परिदृश्य विश्लेषण प्रस्तावित निवेश या व्यावसायिक गतिविधि के अनुमानित मूल्य का मूल्यांकन करता है। सांख्यिकीय मतलब एक निश्चित स्थिति में होने वाली उच्चतम संभावना घटना है। हो सकता है कि विभिन्न परिदृश्यों का निर्माण करके और उन संभावनाओं के संयोजन के साथ जो वे पाएंगे, एक विश्लेषक निवेश या व्यावसायिक उद्यम के मूल्य को बेहतर ढंग से निर्धारित कर सकता है और संभवतः अनुमानित मूल्य की गणना की जाएगी।

किसी निवेश की संभावना का वितरण निर्धारित करना उस निवेश में निहित जोखिम का निर्धारण करने के लिए बराबर है। अपेक्षित जोखिम की उम्मीद की तुलना करके और निवेशक के जोखिम सहिष्णुता के साथ ओवरलेइंग करने से, आप इस बारे में बेहतर निर्णय लेने में सक्षम हो सकते हैं कि संभावित व्यापार उद्यम में निवेश करना है या नहीं। यह आलेख परिदृश्य विश्लेषण करने और अपने उपयोग के लिए तर्क प्रदान करने के विभिन्न तरीकों के कुछ सरल उदाहरण पेश करेगा। (संभाव्यता वितरण के बारे में अधिक जानने के लिए, संभाव्यता वितरण के साथ सही फ़िट खोजें ।)

अवलोकन
ऐतिहासिक प्रदर्शन डेटा को निवेश के प्रदर्शन की परिवर्तनशीलता में कुछ अंतर्दृष्टि प्रदान करने और सहायता के लिए आवश्यक है निवेशक जोखिम को समझते हैं जो कि शेयरधारकों द्वारा अतीत में किया गया है। आवधिक रिटर्न डेटा की जांच करके, एक निवेशक निवेश के पिछले जोखिम में अंतर्दृष्टि प्राप्त कर सकता है उदाहरण के लिए, क्योंकि परिवर्तनशीलता जोखिम के समान होती है, एक निवेश जो प्रति वर्ष एक ही रिटर्न प्रदान करता है वह निवेश से कम जोखिम भरा माना जाता है जो नकारात्मक और सकारात्मक के बीच में उतार-चढ़ाव वाले वार्षिक रिटर्न प्रदान करता है। यद्यपि दोनों निवेश किसी दिए गए निवेश क्षितिज के लिए एक समान समग्र रिटर्न प्रदान कर सकते हैं, आवधिक रिटर्न इन निवेशों में जोखिम विभेदों को प्रदर्शित करते हैं। (अधिक जानकारी के लिए, अपने पोर्टफोलियो के प्रदर्शन को मापें पढ़ें।)

पिछले रिटर्न की गणना और प्रस्तुति पर सख्त नियमों से प्रतिभूतियों, निवेश प्रबंधकों और फंडों में वापसी की जानकारी की तुलनात्मकता सुनिश्चित होती है। हालांकि, पिछले प्रदर्शन निवेश के भविष्य के जोखिम या रिटर्न के बारे में कोई गारंटी प्रदान नहीं करता है। परिदृश्य विश्लेषण एक उद्यम के संभावित जोखिम / रिटर्न प्रोफ़ाइल को समझने का प्रयास करता है। किसी दिए गए उद्यम के लिए कई प्रो-फॉर्मा अनुमानों का विश्लेषण करके और प्रत्येक परिदृश्य के लिए संभावनाओं को निरूपित करते हुए, एक विशेष व्यवसाय उद्यम के लिए संभावना वितरण वितरण (जोखिम प्रोफ़ाइल) तैयार करना शुरू कर देता है।
उदाहरण
परिदृश्य विश्लेषण कई मायनों में लागू किया जा सकता है सबसे सामान्य पद्धति निम्न विधियों में बहु-कारक विश्लेषण (कई चर वाले मॉडल) करना है:

• परिदृश्यों की एक निश्चित संख्या बनाना
  • उच्च-निम्न फैलाव का निर्धारण करना
  • इंटरमीडिएट परिदृश्य बनाना
• रैंडम फैक्टर विश्लेषण
  • दृश्यों की अनंत संख्या के लिए कई
  • मोंटे कार्लो विश्लेषण

