蒙特卡洛模拟原理与python实现

蒙特卡洛方法是一种基于随机数（或更准确地说是伪随机数）来解决数学、物理和工程问题的方法。这种方法以摩纳哥的蒙特卡洛赌场命名，因为赌场中的随机性与这种方法的随机抽样特性相似。

数学原理

蒙特卡洛方法的核心原理是利用随机数（或伪随机数）来模拟或表示一个系统的随机过程，然后通过对这些随机数的统计分析来近似计算问题的解。这种方法基于大数定律，即随着试验次数的增加，样本的平均值会趋近于期望值。

公式推导

在Markdown格式下，上述数学原理和公式可以表示如下：

1. 期望值的估计：
   假设我们想要估计一个函数 ( f(x) ) 在区间 ([a, b]) 上的积分，即 ( f(x) ) 的期望值。我们可以将区间 ([a, b]) 划分为 ( N ) 个小区间，每个小区间的宽度为 ( \Delta x )。在每个小区间的随机选择 ( x_i )，计算 ( f(x_i) )，然后取平均值：

   $$E[f(x)]\approx \frac{1}{N}\sum _{i=1}^{N}f(x_i)$$

   其中 ( x_i ) 是在 ([a, b]) 区间内均匀随机选取的。

2. 方差的估计：
   对于随机变量 ( X ) 的方差估计，可以使用以下公式：

   $$\text{Var}(X)\approx \frac{1}{N-1}\sum _{i=1}^N(x_i-\overline{x}{)}^2$$

   其中 ( \overline{x} ) 是样本均值。

请注意，在Markdown中，数学公式需要用两个美元符号 $$ 包围来表示一个独立的数学环境，或者对于行内数学公式，可以使用单个美元符号 $。

使用场景

1. 数值积分：
   蒙特卡洛方法常用于计算多维积分，这些积分在解析方法中可能难以处理。

2. 风险分析：
   在金融领域，蒙特卡洛模拟用于评估投资组合的风险，通过模拟不同的市场情景来估计资产的未来价值。

3. 物理和工程模拟：
   在物理实验中，蒙特卡洛方法可以用来模拟粒子的随机行为，如在粒子物理和热力学中的应用。

4. 优化问题：
   在搜索复杂系统的全局最优解时，蒙特卡洛方法可以用来随机探索解空间。

5. 机器学习：
   在机器学习中，蒙特卡洛方法用于生成数据的样本，如在训练神经网络时的 Dropout 技术。

6. 游戏理论：
   在博弈论中，蒙特卡洛方法可以用来模拟玩家的随机策略，以评估不同策略的效果。

蒙特卡洛方法的优点是简单、通用，尤其适用于那些难以找到解析解的问题。然而，它的缺点是收敛速度可能较慢，且结果的准确性高度依赖于随机样本的数量和质量。因此，在使用蒙特卡洛方法时，通常需要大量的模拟来确保结果的可靠性。

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.stats import norm
import matplotlib.pyplot as plt
import seaborn as sns

# 设置字体为 Microsoft YaHei
plt.rcParams['font.family'] = 'Microsoft YaHei'

# 设置调色板
sns.set_palette("colorblind")



# 进行蒙特卡洛模拟
n = 1000
result_lst = []
for i in range(n):
    x = 0
    for j in range(df.shape[0]):
        xj = np.random.normal(df['利润差'][j],np.sqrt((df['预期总销量'][j])**2))
        x += xj
    result_lst.append(x)

# 绘制直方图
plt.figure(figsize=(10, 6))
sns.histplot(result_lst, kde=True, color='blue', bins=30)
plt.title('总利润差直方图(模拟)', fontsize=16)
plt.xlabel('总利润差', fontsize=14)
plt.ylabel('频数', fontsize=14)
plt.show()


# 绘制累积概率密度分布曲线
plt.figure(figsize=(10, 6))
sns.kdeplot(result_lst, cumulative=True, color='blue')
plt.title('总利润差累积概率密度分布曲线', fontsize=16)
plt.xlabel('总利润差', fontsize=14)
plt.ylabel('累积概率密度', fontsize=14)
plt.show()

# 计算 95% 的概率范围
mean = np.mean(result_lst)
std = np.std(result_lst)
lower_bound = norm.ppf(0.025, mean, std)
upper_bound = norm.ppf(0.975, mean, std)
print('95% 的概率范围为：({:.2f}, {:.2f})'.format(lower_bound, upper_bound))

这段代码是一个使用Python进行蒙特卡洛模拟的示例，用于估计一个统计分布的特征。下面是对代码每一步的解释：

1. 导入必要的库：

   • numpy：用于数值计算。
   • matplotlib.pyplot：用于绘图。
   • seaborn：基于matplotlib的高级绘图库，提供更美观的图表。
   • scipy.stats：用于统计分析。

2. 设置字体为 Microsoft YaHei，以便图表中的中文能够正确显示。

3. 设置 seaborn 的调色板为 "colorblind"，这是一种对色盲友好的调色板。

4. 初始化一个空列表 result_lst，用于存储模拟结果。

5. 进行蒙特卡洛模拟：

   • 设置模拟次数 n 为1000。
   • 循环 n 次，每次模拟计算总利润差。
   • 在每次模拟中，初始化 x 为0。
   • 循环数据框 df 的每一行，对每一行进行如下操作：
     • 从正态分布中抽取一个随机数 xj，均值为该行的 利润差，标准差为 预期总销量 的平方根。
     • 将抽取的随机数累加到 x。
   • 将每次模拟的总利润差 x 添加到 result_lst 列表中。

6. 绘制直方图：

   • 设置图表大小为10x6英寸。
   • 使用 seaborn 的 histplot 函数绘制 result_lst 的直方图，并添加核密度估计（KDE）。
   • 设置图表的标题、X轴和Y轴标签，并指定字体大小。

7. 显示直方图。

8. 绘制累积概率密度分布曲线：

   • 再次设置图表大小。
   • 使用 seaborn 的 kdeplot 函数绘制 result_lst 的累积概率密度分布曲线。
   • 设置图表的标题、X轴和Y轴标签，并指定字体大小。

9. 显示累积概率密度分布曲线。

10. 计算95%的概率范围：

    • 计算 result_lst 的均值 mean 和标准差 std。
    • 使用 scipy.stats.norm.ppf 函数计算95%置信区间的下界和上界。
    • 打印出95%的概率范围。

注意：代码中有一些重复的导入语句（例如，matplotlib.pyplot 和 seaborn 各导入了两次），这在实际编写代码时应避免。此外，代码中提到的 df 数据框没有在代码片段中定义，它应该在代码执行之前就已经存在，并且包含 利润差 和 预期总销量 这两列数据。