Simulacija rijetkih događaja

Standardnim Monte Carlo algoritmom teško je precizno procijeniti vjerojatnosti iznimno rijetkih događaja zbog velike relativne pogreške takvih procjenitelja. Cilj ovog diplomskog rada bio je prikazati neke od simulacijskih tehnika kojima se taj problem može zaobići. Naglasak je stavljen na uzorkovanje po važnosti i uvjetne Monte Carlo metode kao tehnike redukcije varijance procjenitelja. Precizno su definirane mjere efikasnosti algoritama poput ograničenosti relativne pogreške i logaritamske efikasnosti. Opisano je nekoliko algoritama koji se uglavnom bave procjenom vjerojatnosti prelaska praga u slučajnim šetnjama u slučajevima distribucija skokova lakog i teškog repa te su dokazana njihova teorijska svojstva efikasnosti. Algoritmi u slučaju distribucija lakog repa temelje se na eksponencijalnoj promjeni mjere u uzorkovanju po važnosti, a posebno je obrađen Siegmundov algoritam za koji je nađena optimalna distribucija važnosti. Također je spomenuta poveznica s teorijom velikih devijacija. Algoritmi u slučaju teških repova znatno su manje razvijeni od onih u slučaju lakih repova, te je za njih često teško pronaći dobru distribuciju važnosti. U ovom radu obrađeni su neki primjeri algoritama u slučaju subeksponencijalnih distribucija (s naglaskom na Paretovu i Weibullovu distribuciju) koji se temelje na uvjetnoj Monte Carlo metodi ili uzorkovanju po važnosti. U radu se navodi više stvarnih primjera primjene ovih algoritama, poput vjerojatnosti propasti u osiguravajućim društvima. Na kraju su algoritmi implementirani u MATLAB-u te uspoređeni u simulacijama. Siegmundov algoritam pokazao se dobrim i u praksi, dok su za slučaj teških repova bolje rezultate dali algoritmi uvjetne Monte Carlo metode nego uzorkovanja po važnosti.The probability of exceptionally rare events is difficult to estimate accurately using the standard Monte Carlo algorithm due to a high relative error of such estimators. The aim of this master’s thesis is to present some simulation techniques which may overcome this problem, with the emphasis on the importance sampling and conditional Monte Carlo method as variance reduction techniques. Algorithm efficiency measures, such as the bounded relative error and logarithmic efficiency, are precisely defined. Several algorithms are described, mainly concerning hitting times probabilities in light and heavy tailed random walks, and their theoretical efficiency proven. For light tailed distributions, the algorithms are based on the exponential change of measure in the importance sampling. The Siegmund’s algorithm is presented, for which the optimal importance distribution has been determined. A brief explanation of large deviations approach to optimal exponential change of measure is also provided. Algorithms for heavy tailed distributions are substantially less developed and it is often difficult to find a good importance distribution. This paper presents some algorithms in the case of subexponential distributions (with the emphasis on Pareto and Weibull distribution), which are based on the conditional Monte Carlo method and importance sampling. Several examples of real life application of the algorithms are discussed, such as ruin probabilities in insurance. Finally, the algorithms have been implemented in MATLAB and compared in simulations. The Siegmund’s algorithm has also proven good in practice, whereas in heavy tailed case the conditional Monte Carlo algorithms have shown better performance than the importance sampling ones