Metodo Montecarlo per l’integrazione numerica

Abstract

Il presente lavoro illustra i principi fondamentali e le principali applicazioni dei metodi Monte Carlo nell’ambito dell’integrazione numerica. Basato sulla generazione di campioni casuali e sulla stima di valori attesi, l’approccio Monte Carlo consente di interpretare un integrale definito come la media statistica di una variabile aleatoria. Tale formulazione offre una metodologia flessibile e versatile applicabile in diversi ambiti della matematica applicata. Vengono inoltre analizzate le principali tecniche di riduzione della varianza, volte a migliorare l’efficienza dello stimatore Monte Carlo con lo scopo di ottenere una maggiore accuratezza a parità di simulazioni. Il lavoro propone poi un’analisi comparativa tra il metodo stocastico Monte Carlo e i tradizionali metodi deterministici di quadratura numerica. L’efficienza dei due approcci viene valutata considerando sia la qualità dell’approssimazione ottenuta sia la velocità di convergenza dell’errore in funzione del costo computazionale. Particolare attenzione è dedicata all’influenza della dimensionalità del dominio di integrazione: mentre i metodi deterministici sono fortemente condizionati dalla cosiddetta maledizione della dimensionalità, il tasso di convergenza del metodo Monte Carlo rimane invece indipendente dalla dimensione del dominio. Il confronto tra le due metodologie permette quindi di mettere in evidenza i punti di forza e limiti, individuando i contesti applicativi nei quali ciascun approccio risulta maggiormente efficace. Infine, viene presentata un’applicazione dei metodi Monte Carlo al settore finanziario, con particolare riferimento alla valutazione di un’opzione call europea. L'esempio mostra chiaramente come l'integrazione stocastica trovi applicazione nel calcolo del valore teorico, estendendosi con efficacia anche al campo della finanza.

This work illustrates the fundamental principles and main applications of Monte Carlo methods in numerical integration. Based on the generation of random samples and the estimation of expected values, the Monte Carlo approach allows a definite integral to be interpreted as the statistical mean of a random variable. This formulation provides a flexible and versatile methodology applicable to various fields of applied mathematics. Furthermore, the main variance reduction techniques are analyzed, aiming to improve the efficiency of the Monte Carlo estimator to achieve higher accuracy for a given number of simulations. The work then proposes a comparative analysis between the stochastic Monte Carlo method and traditional deterministic numerical quadrature methods. The efficiency of both approaches is evaluated by considering both the quality of the approximation obtained and the convergence rate of the error as a function of computational cost. Particular attention is given to the influence of the dimensionality of the integration domain: while deterministic methods are severely affected by the so-called curse of dimensionality, the convergence rate of the Monte Carlo method remains independent of the domain's dimension. Comparing the two methodologies highlights their respective strengths and limitations, identifying the application contexts in which each approach proves most effective. Finally, an application of Monte Carlo methods to the financial sector is presented, with specific reference to the pricing of a European call option. The example clearly demonstrates how stochastic integration is applied in calculating theoretical value, extending effectively to the field of finance.