روش مونت کارلو در قیمت گذاری مشتقات زمان‌سفر
محورهای موضوعی : مهندسی مالی
1 - عضو هیات عملی پژوهشکده مالی و اقتصاد مرکز تحقیقات راه مسکن و شهر سازی
کلید واژه: روش مونت کارلو, زمان سفر, مشتقه مالی, فرایند بازگشت به میانگین, قیمت گذاری ابزار مشتقه,
چکیده مقاله :
قیمت گذاری زمان سفر(تراکم ترافیک)، ابزاری برای مدیریت ترافیک است. مدیریت ترافیک باهدف افزایش کیفیت سفر و کاهش هزینه های مستقیم و غیر مستقیم (اتلاف زمان، آلودگی صوتی، آلودگی هوا، تصادفات و...) صورت می گیرد. در این مقاله، با بهره گیری از مفهوم مشتقات مالی، ابزار جدید مشتق زمان سفر، برای قیمت گذاری تراکم ترافیک معرفی شده است. برای قیمت گذاری مشتق زمان سفر نیز از روش مونت کارلو استفاده شده است. به طور کلی، کم(زیاد) بودن قیمت مشتقات زمان سفر، می تواند شاخصه ای برای کم(زیاد) بودن تراکم ترافیک مسیر، در دوره مورد نظر باشد. این روش ابزاری هوشمند و متکی بر رفتار استفاده کنندگان، برای مدیریت غیر مستقیم ترافیک است. همچنین با بهره گیری از مکانیزم بازار، قیمت مشتق زمان سفر، برخلاف روش های معول اخذ عوارض که ثابت هستند، منعطف می باشد. در این روش، علاوه بر سطح ترافیک، تغییرات آن نیز در قیمت گذاری مد نظر قرار می گیرد. روش مونت کارلو نیز نقیصه کمبود اطلاعات زمان سفر را به همراه ناکامل بودن بازار زمان سفر، برطرف می کند. با پیاده سازی، مشتقات زمان سفر برای محور تهران-کرج برای دوره 10 روزه مرداد ماه سال 96 با مقدار آستانه ای 72 دقیقه مشخص شد که، با بالا بودن قیمت اختیار معامله خرید نسبت به فروش، زمان سفر در دوره مورد نظر کمتر از مقدار 72 دقیقه پیش بینی می شود که، می توان نتبجه گرفت، ترافیک روان تر از مقدار آستانه ای خواهد بود. از برداشت های میدانی و داده های ثبتی زمان سفر مسیر تهران-کرج استفاده شده است.
Time pricing is a tool for traffic management. Traffic management looks after increasing trip quality by reducing direct and indirect cost (wasting time, air pollution, noise pollution, accident cost and…). So, in this paper, at first, it is implemented financial derivatives for defining travel time derivatives. At the second stage, it is used Monte Carlo method for pricing traffic congestion. Since, derivative pricing fluctuated is an index for predicting deriver behavior in that time or at least their expectation about future traffic volume: low (high) price is likely to be light (heavy) congestion at that time and in the specific route. So, it is an intelligent method that indirectly dependent to drivers’ decision. In addition, in the usual method, the price is fixed, however, in the new method it is used market mechanism, so it is changed. Furthermore, in travel time derivative, two factors, traffic volume and diversion is implied in this forecasting. At the end, the introduced method is run for Karaj-Chalos route at 10 first of 31 July 2017. The derivative determined that the travel time will be 72 minutes. The result shows that, buying opportunity price is more than celling, so the travel time will be less than threshold time 72 minutes
_||_
