模拟布朗运动与几何布朗运动

最新推荐文章于 2024-04-01 11:43:50 发布
最新推荐文章于 2024-04-01 11:43:50 发布
阅读量3.9k 收藏 23
点赞数 4
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42122496/article/details/126119428
版权

1. 模拟标准布朗运动

1.1 模拟原理

我们通常用 W t W_t Wt​ 或 B t B_t Bt​ 来表示标准布朗运动（Standard Brownian Motion），它是随机过程/随机代数的重要基础。布朗运动满足

  • B 0 = 0 B_0 = 0 B0​=0；
  • B t − B s B_t-B_s Bt​−Bs​ 独立于 B r B_r Br​， t ≥ s ≥ r t \geq s \geq r t≥s≥r；
  • B t − B s B_t - B_s Bt​−Bs​ 服从均值为 0 0 0 方差为 t − s t-s t−s 的正态分布；
  • 函数 t ↦ B t t \mapsto B_t t↦Bt​ 是连续的。

我们利用 B t − B s ∼ N ( 0 , t − s ) B_t - B_s \sim N(0, t-s) Bt​−Bs​∼N(0,t−s)这一点，通过对其离散化，来模拟标准布朗运动。假设在 t ∈ [ 0 , 1 ] t\in [0,1] t∈[0,1]内均匀取 N N N个点，令 Δ t = 1 / N \Delta t = 1/N Δt=1/N，创建这样一个时间网格（grid）：
0 , Δ t , 2 Δ t , 3 Δ t , ⋯   , ( N − 1 ) Δ t , 1 , 0, \Delta t, 2\Delta t, 3\Delta t,\cdots, (N-1)\Delta t, 1, 0,Δt,2Δt,3Δt,⋯,(N−1)Δt,1,那么对 k = 0 , 1 , ⋯   , N − 1 k = 0, 1, \cdots, N-1 k=0,1,⋯,N−1，都有 B ( k + 1 ) Δ t − B k Δ t ∼ N ( 0 , Δ t ) B_{(k+1)\Delta t} - B_{k\Delta t} \sim N(0, \Delta t) B(k+1)Δt​−BkΔt​∼N(0,Δt)，即
B ( k + 1 ) Δ t − B k Δ t Δ t ∼ N ( 0 , 1 ) . \frac{B_{(k+1)\Delta t} - B_{k\Delta t}}{\sqrt{\Delta t}} \sim N(0, 1). Δt ​B(k+1)Δt​−BkΔt​​∼N(0,1).假设我们可以生成服从标准正态分布的随机数，将上述关系离散化，即可得到
B ( k + 1 ) Δ t = B k Δ t + Δ t N k , B_{(k+1)\Delta t} = B_{k\Delta t} + \sqrt{\Delta t} N_k, B(k+1)Δt​=BkΔt​+Δt ​Nk​,其中 N k N_k Nk​ 即为在生成 B ( k + 1 ) Δ t B_{(k+1)\Delta t} B(k+1)Δt​ 时随机生成的服从标准正态分布的随机数。重复利用上式，即可模拟出标准布朗运动的路径。这种模拟方法即为欧拉法（Euler method）。

1.2 模拟代码

根据上述模拟原理，写出对应Python代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt



def SBM(T=1, N=100, seed=None):
    '''
    Simulate a standard Brownian Motion, using formula
    $B_{(k+1)\Delta t} = B_{k\Delta t} + \sqrt{\Delta t} N_k$,
    where N_k is random number drawn from standard normal distribution
    
    Input:
    ------
    T, time interval is [0, T]
    
    N, number of sample point in [0, 1], \Delta t = 1 / N
    
    seed: random seed

    Output:
    ------
    points of standard Brownian Motion

    Example:
    ------
    >>> y = SBM(T=1, N=100, seed=13)
    '''

    if seed:
        np.random.seed(seed)
    Normal = lambda : np.random.randn() # generate random number distributed by standard normal distribution

    delta_t = 1 / N
    s_delta_t = np.sqrt(delta_t)

    res = np.zeros(shape=(T * N + 1, ))
    for i in range(T * N):
        res[i+1] = res[i] + s_delta_t * Normal()
    
    return res

如，每单位区间内撒 N = 200 N=200 N=200 个点，模拟区间 t ∈ [ 0 , 2 ] t \in [0, 2] t∈[0,2] 上的标准布朗运动：

T = 2
N = 200

plt.figure(figsize=(20, 12))
plt.plot(np.arange(T*N+1)/N, SBM(T, N, seed=13))
plt.xlabel('t')
plt.ylabel('$B_t$')
plt.title('Simulate standard Brownian Motion, $t\in [0, 2], \Delta t = \\frac{1}{200}$')
plt.show()

