Pháp Đếm Khuẩn Lạc • Tin Cậy 2022
  • Nâng Cao Chất Lượng Công Tác Bồi Dưỡng Học Sinh Giỏi
  • Một Số Biện Pháp Nâng Cao Chất Lượng Môn Sinh Lớp 8
  • Ứng dụng mô phỏng Monte Carlo cho ước lượng độ không đảm bảo đo đối với các đại lượng tương quan

    Tóm tắt: Trong báo cáo này, chúng tôi trình bày kết quả ứng dụng mô phỏng Monte Carlo đối với các đại lượng tương quan

    1. Giới thiệu

                Viện cân đo quốc tế đã công bố cuốn sách Bổ sung 1 cho hướng dẫn diễn đạt độ không đảm bảo đo (ĐKĐBĐ) vào cuối năm 2008 ) thì kết quả mô phỏng Monte Carlo sẽ như thế nào? Để giải quyết câu hỏi này chúng tôi đã tiến hành lập trình lại và nhận được kết quả khả quan.

    2. Thuật toán mô phỏng

                Trong báo cáo tại Hội nghị lần thứ V, chúng tôi mô phỏng riêng biệt từng đại lượng, nghĩa là lần lượt đối với mỗi đại lượng đầu vào Xi gieo M số (M là số Monte Carlo, thường bằng 106) theo hàm mật độ xác suất (theo đúng hướng dẫn của BIPM).

                Đối với các đại lượng đầu vào Xi tương quan nên chúng tôi đã tiến hành gieo M số ngẫu nhiên trước, sau đó sử dụng mỗi số ngẫu nhiên đã thu được R(j), xác định giá trị đại lượng đầu vào Xi(j) theo hàm mật độ xác suất (j = 1, M).

    --- Bài cũ hơn ---

  • Mô Hình Đa Biến: Phương Pháp Phân Tích Monte Carlo
  • Ước Tính Số Pi Với Monte Carlo
  • Hướng Dẫn Trình Tự Các Bước Quản Trị Mục Tiêu Mbo
  • Mô Hình Quản Lý Mbo Và Mbp
  • Giáo Trình Chọn Giống Và Nhân Giống Vật Nuôi – Nguyễn Hải Quân
  • Ước Tính Số Pi Với Monte Carlo

    --- Bài mới hơn ---

  • Mô Hình Đa Biến: Phương Pháp Phân Tích Monte Carlo
  • Ứng Dụng Mô Phỏng Monte Carlo Cho Ước Lượng Đkđbđ Đối Với Các Đại Lượng Tương Quan
  • Phân Tích Vi Sinh Trong Nước
  • Tính Kết Quả Vi Sinh
  • Phương Pháp Đếm Khuẩn Lạc • Tin Cậy 2022
  • Hình ảnh của Thor Alvis trên Unsplash

    Một phương pháp để ước tính giá trị của π là áp dụng phương pháp Monte Carlo . Hãy xem xét một đường tròn nội tiếp một hình vuông. Khi đó đối với bán kính r, chúng ta có:

    Hình ảnh của Tác giả

    Hình ảnh của Tác giả (viết bằng Latex)

    # set the seed for reproducility set.seed(5) # number of simulations n=1000000 # generate the x1 and x2 co-ordinates from uniform # distribution taking values from -1 to 1 x1<-runif(n, min=-1, max=1) x2<-runif(n, min=-1, max=1) # Distrance of the points from the center (0,0) z<-sqrt(x1^2+x2^2) # the area within the circle is all the z # which are smaller than the radius^2 # in our case radius=1 4*sum((z<=1))/length(z)

    [1] 3.14204

    InOut<-as.factor(ifelse(z<=1, "In", "Out")) plot(x1,x2, col=InOut, main="Estimate PI with Monte Carlo")

    R output from the code above

    import pandas as pd import numpy as np import math import seaborn as sns %matplotlib inline # number of simulations n=1000000 x1=np.random.uniform(low=-1,high=1, size=n) x2=np.random.uniform(low=-1,high=1, size=n) z=np.sqrt((x1**2)+(x2**2)) print(4*sum(z<=1)/n)

    3.143288

    inout=np.where(z<=1,'in','out') sns.scatterplot(x1,x2,hue=inout,legend=False)

    Python output from the code above

    Chúng tôi đã chỉ ra cách chúng tôi có thể dễ dàng ước tính số π bằng cách áp dụng Monte Carlo.

    Ban đầu được xuất bản tại https://pdhesiahacks.com .

    --- Bài cũ hơn ---

  • Hướng Dẫn Trình Tự Các Bước Quản Trị Mục Tiêu Mbo
  • Mô Hình Quản Lý Mbo Và Mbp
  • Giáo Trình Chọn Giống Và Nhân Giống Vật Nuôi – Nguyễn Hải Quân
  • Tìm Hiểu Một Số Kỹ Thuật Chọn Lọc Và Nhân Giống Gà
  • Ứng Dụng Công Nghệ Cao Trong Chọn Tạo Giống Cây Trồng Tại Trung Tâm Công Nghệ Sinh Học Thành Phố Hồ Chí Minh
  • Monte Carlo Cho Tài Chính

    --- Bài mới hơn ---

  • Xác Nhận Sự Hiện Lớp Di Truyền Thứ Hai Của Dna Bằng Chương Trình Mô Phỏng
  • Phương Pháp Đếm Khuẩn Lạc * Vật Tư Tiêu Hao, Nông Nghiệp, Thủy Sản, Môi Trường,…
  • Một Số Giải Pháp Nâng Cao Chất Lượng Dạy Và Học Môn Sinh Học Lớp 8 Cho Học Sinh Ở Trường Thcs Lâm Xa
  • Cách Ngồi Thiền Chữa Bệnh Mất Ngủ Mang Lại Lợi Ích Tuyệt Vời
  • 3 Phương Pháp Ngồi Thiền Chữa Bệnh Tiểu Đường
  • Bài viết này cần thêm chú thích nguồn gốc để kiểm chứng thông tin. Mời bạn giúp hoàn thiện bài viết này bằng cách bổ sung chú thích tới các nguồn đáng tin cậy. Các nội dung không có nguồn có thể bị nghi ngờ và xóa bỏ.

