Nature stochastique de la simulation de Monte-Carlo
Dans l'exercice précédent, vous avez modélisé l'information de façon déterministe. Vous allez maintenant tenter d'estimer l'inflation future avec un modèle stochastique, en utilisant une simulation de Monte-Carlo.
Rappelez-vous que les modèles stochastiques simulent l'aléatoire des variables par échantillonnage. Cette part de hasard fait en sorte que chaque simulation arrive probablement à un résultat attendu différent, même si les intrants sont identiques. Nous l'avons vu dans la vidéo en exécutant des simulations de Monte-Carlo avec différentes graines.
Dans cet exercice, supposez une inflation de 8,6 % en 2022 et une hausse stochastique de 1 %, 2 % ou 3 % chaque année par rapport à l'année précédente (avec des probabilités égales de 1 %, 2 % ou 3 %) pour les années suivantes. À quoi ressemblera le taux d'inflation en 2050 selon ces hypothèses?
Le module random a déjà été importé pour vous sous le nom random.
Cette activité fait partie du cours
Simulations de Monte-Carlo en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Complete the function definition by defining the yearly_increase variable
def monte_carlo_inflation(year, seed):
random.seed(seed)
inflation_rate = 8.6
yearly_increase = ____
for i in range(year - 2022):
inflation_rate = inflation_rate*((100 + yearly_increase)/100)
return(inflation_rate)