情境风险模拟和场景的未来：史蒂夫·威尔科克森（Steve Wilcockson）

模拟很重要。因此，自计算的曙光以来，它就一直在注入AI的复杂业务环境中变得更加重要。模拟 是任何组织的工具包的核心，以做出最佳决策。 将模拟与源自组织平台，模型和数据架构的域模型（本体）结合在一起，使企业可以探索和评估“如果”场景，例如市场条件的变化，竞争性动作或没有现实世界后果的操作破坏。模拟服务于许多行业的许多用例：

行业：银行业

• 信贷和市场风险：在不利的经济和风险情况下进行压力测试的投资组合，以预测违约和低迷。
• 操作风险：建模内部流程以识别漏洞并改善内部控制。
• 威胁情报：模拟新兴风险（例如，网络欺诈）来增强主动风险管理。

行业：保险

• 灾难性事件：模拟地缘政治和自然灾害，极端事件，以预测潜在的主张分布。
• 承保优化：使用仿真来帮助价格溢价和设计再保险机会。

政府

• 网络安全：测试网络攻击如何影响关键的基础设施和公共安全，例如希思罗机场。
• 政策影响：模拟政策的长期经济和社会影响，促进中央银行的经济政策制定。
• 监管监督：为法规设计提供信息，以增强民族韧性和适当的福利。

公司

• 供应链的弹性：地缘政治事件和外部冲击的模型中断，以识别瓶颈并优化物流。
• 地缘政治事件建模：预期全球事件的影响以支持战略规划。
• 威胁情报模拟：提高弹性

模拟以多种方式改变了决策，并继续改变了决策。在此博客中，我们将探讨模拟在金融服务中的富有成效的，偶尔有问题的过去，以及模拟从历史错误中学到的仿真如何发展到FutureProove Proffutermeart Tomorrow的创新，将随机性演变为上下文。

仿真和计算历史：5个关键时刻

1。通过模拟需求的计算诞生
计算的起源与模拟的需求相结合。早期的计算机，例如美国陆军实验室的ENIAC（1940年代）进行了用于军事应用的弹道轨迹模拟。在英国，艾伦·图灵（Alan Turing）在布莱奇利公园（Bletchley Park）的代码破坏工作涉及计算模拟，以测试加密假设。

2。蒙特卡洛模拟
随着计算功率的增强，其对复杂系统建模的能力也是如此。这 蒙特卡洛法 （1940年代至50年代），在洛斯阿拉莫斯（Los Alamos）进行核研究，这是计算机用于概率模拟的原始大规模应用。随着时间的流逝，天气预报，计算融资，工程和物理粒子加速度利用了这些功能，要求更强大的硬件和软件。

天然气，风险中性价格蒙特卡洛模拟

3。模拟的扩展在20世纪后期
从1960年代开始，美国宇航局表演 大量的计算机模拟在不同条件下对航天器行为进行建模。这个时代还看到了有限元分析（FEA），计算流体动力学（CFD）以及基于模型的设计（MBD）方法的兴起，允许工程师在物理原型制作之前模拟结构，空气动力学和控制系统。

4。AI和机器学习中的仿真和合成数据
AI和机器学习依靠模拟环境来训练模型。例如，强化学习使用模拟世界（例如Openai's Gym）学习而没有现实世界的风险。同时，自动驾驶汽车和机器人行业在很大程度上依赖合成数据和数字双胞胎模拟进行开发。

5。量子计算和AI（未来）
量子计算将通过对前所未有的准确性水平的分子相互作用进行建模，并为未来的AI驱动模拟提供建模，从而彻底改变模拟，尤其是在化学，材料科学和密码学方面，以增强从财务风险建模到气候变化预测的所有事物。

仿真导致财务崩溃，然后有助于修复它

在金融服务中，仿真无处不在。它为风险管理，定价衍生产品，保险责任投影，宏观经济学，资本市场贸易模拟以及优化投资策略提供了基础。蒙特卡洛模拟在模型资产价格变动，估计投资组合风险并通过产生统计上数千个潜在的未来市场情况来评估复杂的金融衍生品特别受欢迎。

通过滥用David X. Li的Gaussian Copula功能，这在2008年全球金融危机中尤为突出。该数学公式被金融机构广泛采用，以建模复杂金融产品（例如抵押债务义务（CDO）（CDO）和抵押支持证券（MBS）等复杂金融产品中的相关性。