    Trong lĩnh vực toán học tài chính, nhiều bài toán, như bài toán tìm giá trị buôn bán của một chứng khoán phái sinh, cuối cùng dẫn đến việc tính một tích phân. Mặc dù các tích phân đôi khi có thể tính được theo giải tích, đa số chúng đòi hỏi tích phân số. Khi số chiều (hay số bậc tự do), tăng lên phương pháp tích phân số khả thi nhất là phương pháp Monte Carlo. Các bài toán của tài chính rất hay gặp phải trường hợp số chiều lớn; với những số chiều cao như này, phương pháp Monte Carlo cho phép tìm được lời giải tiệm cận đến lời giải chính xác nhanh hơn các phương pháp khác, và lợi thế của phương pháp này tăng theo số chiều.

    Bài viết này miêu tả một số bài toán tài chính tiêu biểu mà phương pháp Monte Carlo có thể được ứng dụng hiệu quả. Ở đây cũng miêu tả qua về số giả ngẫu nhiên, như dãy Sobol, có thể được ứng dụng trong phương pháp Monte Carlo ở đây.

    Tại sao phương pháp Monte Carlo

    Phương pháp Monte Carlo được sử dụng phổ biến trong tài chính, từ tiền văn phòng (front office), nơi diễn ra các cuộc mua bán cho tới hậu văn phòng (back office), nơi đánh giả các rủi ro tài chính. Các sản phẩm tài chính thường được xác định giá bằng phương pháp Monte Carlo nếu nó được xây dựng trên một rổ các sản phẩm đơn giản thông dụng hơn, ví dụ có thể kể rà là quyền lựa chọn Hymalaya và quyền lựa chọn Best-Of. Việc nghiên cứu rủi ro của các ngân hàng cũng hay phải cầu đến phương pháp Monte Carlo để tạo ra các kịch bản cho bài toán tối ưu.

    Tại sao dùng số giả ngẫu nhiên

    (bằng tiếng Anh)

    • Hull, John C. (2000). Options, futures and other derivatives (ấn bản 4). Prentice Hall. ISBN 0-13-015822-4.
    • Jackel, Peter (2002). Monte Carlo methods in finance. John Wiley & Sons. ISBN 0-47-149741-X.
    • Glasserman, Paul (2003). Monte Carlo methods in financial engineering. Springer-Verlag. ISBN 0-38-700451-3.

    --- Bài cũ hơn ---

  • Phương Pháp Monte Carlo Là Gì?
  • Quản Trị Theo Mục Tiêu Là Gì? Ưu & Nhược Điểm Mbo
  • Quản Lý Theo Mục Tiêu Là Gì? Ưu Điểm, Hạn Chế Quản Lý Theo Mục Tiêu Mbo
  • Quản Trị Kinh Doanh Hiệu Quả Với Chu Trình Mbo Và Mbp (Phần 1)
  • Mbp Và Mbo Trong Logistics Là Gì?
  • Chương 3. Phương Pháp Mô Phỏng

    --- Bài mới hơn ---

  • Một Số Phương Pháp Dạy Trẻ Học Tiếng Anh Hiệu Quả Nhất
  • Một Số Phương Pháp Dạy Và Học Từ Vựng Tiếng Anh
  • Phương Pháp Dạy Và Học Tiếng Anh Hiệu Quả Tại Nhà Cho Trẻ
  • Phương Pháp Dạy Bé Học Tiếng Anh Lớp 2
  • Phương Pháp Dạy Học Tiếng Anh Lớp 5 Phù Hợp Với Các Bé
  • Published on