कई विश्लेषक एक बहुभिन्नरूपी मॉडल (कई चर वाले मॉडल) को बनाएंगे, प्रत्येक चर के मूल्य के लिए अपने सर्वोत्तम अनुमान में प्लग करें और एक अनुमानित मान के साथ आते हैं।किसी भी संभाव्यता वितरण का मतलब वह है जिसकी घटना की उच्चतम संभावना है। प्रत्येक वैरिएबल के लिए मूल्य का उपयोग करके जो सबसे संभावित होने की संभावना है, विश्लेषक वास्तव में संभावित मानों के संभावित वितरण के माध्य मूल्य की गणना कर रहा है। हालांकि इसका मतलब सूचनात्मक मूल्य है, जैसा कि पहले कहा गया है, यह परिणामों में किसी भी संभावित भिन्नता को प्रदर्शित नहीं करता है।

जोखिम विश्लेषण यह तय करने की कोशिश कर रहा है कि भविष्य का नतीजा मतलब मूल्य के अलावा कुछ और होगा। भिन्नता दिखाने का एक तरीका मतलब के सकारात्मक और नकारात्मक पक्ष पर चरम और कम से कम संभावित परिणामों के अनुमान की गणना करना है। एक निवेश या उद्यम के संभावित परिणामों की भविष्यवाणी करने के लिए सबसे आसान तरीका प्रत्येक परिणाम के लिए एक उल्टा और नकारात्मक पक्ष का उत्पादन करना है और फिर संभावना की अनुमान लगाना है कि यह घटित होगा। चित्रा 1 आधार केस (बी) (माध्य वैल्यू), ऊपरी मामले (यू) और एक डाउनगेड केस (डी) का मूल्यांकन करने वाले तीन परिदृश्य विधि का उपयोग करता है।

चित्रा 1

उदाहरण के लिए एक सरल दो कारक विश्लेषण:
मान V = वेरिएबल ए + वेरिएबल बी, जहां प्रत्येक चर का मूल्य विवश नहीं होता है।

ए और बी के लिए दो चरम उल्टा और नकारात्मक मूल्यों को निर्दिष्ट करके, हम फिर से हमारे तीन परिदृश्य मूल्यों को प्राप्त करेंगे। घटना की संभावना बताए, मान लें: मान (बी) = 1 00 <99 9 के लिए मान (यू) = 300
25% के लिए मूल्य (बी) = 200
25% के लिए 50% मान लें: > संभाव्यताओं को निर्दिष्ट करते समय सौंपी गई संभावनाओं का योग 100% के बराबर होना चाहिए इन मूल्यों को रेखांकित करके और उनकी संभाव्यताएं हम एक अप्रिय क्रय संभावना वितरण (सभी परिकलित मानों का वितरण और उन मानों की संभावना) का अनुमान कर सकते हैं। उल्टा और नकारात्मक मामलों के गठन से हम अन्य संभावित रिटर्न परिणामों की समझ प्राप्त करना शुरू कर देते हैं, लेकिन बहुत अधिक उल्लिखित परिणाम के भीतर कई अन्य संभावित परिणाम हैं जो पहले ही अनुमानित हैं।
चित्रा 2 दो चरम सीमाओं के बीच निश्चित संख्याओं के परिणामों को निर्धारित करने के लिए एक विधि प्रस्तुत करता है। यह मानते हुए कि प्रत्येक चर स्वतंत्र रूप से काम करता है, अर्थात, इसका मूल्य किसी भी अन्य चर के मूल्य पर निर्भर नहीं है, हम प्रत्येक चर के लिए एक उल्टा, आधार और नकारात्मक पक्ष का संचालन कर सकते हैं। सरलीकृत दो कारक मॉडल में, इस प्रकार के विश्लेषण के परिणामस्वरूप कुल नौ नतीजे होंगे। प्रत्येक चर के तीन संभावित परिणामों का उपयोग करते हुए तीन कारक मॉडल 27 परिणामों के साथ समाप्त होगा, और आगे भी। इस पद्धति का उपयोग करते हुए परिणामों की कुल संख्या का निर्धारण करने के लिए समीकरण

