Analiza wrażliwości firmy

Teraz sprawdzisz, jak zmieniałyby się zyski firmy z poprzedniego ćwiczenia przy różnych wartościach mean_inflation i mean_volume. Pozwoli to firmie przygotować się na różne poziomy inflacji i wolumenów sprzedaży – żadna firma nie może być pewna, jak te wartości będą się kształtować w przyszłości.

Średnie wartości inflacji do zbadania to 0, 1, 2, 5, 10, 15, 20, 50, natomiast wartości sprzedaży używane jako średni wolumen to 100, 200, 500, 800, 1000. Dla przypomnienia – poniżej znajdziesz definicję funkcji profit_next_year_mc(), która została już wczytana.

def profit_next_year_mc(mean_inflation, mean_volume, n):
  profits = []
  for i in range(n):
    # Generate inputs by sampling from the multivariate normal distribution
    rate_sales_volume = st.multivariate_normal.rvs(mean=[mean_inflation,mean_volume], cov=cov_matrix,size=1000)
    # Deterministic calculation of company profit
    price = 100 * (100 + rate_sales_volume[:,0])/100
    volume = rate_sales_volume[:,1]
    loan_and_cost = 50 * volume + 45 * (100 + 3 * rate_sales_volume[:,0]) * (volume/100)
    profit = (np.mean(price * volume - loan_and_cost))
    profits.append(profit)
  return profits

Zaimportowane pakiety: pandas jako pd, numpy jako np, scipy.stats jako st, matplotlib.pyplot jako plt oraz seaborn jako sns.

To ćwiczenie jest częścią kursu

Symulacje Monte Carlo w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Uzupełnij symulację Monte Carlo, uruchamiając profit_next_year_mc() w celu obliczenia zysku 100 razy – za każdym razem przechodząc przez listę wartości infl oraz listę wartości vol.
Użyj displot, aby zwizualizować wyniki symulacji zapisane w kolumnie Profit wynikowego DataFrame.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

x1 = []
x2 = []
y = []
for infl in [0, 1, 2, 5, 10, 15, 20, 50]:
    for vol in [100, 200, 500, 800, 1000]:
		# Run profit_next_year_mc so that it samples 100 times for each infl and vol combination
        avg_prof = np.mean(____)
        x1.append(infl)
        x2.append(vol)
        y.append(avg_prof)
df_sa = pd.concat([pd.Series(x1), pd.Series(x2), pd.Series(y)], axis=1)
df_sa.columns = ["Inflation", "Volume", "Profit"]
# Create a displot of the simulation results for "Profit"
____
plt.show()

Edytuj i uruchom kod