    Chương 3. PHƯƠNG PHÁP MÔ PHỎNG

    1. 1. MÔ HÌNH HÓA & MÔ PHỎNG CÁC HỆ THỐNG CÔNG NGHIỆP Bài giảng môn: GV. Nguyễn Văn Cần
    2. 2. Chương 3. PHƯƠNG PHÁP MÔ PHỎNG 3.1. Giới thiệu chung – Khi có một mô hình toán học của hệ thống thực người ta có thể tìm các thông tin về hệ thống bằng nhiều cách. – Nhờ có sự phát triển của máy tính mà phương pháp mô phỏng ngày càng hoàn thiện.
    3. 3. Chương 3. PHƯƠNG PHÁP MÔ PHỎNG 3.2. Bản chất của phương pháp mô phỏng Bản chất của phương pháp mô phỏng là xây dựng một mô hình số (Model Numerically), tức mô hình được thể hiện bằng các chương trình máy tính, sau đó tiến hành các “thực nghiệm” trên mô hình để tìm ra các đặc tính của hệ thống được mô phỏng. Số lần “thực nghiệm” về lý thuyết được tăng lên vô cùng lớn.
    4. 6. Chương 3. PHƯƠNG PHÁP MÔ PHỎNG Phương pháp mô phỏng được ứng dụng vào các giai đoạn khác nhau của việc nghiên cứu thiết kế và vận hành của hệ thống: – Giai đoạn nghiên cứu hệ thống – Thiết kế hệ thống – Vận hành hệ thống.
    5. 7. Chương 3. PHƯƠNG PHÁP MÔ PHỎNG Quá trình nghiên cứu bằng phương pháp mô phỏng và quan hệ giữa hệ thống thực với các kết quả mô phỏng.
    6. 8. Chương 3. PHƯƠNG PHÁP MÔ PHỎNG 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng Lựa chọn ngôn ngữ là bước quan trọng nhất trong tiến trình phát triển của một mô hình mô phỏng. Một quyết định sai trong bước này có thể làm cho thời gian thực hiện mô phỏng lâu, không hoàn thành được việc nghiên cứu và không khả thi.
    7. 9. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.1. Các ngôn ngữ và phần mềm mô phỏng Các ngôn ngữ lập trình cấp cao thông dụng như: JAVA, C++, Visual BASIC,… Sử dụng các gói phần mềm mô phỏng có rất nhiều ưu điểm như: – Thời gian xây dựng mô hình ngắn – Dễ dàng thay đổi cấu trúc và thông số của mô hình – Dễ gỡ rối, sửa chữa sai sót – Các kết quả được xử lý tốt, thuận tiện cho việc sử dụng.
    8. 11. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.1. Các ngôn ngữ và phần mềm mô phỏng Các phần mềm mô phỏng liên tục được thiết kế để xử lý những mô hình sự kiện liên tục thường được diễn tả bằng các phương trình vi phân. Ví dụ về loại này là các phần mềm VENSIM và DYNAMO. Những phần mềm này thường phổ biến trong các mô hình hệ thống hóa học.
    9. 12. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.1. Các ngôn ngữ và phần mềm mô phỏng – Các phần mềm mô phỏng sự kiện rời rạc được thiết kế để xử lý những thay đổi sự kiện rời rạc. Hai ví dụ của loại ngôn ngữ này là SIMULA và GPSS. – Một số phần mềm như ARENA và SIMIO cho phép các mô phỏng rời rạc, liên tục, và kết hợp. ARENA là phần mềm được viết trên ngôn ngữ mô phỏng SIMAN, được thiết kế cho quá trình sản xuất, kinh doanh mà các nhà phân tích, kỹ sư hệ thống công nghiệp sử dụng.
    10. 13. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.2. Mô phỏng với Arena – Arena sử dụng dựa trên phương pháp thực thể, lưu đồ cho mô hình. – Phương pháp lưu đồ dùng để xây dựng mô hình rất có ý nghĩa đối với các kỹ sư, nhà thiết kế quá trình. Bởi vì nó rất gần gũi với quy trình, để xây dựng mô hình và phân tích nó. Phương pháp lưu đồ trong Arena giúp chúng ta: + Dễ dàng tìm hiểu hơn các công cụ mô phỏng khác + Dễ dàng hơn để kiểm chứng và hợp thức hoá
    11. 14. 3.3 Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.2 Mô phỏng với Arena + Dễ dàng hơn trong việc truyền đạt những quá trình phức tạp đến những người khác + Dễ sử dụng để phát triển mô hình mô phỏng nhanh chóng.
    12. 15. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.3. Những tính năng trong ARENA * Tính năng Arena trong lúc chạy cho phép nhà phân tích có thể xem các đặc tính của bất kỳ đối tượng trong mô hình, bao gồm dữ liệu mô-đun, vị trí đối tượng, hình ảnh hoạt hình v.v…nhưng không thể thêm hoặc xóa các đối tượng trong mô hình.
    13. 16. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.3. Những tính năng trong ARENA * Nhập lưu đồ từ Visio và chuyển đổi bất kỳ hình dạng vẽ trong Visio vào mô-đun Arena. * Nhập các bản vẽ AutoCAD cộng với các đối tượng, hình ảnh, Clipart, video clip chúng tôi hoạt hình 2d. * Hơn 5.000 đối tượng hoạt hình được đưa vào thư viên hoạt hình của Arena. Tuỳ chỉnh hoạt hình cũng có thể được tạo ra bởi người sử dụng. Clipart, bitmap, bản vẽ AutoCad và nhiều kiểu tập tin hoạt hình khác có thể được nhập vào Arena.
    14. 17. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.3. Những tính năng trong ARENA * Khả năng tương thích dữ liệu ODBC. Nhập và xuất dữ liệu từ/đến bất kỳ tập tin dữ liệu ODBC. Các loại tập tin bao gồm: Excel, Access, XML, text, và Active X Data Object (ADO). * Nguyên bản Visual Basic. Không giống như các công cụ khác sử dụng ngôn ngữ nguyên bản cá nhân, Arena sử dụng một trình soạn thảo VBA chuẩn và mô hình đối tượng Arena để xây dựng giao diện người dùng tùy chỉnh và giao diện dữ liệu tùy chỉnh đến các mô hình Arena.
    15. 18. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.3. Những tính năng trong ARENA * Tự động hóa VB. Tất cả các chức năng Arena có thể được tự động bằng lập trình Visual Basic. Cả hai việc xây dựng và thực thi các mô hình có thể được tự động thông qua các chương trình lập trình VB và mô hình Arena. * Ghi lại Macro VB. Arena có thể ghi lại macro Visual Basic khi thực hiện những hành động chuột và bàn phím, được sử dụng để tự động hóa việc xây dựng các mô hình Arena từ các tập tin dữ liệu bên ngoài.
    16. 19. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.3. Những tính năng trong ARENA * Công cụ mô hình hóa sự kiện rời rạc. Arena là gói phần mềm hàng đầu của mô phỏng sự kiện rời rạc. Bất kỳ quá trình được mô tả có thể được mô hình ở Arena, bao gồm cả dịch vụ khách hàng, tài chính, thanh toán, hậu cần v.v… * Mô hình hoá thời gian thực. Thời gian thực Arena cho phép mô hình chạy trong thời gian thực hoặc nhiều lần thời gian thực, và kết nối với các thiết bị bên ngoài hoặc các ứng dụng bên ngoài. Công nghệ này rất hữu ích để thử nghiệm hệ thống và đào tạo vận hành.