模拟图：

SBM

1.3 理论验证

下面我们验证上述模拟方式是合理的。

  • 我们知道
    P { max ⁡ 0 ≤ t ≤ 1 B t > 1 2 } = 2 P { B 1 > 1 2 } = 2 [ 1 − Φ ( 1 2 ) ] , \mathbb P\left\{\max_{0 \leq t \leq 1} B_t > \frac{1}{2}\right\} = 2 \mathbb P\left\{ B_1 > \frac{1}{2} \right\} = 2\left[ 1 - \Phi\left(\frac{1}{2}\right) \right], P{0≤t≤1max​Bt​>21​}=2P{B1​>21​}=2[1−Φ(21​)],具体值可用如下代码计算：

    import scipy as sp

Phi = lambda x: sp.stats.norm.cdf(x)
print(2 * (1 - Phi(1/2))

    0.6170750774519738

    我们通过变换 seed 来生成 1000 1000 1000 次模拟，并计算对应概率：

    times = 1000
ls = []
for i in range(times):
    ls.append(SBM(T=1, N=500, seed=i))

cnt1 = 0
for bm in ls:
    if max(bm > 1/2):
        cnt1 += 1

print(cnt1 / 1000)

    0.615

    可以看到，模拟概率与理论概率十分相近。

  • 我们知道
    P { B 1 > 0 , B 2 < 0 } = 1 8 , \mathbb P \{B_1 > 0, B_2 < 0\} = \frac{1}{8}, P{B1​>0,B2​<0}=81​,同理，生成 1000 1000 1000 次模拟并计算概率：

    times = 1000
ls = []
for i in range(times):
    ls.append(SBM(T=2, N=1000, seed=i))

cnt2 = 0
for bm in ls:
    if bm[1000] > 0 and bm[1000*2] < 0:
        cnt2 += 1

print(cnt2 / 1000)

    0.129

2. 模拟布朗运动

2.1 模拟原理

一般的布朗运动 X t X_t Xt​ 满足
d X t = m ( t , X t ) d t + σ ( t , X t ) d B t , X 0 = 0. dX_t = m(t, X_t) dt + \sigma(t, X_t) dB_t, \quad X_0 = 0. dXt​=m(t,Xt​)dt+σ(t,Xt​)dBt​,X0​=0.这里我们简便起见，假设 m ( t , X t ) = m , σ ( t , X t ) = σ m(t,X_t) = m, \sigma(t, X_t) = \sigma m(t,Xt​)=m,σ(t,Xt​)=σ。同样地，在单位区间 [ 0 , 1 ] [0, 1] [0,1] 内均匀撒 N N N 个点，取 Δ t = 1 / N \Delta t = 1/N Δt=1/N，利用性质
P { X t + Δ t − X t = σ Δ t ∣ X t } = 1 2 [ 1 + m σ Δ t ] , P { X t + Δ t − X t = − σ Δ t ∣ X t } = 1 2 [ 1 − m σ Δ t ] , \begin{aligned} &P\{X_{t+\Delta t}-X_t=\sigma \sqrt{\Delta t} \mid X_t\}=\frac{1}{2}\left[1+\frac{m}{\sigma} \sqrt{\Delta t}\right], \\ &P\{X_{t+\Delta t}-X_t=-\sigma \sqrt{\Delta t} \mid X_t\}=\frac{1}{2}\left[1-\frac{m}{\sigma} \sqrt{\Delta t}\right], \end{aligned} ​P{Xt+Δt​−Xt​=σΔt ​∣Xt​}=21​[1+σm​Δt ​],P{Xt+Δt​−Xt​=−σΔt ​∣Xt​}=21​[1−σm​Δt ​],​采用二项抽样法（Binomial Sampling Schemes）来模拟。即，给定 X k Δ t X_{k\Delta t} XkΔt​，它在未来的 Δ t \Delta t Δt 时间内以概率为 1 2 [ 1 + m σ Δ t ] \frac{1}{2}\left[1+\frac{m}{\sigma} \sqrt{\Delta t}\right] 21​[1+σm​Δt ​] 向上走 σ Δ t \sigma \sqrt{\Delta t} σΔt ​ 个单位，以概率为 1 2 [ 1 − m σ Δ t ] \frac{1}{2}\left[1-\frac{m}{\sigma} \sqrt{\Delta t}\right] 21​[1−σm​Δt ​] 向下走 σ Δ t \sigma \sqrt{\Delta t} σΔt ​ 个单位。代入上述性质即得到对 k = 0 , 1 , ⋯   , N − 1 k=0, 1, \cdots, N-1 k=0,1,⋯,N−1，有
P { X ( k + 1 ) Δ t = X k Δ t + σ Δ t ∣ X k Δ t } = 1 2 [ 1 + m σ Δ t ] , P { X ( k + 1 ) Δ t = X k Δ t − σ Δ t ∣ X k Δ t } = 1 2 [ 1 − m σ Δ t ] . \begin{aligned} &P\left\{X_{(k+1)\Delta t}=X_{k\Delta t} + \sigma \sqrt{\Delta t} \mid X_{k \Delta t}\right\}=\frac{1}{2}\left[1+\frac{m}{\sigma} \sqrt{\Delta t}\right], \\ &P\left\{X_{(k+1)\Delta t}=X_{k\Delta t} - \sigma \sqrt{\Delta t} \mid X_{k \Delta t}\right\}=\frac{1}{2}\left[1-\frac{m}{\sigma} \sqrt{\Delta t}\right]. \end{aligned} ​P{X(k+1)Δt​=XkΔt​+σΔt ​∣XkΔt​}=21​[1+σm​Δt ​],P{X(k+1)Δt​=XkΔt​−σΔt ​∣XkΔt​}=21​[1−σm​Δt ​].​

