Аналіз чутливості для компанії
Тепер ви дослідите, що відбудеться з прибутком компанії з попередньої вправи за різних значень mean_inflation і mean_volume. Це допоможе компанії спланувати кілька сценаріїв рівня інфляції та обсягів продажу, адже ніколи не можна бути певними щодо майбутніх значень інфляції чи продажів.
Відсотки середньої інфляції, які ви хочете переглянути: 0, 1, 2, 5, 10, 15, 20, 50, а значення продажів для використання як середній обсяг становлять 100, 200, 500, 800, 1000. Нагадаємо, нижче наведено визначення функції profit_next_year_mc(), яку вже завантажено 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
Імпортовано такі пакети: pandas як pd, numpy як np, scipy.stats як st, matplotlib.pyplot як plt і seaborn як sns.
Ця вправа є частиною курсу
Моделювання Монте-Карло в Python
Інструкції до вправи
- Завершіть моделювання Монте-Карло, запустивши
profit_next_year_mc()для обчислення прибутку 100 разів, щоразу проходячи циклом по списку значеньinflі списку значеньvol. - Використайте
displot, щоб візуалізувати результати моделювання, збережені у стовпціProfitотриманого датафрейму.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
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()