    17. 20. 3.3. Lựa chọn ngôn ngữ và phần mềm mô phỏng 3.3.3. Những tính năng trong ARENA * Ngôn ngữ mô phỏng SIMAN. Arena là công cụ mô phỏng dựa trên một ngôn ngữ SIMAN. Có một ngôn ngữ mô phỏng làm cho những mô hình Arena chạy rất nhanh và nó có thể giúp người sử dụng mô hình bất kỳ quá trình phức tạp có thể mô tả. SIMAN là tiền thân của Arena và là ngôn ngữ mô phỏng trên máy tính cá nhân đầu tiên của thế giới khi nó được giới thiệu vào năm 1982.
    18. 21. Chương 3. PHƯƠNG PHÁP MÔ PHỎNG 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng Tùy theo trạng thái của hệ thống thay đổi liên tục hay gián đoạn theo thời gian mà người ta phân biệt thành hệ thống liên tục hay gián đoạn.
    19. 22. 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng 3.4.1 Phương pháp mô phỏng liên tục Thường được dùng cho hệ liên tục. Trong những hệ này các trạng thái và thuộc tính của hệ thống thay đổi một cách liên tục theo thời gian. Các ví dụ cho mô hình liên tục: – Mức nước ở một bể chứa khi dòng nước vào và ra liên tục, và khi xảy ra mưa hay bốc hơi. – Trong một mô hình phản ứng hóa học, các biến như nhiệt độ và áp suất sẽ thay đỗi liên tục theo thời gian.
    20. 23. 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng 3.4.1. Phương pháp mô phỏng liên tục Nhìn chung, mô phỏng liên tục được dùng để diễn tả hành vi của hệ thống. Nó có thể ứng dụng trong các bài toán vật lý (bài toán nước chảy vào hồ), các bài toán tâm lý/quản lý/kinh tế. Đặc biệt mô phỏng liên tục được thường dùng để mô phỏng mô hình tư duy/nhận thức của con người (bài toán muốn cải thiện điểm của sinh viên).
    21. 24. 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng 3.4.1. Phương pháp mô phỏng gián đoạn Thường được dùng cho hệ gián đoạn. Trong những hệ này sự kiện xảy ra tại các thời điểm gián đoạn và làm thay đổi trạng thái của hệ thống. Hay nói cách khác các biến trạng thái thay đổi duy nhất ở những điểm riêng biệt trong thời gian tại các sự kiện xảy ra.
    22. 25. 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng 3.4.1. Phương pháp mô phỏng gián đoạn Các ví dụ cho mô hình rời rạc: – Trong mô hình hoạch định sản xuất nhiều giai đoạn, chúng ta có nhu cầu xuất hiện rời rạc theo thời gian, chẳng hạn như tại thời điểm bắt đầu mỗi tuần. – Máy móc bị hư hỏng và làm việc lại tại những thời điểm rõ ràng, và thời gian giải lao cho công nhân. – Hệ thống xếp hàng, hệ thống tồn kho. Ngoài hai phương pháp mô phỏng chính kể trên còn có các phưong pháp mô phỏng như: Hỗn hợp liên tục- gián đoạn, Monte Carlo.
    23. 26. 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng Hình Biến trạng thái hệ thống liên tục. Hình Biến trạng thái hệ thống gián đoạn
    24. 27. 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng Ngoài hai phương pháp mô phỏng chính kể trên còn có các phưong pháp mô phỏng như: Hỗn hợp liên tục- gián đoạn, Monte Carlo.
    25. 28. 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng 3.4.3. Phương pháp mô phỏng hỗn hợp liên tục-gián đoạn Có một số hệ thống không hoàn toàn gián đoạn cũng không hoàn toàn liên tục, đó là các hệ thống mà trong đó các trạng thái có thể thay đổi một cách liên tục hoặc gián đoạn. Ví dụ lò nung phôi thép, trong hệ thống này nhiệt độ là nung thay đổi một cách liên tục nhưng số phôi thép đưa vào hoặc lấy ra khỏi lò nung thay đổi một cách gián đoạn. Để mô phỏng hệ thống này ta phải dùng phương pháp mô phỏng hỗn hợp.
    26. 29. 3.4. Các phương pháp mô phỏng và phạm vị ứng dụng 3.4.4. Phương pháp mô phỏng Monte Carlo – Là một thử nghiệm lấy mẫu với mục đích ước tính sự phân phối của một biến kết quả mà biến này lại phụ thuộc vào một số biến xác suất đầu vào. -Thuật ngữ mô phỏng Monte Carlo đầu tiên được dùng trong suốt thời kỳ phát triển bom nguyên tử dưới tên gọi là mô phỏng máy tính của quá trình phân chia hạt nhân. – Phân tích rủi ro trong doanh nghiệp cho việc ra quyết định.
    27. 31. Chương 3. PHƯƠNG PHÁP MÔ PHỎNG 3.6. Thiết kế thực nghiệm mô phỏng Sau khi đã xây dựng mô hình mô phỏng và kiểm tra thấy mô hình hợp thức, chúng ta chuyển sang bước thiết kế thực nghiệm mô phỏng. – Thiết kế các kịch bản mô phỏng – Xác định số lần chạy mô phỏng cho mỗi kịch bản.
    28. 32. Chương 3. PHƯƠNG PHÁP MÔ PHỎNG 3.6. Thiết kế thực nghiệm mô phỏng 3.6.1. Số lần chạy mô phỏng (Number of run- Replication) và chiều dài mô phỏng (Run Length) – Tùy thuộc vào mục đích mô phỏng vào đặc điểm của hệ thống được mô phỏng mà người ta chọn chiều dài mô phỏng thích hợp, đảm bảo cho các dữ liệu đầu ra ổn định. – Chạy mô phỏng nhiều lần với chiều dài lớn. Thông thường số lần chạy mô phỏng nằm trong khoảng 10 -30 lần tùy thuộc độ phức tạp của hệ thống mô phỏng.
    29. 33. 3.6. Thiết kế thực nghiệm mô phỏng 3.6.2. Điều kiện khởi động (Starting Coditions) và ngừng mô phỏng (Stopping Rules) a) Điều kiện khởi động tùy thuộc vào mục đích mô phỏng. Điều kiện khởi động chung nhất là điều kiện “hệ thống đang còn rỗng” có nghĩa là các sự kiện đầu vào chưa xảy ra. Có thể chọn một trong hai điều kiện sau đây: – Nếu mục đích mô hình là phân tích hành vi của hệ thống ở trạng thái ổn định thì quá trình mô phỏng phải bỏ qua thời kỳ quá độ, lúc này điều kiện khởi động chỉ tính khi hệ thống bắt đầu ổn định. – Nếu mục đích của mô hình là phân tích hành vi quá độ của hệ thống thì điều kiện khởi động chính là điều kiện của hệ thống.
    30. 34. 3.6. Thiết kế thực nghiệm mô phỏng 3.6.2. Điều kiện khởi động (Starting Coditions) và ngừng mô phỏng (Stopping Rules) b) Điều kiện ngừng mô phỏng được xác định bởi một trong các điều kiện sau đây tùy thuộc vào mục đích mô phỏng: – Khi thời gian mô phỏng (tổng các thời gian giữa các sự kiện) đạt tới giá trị xác định. Trong trường hợp này số sự kiện đầu ra sẽ không xác định trước và trạng thái kết thúc của mô hình có thể không phải là trạng thái rỗng. – Khi số sự kiện đầu vào đạt tới giá trị xác định. Trong trường hợp này mô hình sẽ được chạy cho đến khi sự kiện đầu vào cuối cùng đi qua và trạng thái kết thúc của mô hình là trạng thái rỗng. – Khi số sự kiện đầu ra đạt tới giá trị xác định. Trong trường hợp này trạng thái kết thúc của mô hình có thể không phải là trạng thái rỗng. – Khi thông số của mô hình đạt tới giá trị xác định. Trong trường hợp này trạng thái kết thúc của mô hình có thế không phải là trạng thái rỗng.

