A metaheuristic approach for correlated random vector generation

Abstract

The generation of correlated random variables is relevant in the stochastic simulation of financial and manufacturing systems, among many other applications. The generally accepted techniques to generate correlated multivariate observations rely on the mathematical attributes of the probability density functions of the random variables. In this paper, we propose a new approach based on Iterated Local Search (ILS) that induces a desired correlation structure to multivariate random data independent of the probability density function of the input variables. The proposed methodology improves the quality of the results found by the Iman and Conover method - currently used in commercial simulators such as Crystal Ball - at a low computational cost.

La generación de variables aleatorias correlacionadas es se suma importancia en la simulación estocástica de sistemas financieros, de producción, entre muchas otras aplicaciones. Las técnicas generalmente aceptadas para generar observaciones multivariadas correlacionadas se basan en los atributos matemáticos de las funciones de densidad de probabilidad de las variables aleatorias. En este documento, proponemos un nuevo enfoque basado en búsqueda local iterada (ILS) que induce una estructura de correlación deseada a datos aleatorios multivariados independientes de la función de densidad de probabilidad de las variables de entrada. La metodología propuesta mejora la calidad de los resultados encontrados por el método Iman and Conover, actualmente utilizado en simuladores comerciales como Crystal Ball, a un bajo costo computacional.