С помощью метода Монте Карло.

Например, можно примерно прикинуть, за сколько месяцев получится закрыть кредит — Например, можно *примерно* прикинуть, за сколько месяцев получится закрыть кредит

Немного матчасти

Метод Монте-Карло — довольно простая по своей задумке математическая игрушка. Представьте, что вы покупаете лотерейный билет с 1% шансом выиграть. Здесь все легко: вероятность выиграть 0.01, вероятность проиграть — 0.99. Если бы вы купили этот билет в 100 жизнях, то разбогатели бы только в одной. Метод Монте-Карло берет эту концепцию «количества жизней» и кратно ее увеличивает. Например, вместо 100 жизней мы с помощью компьютера посчитаем 10 000 жизней.

В случае с 0.01 и 0.99 это ничего не даст: мы получим положительный исход в 100 жизнях и отрицательный в 9900 остальных. Модель раскрывается, когда на итоговый исход влияет не одно вероятное событие, а несколько.

Представьте, что вы хотите разбогатеть и покупаете 5 лотерейных билетов из разных тиражей. Билет «Спортлото» дает 0.002% шанса выиграть 100 000 ₽, билет «Золотой Теленок» дает 0.0001% шанс выиграть 1 млн ₽, билет «Красная Заря» — шанс 0.003% на 300 000 ₽ — и так далее. Вы разбогатеете, если сработают хотя бы 4 билета из 5.

Закидываем наши вводные в чатгпт и просим его посчитать вероятности через встроенный интерпретатор Python. Так он не будет лениться и выдумывать. Отдельных промптов не требуется, но я на всякий случай закину промпт в конце статьи для вашего удобства.

После полутора минут размышлений и 50-70 строчек кода, написанных нейронкой без нашего участия, получим такое:

Да, все верно — получаем 0. Даже проживая миллион жизней, мы на йоту не приблизимся к тому, чтобы разбогатеть с помощью лотерей

Напоминаю, что шанс умереть по дороге за лотерейным билетом примерно в 30–50 раз выше, чем купить выигрышный.

Как применять в быту

Расскажу на личном примере. У меня есть мечта — купить себе Volvo XC70. Сейчас коплю на нее. Дедлайн — лето 2026 года, когда мы с женой переедем в частный дом и машина станет необходимостью. Цена машины — 2.5 млн рублей, и без кредита не обойтись. Но пока живем в квартире, можем откладывать деньги.

Какие у нас есть вводные для Монте-Карло:
1) Цена машины.
2) Сумма, которую можем откладывать ежемесячно.
3) Вероятностные события: повышения на работе, размер годовой премии, процентные ставки по вкладам, на которых будем хранить отложенные деньги.
4) Потенциальные черные лебеди — неожиданные критические события.

Загружаем все в чат гпт и получаем примерно такое:

Нейронка в коде смоделировала тысячи жизней, в каждой из которых мне понадобился кредит определенной суммы.И построила график частоты этих сумм

За пару недель до этого я задавал ему такой же вопрос, но без питона + Монте-Карло. И он мне клялся и божился, что хватит кредита в 400-600 тысяч 🤡

Стоит ли верить на этот раз? Скорее нет. Это просто математическая модель, к тому же с довольно расплывчатыми вводными данными. Но ориентировочная сумма кредита, скорее всего, будет в районе 1 млн рублей. И к этому просто надо быть готовым — хуже не будет.

Слабость модели

Во входных данных. Метод Монте-Карло просто вычисляет вероятность и умножает ее на десятки тысяч повторений. Если мы загрузим в нее неправильные входные данные, то на выходе получим шум, который выдает себя за сигнал.

Но бывает так, что у нас вообще никаких данных нет.

Предположим, мы с женой хотим предсказать увеличение нашего семейного дохода. Он увеличится, если меня повысят, а она перейдет на более высокооплачиваемую работу.

Известна ли мне вероятность повышения? Нет. Известна ли мне сумма увеличения зарплаты в случае повышения? Тоже нет. Известна ли вероятность перехода жены в новую профессию? Нет. Известна ли зарплата жены на новом потенциальном месте? Представьте себе, тоже нет!

Что мы можем тут сделать?
Во-первых, признать, что тут ценность выходных данных Монте-Карло будет ближе к развлекательной, чем к такой, на основе которой можно принимать решения.
Во-вторых, послать чат гпт рисерчить.

Нам неизвестна сумма увеличения зарплаты в случае повышения, но получится найти процент увеличения ЗП в случае смены грейда в корпоративной айтишке — 20-40%. Нам не известна вероятность перехода в новую профессию, но можем найти статистику по переходам из смежных ролей. Среднюю зарплату в новой профессии тоже можно нагуглить. Остается вероятность моего повышения — здесь эта метрика максимально субъективна (нуу... Вроде хвалили меня... Вроде хорошо работал...), поэтому ее я могу только выдумать из головы.

Ну и получаем что-то такое:

На оси х — увеличение дохода. Обрезал ее, потому что личное — не публичное!

Самый вероятный исход — увеличение семейного дохода на 10-20%. Горб справа — это успешный переход жены в новую профессию. Маленький горбик слева — это потенциальные сокращения / увольнения, етс.

Промпт

Смоделируй мою задачу методом Монте-Карло и ВЫПОЛНИ Python-код.
1) Формализуй метрики и допущения, задай распределения, укажи зависимости, зафиксируй random seed.
2) Прогон N=50_000 (если не задано иное). Сохрани per-trial результаты в /mnt/data/<имя>.csv.
3) Дай P5/P10/P25/P50/P75/P90, среднее, stdev, долю успеха; построй гистограмму и CDF.
4) Сделай 2 чувствительности по ключевым параметрам.
5) Коротко интерпретируй: рабочий коридор, медиана, главный рычаг влияния, ограничения модели.
6) Если какие-то из параметров неизвестны, проведи исследование в интернете

Вход: <ваша задача и параметры>.
Выход: код, файлы, графики, метрики, интерпретация.

Я рекомендую использовать GPT-5 Thinking с Extended мышлением.

Владимир Удалов

Диалоговый дизайнер в Т-Банке

В своем ТГ-канале я пишу про использование нейронок в быту и на работе

Учим Chat GPT «предсказывать будущее»