    --- Bài cũ hơn ---

  • Thiết Kế Module Dạy Học Trong Đào Tạo Theo Học Chế Tín Chỉ
  • Sử Dụng Phương Tiện Trực Quan Trong Dạy Học Một Số Khái Niệm Hóa Học Cơ Bản Ở Trường Trung Học Cơ Sở Nhằm Phát Triển Năng Lực Thực Nghiệm Cho Học Sinh.
  • Sáng Kiến Kinh Nghiệm Phương Pháp Sử Dụng Đồ Dùng Trực Quan Trong Dạy Học Lịch Sử
  • Sử Dụng Phương Pháp Trực Quan Trong Dạy Học Ngữ Văn Ở Các Trường Trung Học Phổ Thông Huyện Cần Giờ, Thành Phố Hồ Chí Minh
  • Sử Dụng Phương Tiện Trực Quan Trong Dạy Học Toán Lớp 3 Theo Hướng Phát Huy Tính Tích Cực Nhận Thức Của Học Sinh
  • Ứng Dụng Phương Pháp Mô Phỏng Hiện Đại Trong Dạy Và Học

    --- Bài mới hơn ---

  • Tesol ( Khóa Học Phương Pháp Giảng Dạy Tiếng Anh Uy Tín )
  • Hồ Chí Minh City University Of Pedagogy
  • Đề Tài Một Số Kinh Nghiệm Soạn Giáo Án Tích Hợp Trong Môn Tiếng Anh Cấp Thcs
  • Phương Pháp Dạy Tiếng Anh Tiểu Học Hiệu Quả Cho Trẻ
  • Chuyên Ngành Lý Luận Và Phương Pháp Dạy Học Bộ Môn Tiếng Anh (8140111)
  • Hiện nay khoa kỹ thuật – công nghệ trường Cao đẳng KT-KT Bình Dương đã và đang triển khai một cách rộng rãi và hiệu quả việc ứng dụng phương pháp dạy học với mô phỏng. Bài viết này xin trình bày một số vấn đề quan trọng về việc ứng dụng mô phỏng trong dạy và học.

    1. Tổng quan về mô phỏng

    1.1. Mô phỏng là gì?

    Mô phỏng là việc nghiên cứu trạng thái của mô hình để qua đó hiểu được hệ thống thực, mô phỏng là tiến hành thử nghiệm trên mô hình. Đó là quá trình tiến hành nghiên cứu trên vật thật nhân tạo, tái tạo hiện tượng mà người nghiên cứu cần để quan sát và làm thực nghiệp, từ đó rút ra kết luận tương tự vật thật.

    Ta có thể thực hiện việc mô phỏng từ những phương tiện đơn giản như giấy, bút đến các nguyên vật liệu tái tạo lại nguyên mẫu (mô hình bằng gỗ, gạch, sắt…) hay hiện đại hơn là dùng máy tính điện tử (MPMT).

    Mô phỏng máy tính sử dụng mô tả toán học, mô hình của hệ thống thực ở dạng chương trình máy tính. MPMT thường được sử dụng rất có hiệu quả để nghiên cứu trạng thái động của nguyên mẫu trong những điều kiện nếu nghiên cứu trên vật thật sẽ khó khăn, tốn kém và không an toàn.

    Mô phỏng máy tính là hiển thị một chuỗi các hình ảnh hoặc khung hình trên màn hình phỏng theo một chuyển động nào đó. Thực ra, mô phỏng là một dạng ảo ảnh thị giác, tạo nên sự năng động, truyền sinh khí và chuyển động cho những đối tượng khô khan.

    Mô phỏng trên máy tính là xu hướng dạy học mới, hiện đại đã và đang được nghiên cứu và áp dụng rộng rãi trên nhiều lĩnh vực. Trong lĩnh vực giáo dục, các bài giảng có ứng dụng mô phỏng kết hợp phương tiện nghe nhìn hiện đại sẽ tạo cho sinh viên nhiều kỹ năng như: khả năng hoạt động quan sát (các hình ảnh tĩnh hoặc động), khả năng thao tác trên đối tượng, khả năng tự do phát triển tư duy, lựa chọn con đường tối ưu để nhận thức.

    Để xây dựng mô phỏng trên máy tính, có nhiều phần mềm rất hiệu quả. Phần mềm Flash là một trong những phần mềm làm mô phỏng sớm nhất. Flash thực hiện mô phỏng dựa trên các hình ảnh vector. Flash chỉ cần dùng một băng thông hẹp để tạo nên một đối tượng có thể chuyển động từ nhiều điểm, theo nhiều hướng khác nhau cùng một lúc. Ngoài ra Java cũng là một trong những phần mềm mô phỏng thông dụng và hiệu quả nhất hiện nay.

    1.2. Phương pháp dạy học với mô phỏng:

    Cùng với sự phát triển công nghệ thông tin, việc đưa máy tính vào các trường học đã tạo ra bước ngoặc lớn trong việc dạy học. Sử dụng mô phỏng trên máy tính là phương pháp dạy học tích cực phát huy cao độ tính độc lập, khả năng làm việc trí tuệ của sinh viên, tạo ra một nhịp độ phong cách trạng thái tâm lí mới làm thay đổi phương pháp và hình thức dạy học. Đặc biệt, mô phỏng diễn tả những quá trình động bên trong của các quá trình, các thiết bị mà trước đây không thể thực hiện trong phạm vi nhà trường. Hiện nay, trong dạy học cũng như nghiên cứu đã tìm kiếm và đưa vào vận dụng “phòng thí nghiệm và thực hành ảo”.

    Phương pháp mô phỏng trong dạy học là phương pháp tiếp cận nhận thức thế giới thực thông qua mô hình tĩnh hoặc động. Bằng phương pháp mô phỏng, sinh viên không chỉ tiếp thu kiến thức một cách sâu sắc mà trong quá trình học họ còn có thể tìm ra cách tiếp cận vấn đề, con đường cách thức để đạt mục tiêu bài học. Đặc biệt sinh viên còn có thể tạo dựng và điều khiển tại chỗ các đối tượng theo ý muốn. Tìm tòi phát hiện một số quan niệm mới cũng như rèn luyện kỹ năng nghề nghiệp.  

