Анализ чувствительности компании
Теперь вы исследуете, как изменится прибыль компании из предыдущего упражнения при различных значениях mean_inflation и mean_volume. Это поможет компании планировать деятельность при разных уровнях инфляции и объёмов продаж, поскольку ни одна компания не может заранее знать эти показатели точно.
Значения среднего процента инфляции для анализа: 0, 1, 2, 5, 10, 15, 20, 50; значения среднего объёма продаж: 100, 200, 500, 800, 1000. Для справки ниже приведено определение функции profit_next_year_mc(), которая уже загружена для вас.
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
Следующие пакеты уже импортированы: pandas как pd, numpy как np, scipy.stats как st, matplotlib.pyplot как plt и seaborn как sns.
Это упражнение является частью курса
Симуляции Монте-Карло на Python
Инструкции к упражнению
- Завершите моделирование методом Монте-Карло: запустите
profit_next_year_mc()для вычисления прибыли 100 раз, перебирая в цикле список значенийinflи список значенийvol. - Используйте
displot, чтобы визуализировать результаты симуляции, сохранённые в столбцеProfitполученного датафрейма.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
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()