高斯副群假设在此CASEM中，在不同资产上违约遵循正态分布，并以可预测的方式相关。因此，银行和评级机构将基于此公式进行模拟，以估算默认概率，并构建CDO的范围，据称风险很低。然而，这种方法是有缺陷的假设，是透明的或与从业人员和用户相关的，copula随机是一个沉闷的技术细节。从数学上讲，它低估了极端，系统性事件的可能性，但没有考虑到 现实世界的依赖性和关系 在抵押违约之间，例如美国住房市场的全国崩溃。

结果，金融机构价格低落，并过度置换了自己。房价下跌，违约飙升，随着高斯库普拉的假设破裂，随后在CDO估值中广泛崩溃， 银行失败，以及全球信贷冻结。危机确实强调了 盲目依赖定量模型 不考虑经济基本面，系统性风险和尾巴事件。

更积极的是，在全球金融危机之后，监管机构鼓励监管机构 在风险法规中更多地使用模拟 和系统性风险评估。压力测试， 金融监管机构在银行和保险中的要求，依靠模拟来评估极端经济情景下的弹性，影响监管风险及其组成部分：运营风险，信用风险，交易对手风险和市场风险。同时，系统性风险正在整合网络分析，即现在所谓的图数据科学，以开始建模和建立经济参与者之间的关系。在这方面，我们看到了当前模拟趋势的出现。

人工智能需要合理的透明度和治理

的确，随着基于代理的建模和AI驱动的财务模拟的最新兴起，公司正在部署越来越复杂的市场行为模型，结合了人类的决策和适应性策略，所有这些都需要背景和理解。不论地缘政治 – 特朗普工艺学或以监管为中心的欧盟AI法案治理的特朗普工艺学院的关税伪善（ – 指称伪善），过去的经验教训已被大量学习。负责任的高管知道，治理，验证和透明度对于公司而言至关重要，以确保它不会成为下一个雷曼兄弟，北部摇滚或熊严重。

随着过去的定量方法论与当前和未来的AI创新相结合，对透明度和良好治理的需求继续增加，这些需求促进了在受控环境中的促进，例如：

• 偏见和风险评估 – 在不同条件下模拟AI输出可以识别偏见，意外后果和合规风险。
• 调节应力测试，运行方案以使基于AI的决策与不断发展的法律框架相结合，自动化或增强。
• 解释性和信任 – 在合成或实际启发的数据上运行模拟可以提高模型透明度。
• 稳健性和安全性 – 模拟对抗性测试以暴露漏洞并增强弹性。

实体的相互联系，以更上下文的方式揭示关系，有力的结构，以种子和融合到场景和仿真中

这是个好消息。图形技术在上图中的右侧看到，正在帮助模拟变得更加上下文，面向关系和现实世界，并帮助改进模型的统计假设，例如造成全球金融危机的模型。

如果在2000年代初期，我们能够连接和量化抵押和信贷衍生工具的“真实”一方的关系，探索房主，他们的位置，住房特征以及他们的收入和抵押承诺，该怎么办？在金融服务方面，如果我们对敏感产品在杠杆金融组织中的扩散有图形见解怎么办？如果我们能够预先模拟所有这些怎么办？随着计算和知识的结合，以知识图的形式（传统表不太剪切），我们不再需要限制自己以直言不讳（并且仍然有用）统计近似，而是提供 – 引用 – 引用 – 上下文，从而在途中带来真实关系的透明度。这样，模拟可以更好地合并：

• 更好模型的上下文数据 – 知识图会组织实体之间的关系（例如，人，组织，事件），使模拟能够更有效地反映现实世界中的复杂性。
• 动态场景产生 – 通过将各种数据源联系起来，知识图有助于创建现实，不断发展的模拟环境，以进行预测建模，风险评估和AI培训。
• 因果推理和解释性 – 与黑盒模型不同，由知识图提供的模拟可以解释 为什么 通过追踪关系和依赖性来实现具体的结果。
• 自适应和实时模拟 – 图表支持动态更新，允许随着新信息的可用，可以发展模拟 – 对于财务建模，网络安全和供应链弹性等领域而言。
• 增强AI和数字双胞胎 – 知识图为AI驱动的模拟和数字双胞胎提供结构化输入，从而改善了决策情报和场景计划。

By combining the public knowledge in LLMs, your organization's enterprise knowledge (including its wider unstructured data sources) captured in graphs, an expert user's domain expertise, and algorithms based on Monte Carlo methods like, for example, the Monte Carlo Tree Search, we can massively expand the breadth and depth of explored futures—leading to better risk understanding, management, and early warning systems, especially for macroeconomic, systemic and地缘政治风险。