    1.3. Ưu điểm nổi bật của phương pháp dạy học với mô phỏng

    Có nhiều ưu điểm của phương pháp dạy và học với mô phỏng:  

    – Mô phỏng cung cấp cho sinh viên những kinh nghiệm cụ thể về đối tượng học tập theo kiểu trải nghiệm gián tiếp. Với khả năng điều khiển đồng thời tất cả các thành phần như hình ảnh, âm thanh, video, theo năng lực và sở thích của cá nhân, sinh viên có thể tự trải nghiệm về đối tượng. Điều này không thể có được nếu như các phương tiện này được thể hiện tuần tự theo một trật tự cố định, một nhịp độ cố định mà chưa hẳn đã phù hợp với người học. Trong các bài giảng, bằng sự kết hợp của mô phỏng 3 chiều, của âm thanh nổi, bằng diễn biến tuỳ thuộc vào kỹ năng điều khiển của sinh viên, có thể tạo nên được những trạng thái, cảm xúc hồi hộp, sung sướng, lo sợ… mà không một bộ phim hay một hình ảnh, âm thanh riêng lẻ nào có thể tạo nên. Điều quan trọng hơn, đó là từ những trải nghiệm này, sinh viên có được những kinh nghiệm cụ thể về tư duy, về hành vi, về ứng xử.

    – Sức mạnh sư phạm của mô phỏng thể hiện ở chỗ nó huy động tất cả khả năng xử lý thông tin của sinh viên. Tất cả các cơ quan cảm giác của con người (tay, mắt, tai …) cùng với bộ não hợp thành một hệ thống có khả năng vô cùng to lớn để biến những dữ liệu vô nghĩa thành thông tin. “Trăm nghe không bằng một thấy”, nhưng nếu cái thấy là thực thể vận động thì ý nghĩa còn lớn hơn rất nhiều. Do đó mô phỏng có khả năng cung cấp một kiến thức tổng hợp và sâu sắc hơn so với chỉ dùng các giáo trình in kèm theo hình ảnh thông thường.  

    – Mô phỏng được sử dụng để huấn luyện, cung cấp những kinh nghiệm gián tiếp trước khi sinh viên thực hành thực tế. Điều này được thực hiện đối với những công việc có thể gây nhiều nguy hiểm cho con người, ví dụ như việc đóng điện xung kích MBA hay hòa điện máy phát điện đồng bộ. Với những công việc như thế, bằng các trải nghiệm gián tiếp tạo ra nhờ kỹ thuật mô phỏng. Nhờ thế, khi bước vào thực tế (như là một công nhân vận hành máy điện…) sinh viên đã thuần thục các qui trình, qui tắc cần làm để giảm thiểu tối đa rủi ro có thể gây ra cho con người và thiết bị.  

    -  Mô phỏng cho phép sinh viên làm việc theo nhịp độ riêng và tự điều khiển cách học của bản thân, kích thích sự say mê học tập của sinh viên. Mô phỏng giúp sinh viên học với một người thầy vô cùng kiên nhẫn.

    – Giáo viên cũng có thể tìm thấy ở mô phỏng những khả năng độc đáo cho việc tổ chức giảng dạy, làm cho hoạt động học trở nên tích cực hơn. Ví dụ, giáo viên có thể tải từ internet một đoạn mô phỏng về hoạt động của một máy phát điện, hướng dẫn cho sinh viên cách quan sát chuỗi hoạt động trên mô phỏng và sau đó sinh viên có thể tự mình trình bày lại nguyên lý hoạt động của máy phát điện.

    – Mô phỏng giúp giáo viên làm việc một cách sáng tạo, tìm được giải pháp thay thế những hoạt động học thiếu hiệu quả.  

    2. Các mục tiêu cần đạt được khi dạy học bằng mô phỏng  

    2.1.1. Thông tin và lĩnh hội kiến thức

    Giáo viên phải đảm bảo rằng sinh viên sẽ tiếp thu kiến thức một cách sâu sắc thông qua việc dạy học bằng mô phỏng. So với các phương tiện dạy học truyền thống, mô phỏng trên máy tính biểu diễn các hiện tượng trong sự phối hợp với màu sắc âm thanh, lời giải thích, tạo sự cuốn hút sinh viên, kích thích hứng thú học tập, tạo cho sinh viên chú ý thực hiện hành động lĩnh hội khái niệm. Do đó hiệu quả bài giảng và chất lượng lĩnh hội kiến thức của sinh viên được nâng cao hơn.

    Giáo viên phải biết tạo cơ hội phát huy tư duy sáng tạo của sinh viên. Cụ thể thông qua các mô phỏng, giáo viên có thể rèn luyện cho sinh viên các thao tác tư duy: cách quan sát, khả năng mô tả và diễn đạt tư duy tạo điều kiện cho họ hình thành năng lực phân tích, so sánh, tổng hợp, khái quát hóa và trừu tượng hóa.

    2.1.2. Rèn luyện kỹ năng thực hành

    Giáo viên phải thông qua bài giảng bằng mô phỏng để rèn luyện cho sinh viên kỹ năng thực hành. Cụ thể sinh viên có thể tự mình tiến hành mô phỏng với các phần mềm đơn giản kết hợp với các kiến thức tin học cơ sở để điều chỉnh tại chỗ quá trình mô phỏng theo ý muốn. Hơn nữa sinh viên còn được rèn luyện kỹ năng tư duy thuật toán, kỹ năng lập trình… tạo khả năng thích ứng với xã hội thông tin trong tương lai.  

    2.1.3. Giáo dục nhân cách

    Giáo viên phải thông qua phương pháp dạy học bằng mô phỏng để rèn luyện cho sinh viên tính độc lập, tự chủ kiên trì, cần cù và chăm chỉ. Đặc điểm phương pháp mô phỏng là gây hứng thú cho sinh viên, làm cho sinh viên yêu thích môn học, tạo tiền đề cho việc định hướng nghề nghiệp.