(
वाई एक्स ) के बराबर है, जहां Y = प्रत्येक कारक के लिए संभावित परिदृश्यों की संख्या और एक्स = मॉडल में कारकों की संख्या। (अधिक के लिए, आधुनिक पोर्टफोलियो थ्योरी स्टैट्स प्राइमर देखें।) ^{चित्रा 2} चित्रा 2 में, नौ नतीजे हैं, लेकिन नौ अलग मूल्य नहीं हैं उदाहरण के लिए, बीबी के लिए परिणाम परिणाम डीयू या यूडी के बराबर हो सकता है। इस अध्ययन को अंतिम रूप देने के लिए, विश्लेषक प्रत्येक परिणाम के लिए संभावनाओं को निर्दिष्ट करेगा और फिर उन संभावनाओं को किसी भी तरह के मूल्यों के लिए जोड़ देगा।हम उम्मीद करते हैं कि मतलब से संबंधित मूल्य, इस मामले में बी.बी. होने के नाते सबसे अधिक बार प्रकट होगा क्योंकि माध्य होने की सबसे अधिक संभावना के साथ मूल्य है। उत्पन्न होने वाली मान की आवृत्ति बढ़ने की संभावना बढ़ जाती है। अधिक बार मूल्यों को दोहराने नहीं, विशेष रूप से मतलब मूल्य, उच्च संभावना है कि भविष्य में रिटर्न मतलब के अलावा कुछ और होगा। एक मॉडल में अधिक कारक हैं और अधिक कारक परिदृश्य जिनमें एक भी शामिल है, अधिक संभावित परिदृश्य मूल्यों की गणना की जाती है, जिसके परिणामस्वरूप एक संभावित विश्लेषण के संभावित विश्लेषण के जोखिम में अंतर्दृष्टि होती है। परिदृश्य विश्लेषण की कमियां इस तरह के निश्चित परिणामों के विश्लेषण के लिए प्रमुख दोष हैं संभाव्यताएं अनुमानित हैं और परिणाम अत्यधिक सकारात्मक और नकारात्मक घटनाओं के मानों से घिरे हुए हैं। हालांकि वे कम संभावना वाली घटनाओं, अधिकांश निवेश या निवेश के पोर्टफोलियो में हो सकते हैं, बहुत उच्च सकारात्मक और नकारात्मक रिटर्न की संभावना है। निवेशकों को यह याद रखना चाहिए कि हालांकि वे अक्सर नहीं होते हैं, ये कम संभाव्यता घटनाएं होती हैं और जोखिम विश्लेषण यह निर्धारित करने में सहायता करता है कि क्या ये संभावित घटनाएं किसी निवेशक के जोखिम सहिष्णुता के भीतर हैं या नहीं। (संबंधित पढ़ने के लिए, देखें निजीकरण जोखिम सहिष्णुता

और

जोखिम सहिष्णुता केवल कहानी को बताता है

।)
पिछले उदाहरणों में निहित समस्याओं को दूर करने के लिए एक विधि चरम एक बहुभिन्नरूपी मॉडल के परीक्षण की संख्या यादृच्छिक कारक विश्लेषण हजारों चल रहा है और एक सैकड़ों हजार स्वतंत्र परीक्षणों के साथ एक कंप्यूटर के साथ एक यादृच्छिक फैशन में कारकों को मूल्य प्रदान करने के लिए पूरा हो गया है। सबसे आम प्रकार के यादृच्छिक कारक विश्लेषण को "मोंटे कार्लो" विश्लेषण कहा जाता है, जहां कारक मूल्यों का अनुमान नहीं है, लेकिन इन विकल्पों को बेतरतीब ढंग से चुना जाता है जो कि वेरिएबल्स की संभाव्यता वितरण से घिरे हुए हैं। (इस विश्लेषण के बारे में अधिक जानने के लिए, मोंटे कार्लो सिमुलेशन के लिए परिचय पढ़ें।) निष्कर्ष निवेश के प्रदर्शन की रिपोर्ट करने के लिए निर्धारित मानक सुनिश्चित करें कि निवेशकों को जोखिम प्रोफ़ाइल (प्रदर्शन की परिवर्तनशीलता) के साथ प्रदान किया जाता है निवेश का पिछले प्रदर्शन क्योंकि भूतपूर्व प्रदर्शन में भविष्य के जोखिम या रिटर्न पर कोई असर नहीं होता है, यह निवेशक या व्यापार मालिकों पर निर्भर है ताकि प्रो-फॉर्मा मॉडल बनाकर उनके निवेश के भविष्य के जोखिम को निर्धारित किया जा सके। किसी भी पूर्वानुमान का उत्पादन केवल उस पहल के अपेक्षित या माध्य मूल्य का उत्पादन करेगा; परिणाम है कि विश्लेषक का मानना ​​है कि घटना की सबसे अधिक संभावना है। परिदृश्य विश्लेषण करके एक निवेशक पूर्वानुमानित निवेश के लिए एक जोखिम प्रोफ़ाइल तैयार कर सकता है और संभावित निवेश की तुलना करने के लिए एक आधार बना सकता है।