    3. Ứng dụng mô phỏng vào việc dạy và học:

    Mô phỏng có thể được sử dụng trong mọi tình huống giảng dạy và học tập:

    – Giáo viên có thể dùng mô phỏng trong phần mở bài để đặt sinh viên trong tình huống có vấn đề, tạo trạng thái tâm lí sẵn sàng tham gia tích cực vào quá trình lĩnh hội kiến thức mới.  

    – Giáo viên có thể từ mô phỏng để gợi mở phát triển những ý tưởng mới cho sinh viên.  

    – Khi ứng dụng mô phỏng để giảng dạy, giáo viên không chỉ giúp sinh viên nắm kiến thức môn học mà còn phải tìm cách để sinh viên hiểu biết cả con đường đã dẫn đến kiến thức. Phương pháp này có tính trực quan cao, giúp sinh viên có thể quan sát những hình ảnh trừu tượng không thể trực tiếp tri giác được.  

    – Tương ứng với mỗi bài học, giáo viên chọn phương pháp mô phỏng thích hợp (hình học, động hình học, động lực học). Trong một số trường hợp đối với một số sinh viên có khả năng cơ bản về lập trình, họ có thể trực tiếp xây dựng những hình ảnh mô phỏng trên máy tính theo nhiệm vụ giáo viên đặt ra với sự hướng dẫn của giáo viên, qua đó sinh viên phát huy tính độc lập sáng tạo tìm cách thực hiện nhiệm vụ được giao.  

    – Với một chương trình mô phỏng được thiết kế tốt, sinh viên có thể tự học mà vẫn đạt kết quả tốt như học với giáo viên. Điều này tạo điều kiện cho việc cá thể hóa trong học tập (rất cần thiết khi kiến thức và năng lực nhân cách của sinh viên không đồng đều).  

    – Giáo viên và sinh viên có thể sử dụng mô phỏng như một tài liệu giảng dạy và học tập độc lập (chủ yếu phục vụ tự học, tự nghiên cứu). Tài liệu học tập kiểu này được cung cấp trên web hay cung cấp qua đĩa CD.  

    – Giáo viên có thể sử dụng mô phỏng phối hợp với các phần mềm trình chiếu khác như power point hay giảng dạy trên web.

    Tuy nhiên khi dạy học với mô phỏng trên MTDT ta cần lưu ý những điểm sau:

    – Giáo viên và sinh viên cần có một số kiến thức tin học nhất định, kỹ năng sử dụng máy tính và các thiết bị kết nối với máy tính.  

    TÀI LIỆU THAM KHẢO

    1. Allan.C.Ornstein, Francis.P.Hunkins. Curriculum: Foundations, Principles and Issues- Allyn & Bacon. 1998.

    2. Martyn Sloman. A Handbook for Training Strategy. Gower. 1998.

    3. M.David Merrill. Knowledge Objects & Mental Model. Utah State University.

    4. Paul R.Burden & David M.Byrd. Methods for Effective Teaching. Allyn and Bacon.1994

    5. Tổng quan về phương pháp mô phỏng và ứng dụng mô phỏng trong dạy học kỹ thuật – nghề nghiệp. Nguyễn Văn Mạnh. Thông tin khoa học đào tạo nghề. Tổng cục dạy nghề.

    --- Bài cũ hơn ---

  • Đề Tài Phương Pháp Sử Dụng Đồ Dùng Trực Quan Trong Dạy Học Lịch Sử
  • Sáng Kiến Kinh Nghiệm Tuân Thủ Nguyên Tắc Trực Quan Trong Dạy Học Tiếng Việt
  • Đề Cương Môn Học Phương Pháp Dạy Học Tiếng Việt Ở Tiểu Học
  • Xét Nghiệm Máu Và Các Xét Nghiệm Thường Gặp Trong Khám Tổng Quát
  • Xét Nghiệm Máu Tổng Quát Gồm Những Xét Nghiệm Nào
  • Phỏng Vấn Star Là Gì? Sử Dụng Phương Pháp Star Để Tỏa Sáng

    --- Bài mới hơn ---

  • Trả Lời Phỏng Vấn Theo Mô Hình Star
  • Phương Pháp Trả Lời Phỏng Vấn “star” Biến Ứng Viên Thành “ngôi Sao” Ngay Lần Đầu Tiên Gặp Nhà Tuyển Dụng
  • Chia Sẻ Cách Trả Lời Thư Mời Phỏng Vấn Bằng Tiếng Anh Ấn Tượng
  • Cách Trả Lời Thư Mời Phỏng Vấn Bằng Tiếng Anh Ấn Tượng
  • Cách Viết Thư Cảm Ơn Sau Phỏng Vấn Bằng Tiếng Anh
  • Phương pháp phỏng vấn STAR được nhiều ứng viên sử dụng trong các cuộc phỏng vấn xin việc làm. Nó ít nhiều đã đem lại thành công cho họ. Hôm nay, chúng tôi xin chia sẻ với các bạn phương pháp này.

    Có nhiều cách để nhà tuyển dụng tiếp cận cuộc phỏng vấn. Một trong những định dạng phổ biến nhất bạn có thể gặp phải là cuộc phỏng vấn về hành vi. Trong cuộc phỏng vấn dạng này, các câu hỏi về kinh nghiệm trong những tình huống nhất định, cả thực tế và giả thiết, để đánh giá năng lực và nhân cách của bạn. Các câu hỏi phỏng vấn hành vi là dành cho ứng viên thể hiện hơn là chỉ nói, nhà tuyển dụng sẽ xem xét mức độ phù hợp với vị trí.

    Phỏng vấn STAR là gì?

    Phỏng vấn STAR là phương pháp giúp ứng viên giải quyết các câu hỏi phỏng vấn hành vi. STAR là viết tắt của S – Situation (Tình huống); T – Task (Nhiệm vụ); A – Action (Hành động); R – Result (Kết quả). Các câu hỏi phỏng vấn hành vi thường xoay quanh vấn đề năng lực, kỹ năng đáp ứng yêu cầu công việc, các câu hỏi thường không khó nhưng để trả lời mạch lạc và đầy đủ lại không hề dễ. Chính vì vậy phương pháp STAR ra đời để giải quyết thách thức ứng viên gặp phải.

    Ông George Dutch, một chuyên gia về nghề nghiệp tại chúng tôi nói “Trong một cuộc phỏng vấn dựa trên hành vi, một ứng viên không thể chỉ đơn giản nói rằng cô ấy là một người xây dựng đội ngũ tuyệt vời. Cô ấy phải cung cấp những ví dụ cụ thể về các đội mà cô ấy đã xây dựng. Những cách cô ấy đã vượt qua được xung đột trong nhóm và làm thế nào cô ấy đã dẫn dắt đội của cô ấy đạt được mục tiêu.”

    Các câu hỏi trong cuộc phỏng vấn về hành vi được điều khiển bởi các năng lực hoặc kỹ năng đáp ứng yêu cầu công việc. Nhà tuyển dụng sẽ xác định những gì cần thiết cho sự thành công trong vị trí đó và tìm kiếm nhân viên tương lai để chứng minh những đặc điểm này trong phản ứng của họ. Một số ví dụ về các loại câu hỏi phỏng vấn mà họ có thể yêu cầu bao gồm:

    • Cho tôi biết về gia đoạn khi bạn phải giải quyết vấn đề trong một khoảng thời gian ngắn?
    • Cho tôi một ví dụ khi bạn không đồng ý với lãnh đạo?
    • Bạn đã mắc sai lầm gì và bạn học được gì từ nó?
    • Cho tôi biết về thời gian bạn phải sử dụng để đàm phán đạt được kết quả mong muốn?

    Mặc dù các câu hỏi có vẻ dễ dàng, nhưng cung cấp một câu trả lời mạch lạc có thể là thách thức trong lúc nóng vội. Đây là lí do phương pháp STAR ra đời. STAR là viết tắt của Situation, Task, Action, Result, và nó là một kế hoạch tuyệt vời để cấu trúc câu trả lời của bạn trong một cuộc phỏng vấn về hành vi.

    Làm thế nào để sử dụng phương pháp phỏng vấn STAR

    Câu hỏi ví dụ: ” Hãy cho tôi biết về khoảng thời gian khi bạn tự mình hành động để giải quyết vấn đề?”

    S – Situation (Tình huống): Mô tả bối cảnh câu chuyện của bạn.

    “Cả nhóm đã làm việc chăm chỉ để thuyết trình cho khách hàng quan trọng trong vòng một giờ.”

    T – Task (Nhiệm vụ): Giải thích những gì cần thiết.

    “Tôi đã hoàn thiện các trang trình bày cho bài thuyết trình khi tôi nhận thấy rằng một mối quan tâm quan trọng của khách hàng đã không được giải quyết đúng trong các trang trình bày.”

    A – Action (Hành động): Cho biết bạn đã làm những bước nào.

    “Tôi đã thêm một trang trình bày mới với thông tin thích hợp mà tôi rút ra từ một báo cáo trước đó chúng tôi đã làm. Sau đó, tôi đề nghị trình bày nó một cách nhanh chóng khi nó được đưa ra trong cuộc họp. “

    R – Result (Kết quả): Mô tả những gì đã xảy ra do hành động của bạn.

    Bởi vì những loại câu hỏi này đòi hỏi các câu trả lời chuyên sâu, dành nhiều thời gian trước khi các cuộc phỏng vấn đến để các câu trả lời mà bạn có thể sử dụng.Ericka Spradley, Chủ tịch Tư vấn Hướng nghiệp khuyên bạn nên xem xét cẩn thận công việc để xác định các kỹ năng cần thiết cho vai trò và chuẩn bị các ví dụ thể hiện sự thông thạo của bạn về những kỹ năng đó.Cô ấy khuyên bạn nên viết những ví dụ này xuống, và thậm chí ghi hình khi bạn ghi lại các câu trả lời STAR.

    Việc bạn chuẩn bị cẩn thận, bạn sẽ tự tin hơn trong câu trả lời. Rice nói “Hãy tích cực hành động trong suốt quá trình trả lời của bạn. Và đừng tạo ra một ví dụ thể hiện không đáng tin cậy.Nếu bạn không nghĩ ra một tình huống tốt để sử dụng ngay tại chỗ, hãy xin người phỏng vấn một chút thời gian để suy nghĩ về một câu trả lời có tổ chức tốt, điều đó sẽ chứng tỏ năng lực và kỹ năng của bạn.”

    Theo Lisa Shuster, Chủ tịch Công ty Nguồn nhân lực WorkMoreHuman, các nhà tuyển dụng đặt câu hỏi hành vi trong các cuộc phỏng vấn bởi vì nó cho phép họ “đánh giá năng lực và kỹ năng của ứng viên dựa vào bối cảnh kinh nghiệm trong quá khứ của họ.”

    Một người tìm việc tham gia vào một cuộc phỏng vấn khi đã trang bị một vài ví dụ điển hình và cấu trúc câu trả lời theo phương pháp STAR sẽ tỏa sáng trong các cuộc phỏng vấn này.

    --- Bài cũ hơn ---

  • Phương Pháp Quản Trị Thời Gian Pomodoro
  • Pomodoro: Phương Pháp Siêu Hiệu Quả Để Tăng Năng Suất Làm Việc
  • Top Những Ứng Dụng Pomodoro Trên Điện Thoại Và Máy Tính
  • Hướng Dẫn Kỹ Thuật Pomodoro Giúp Tập Trung, Tăng Hiệu Suất
  • Giới Thiệu, Hưỡng Dẫn Và Sử Dụng Pomodoro Sao Cho Hiệu Quả?
  • Web hay
  • Links hay
  • Push
  • Chủ đề top 10
  • Chủ đề top 20
  • Chủ đề top 30
  • Chủ đề top 40
  • Chủ đề top 50
  • Chủ đề top 60
  • Chủ đề top 70
  • Chủ đề top 80
  • Chủ đề top 90
  • Chủ đề top 100
  • Bài viết top 10
  • Bài viết top 20
  • Bài viết top 30
  • Bài viết top 40
  • Bài viết top 50
  • Bài viết top 60
  • Bài viết top 70
  • Bài viết top 80
  • Bài viết top 90
  • Bài viết top 100
  • CẦM ĐỒ TẠI F88
    15 PHÚT DUYỆT
    NHẬN TIỀN NGAY

    VAY TIỀN NHANH
    LÊN ĐẾN 10 TRIỆU
    CHỈ CẦN CMND

    ×