2.2 模拟代码

基于上述二项抽样，给出Python代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt



def BM_b(m=1, sigma=1, T=1, N=100, seed=None):
    r'''
    Simulate a Brownian Motion, using binomial schemes:
    \begin{aligned}
    &P\{X_{t+\Delta t}-X_t=\sigma \sqrt{\Delta t} \mid X_t\}=\frac{1}{2}\left[1+\frac{m}{\sigma} \sqrt{\Delta t}\right], \\
    &P\{X_{t+\Delta t}-X_t=-\sigma \sqrt{\Delta t} \mid X_t\}=\frac{1}{2}\left[1-\frac{m}{\sigma} \sqrt{\Delta t}\right].
    \end{aligned}
    
    The Brownian motion satisfies dynamic
    $dX_t = m dt + \sigma dB_t$,
    with drift m, variance \sigma^2 constant, X_0 = 0

    Input:
    ------
    m, drift

    sigma, square root of variance parameter

    T, time interval is [0, T]
    
    N, number of sample point in [0, 1], \Delta t = 1 / N
    
    seed: random seed

    Output:
    ------
    points of Brownian Motion

    Example:
    ------
    >>> y = BM_b(m=1, sigma=1, T=1, N=100, seed=13)
    '''

    if seed:
        np.random.seed(seed)

    dt = 1 / N
    s_dt = np.sqrt(dt)
    P_up = 0.5 * (1 + m / sigma * s_dt) # probability of goes up
    P_down = 1 - P_up

    # vector of depending on whether each step goes up or down
    omega = np.random.choice([1, -1], size=N * T, p=[P_up, P_down]) 
    res = np.cumsum(omega) * sigma * s_dt
    
    return res # note that this series doesn't include X_0

如，每单位区间内撒 N = 1000 N=1000 N=1000 个点，模拟区间 t ∈ [ 0 , 2 ] t \in [0, 2] t∈[0,2] 上 m = − 3 / 10 , σ = 1.5 m =-3/\sqrt{10}, \sigma = 1.5 m=−3/10 ​,σ=1.5 的布朗运动：

m = -3 / np.sqrt(10)
sigma = 1.5
T = 2
N = 1000

Xt = BM_b(m=m, sigma=sigma, T=T, N=N, seed=13)
t = (np.arange(Xt.shape[0]) + 1) / 1000

plt.figure(figsize=(20, 12))
plt.plot(t, Xt, label='$X_t$')
plt.xlabel('t', fontsize=20)
#plt.ylabel('$B_t$', fontsize=20)
plt.legend(fontsize=20)
plt.title('Simulate Brownian Motion Using Binomial Schemes, $t\in [0, 2], \Delta t = \\frac{1}{1000}$', fontsize=20)
plt.show()

模拟图：

bm_b

2.3 理论验证

下面我们验证上述对drift与方差项均为常数的布朗运动模拟是合理的。

对满足
d X t = m d t + σ d B t dX_t = mdt + \sigma dB_t dXt​=mdt+σdBt​的布朗运动，我们有 X t ∼ N ( m t , σ 2 t ) X_t \sim N(mt, \sigma^2t) Xt​∼N(mt,σ2t)。因此，对常数 a a a，我们有
P { X t > a } = P { X t − m t σ t > a − m t σ t } = Φ ( m t − a σ t ) . \begin{aligned} &\mathbb P \left\{ X_t > a \right\} \\ = &\mathbb P \left\{ \frac{X_t - mt}{\sigma \sqrt{t}} > \frac{a - mt}{\sigma \sqrt{t}} \right\} \\ = &\Phi \left( \frac{mt - a}{\sigma \sqrt{t}} \right). \end{aligned} ==​P{Xt​>a}P{σt ​Xt​−mt​>σt ​a−mt​}Φ(σt ​mt−a​).​对在2.2节中模拟的布朗运动而言（即 m = − 3 / 10 , σ = 1.5 m =-3/\sqrt{10}, \sigma = 1.5 m=−3/10 ​,σ=1.5），我们有
P { X 2 > 0 } = Φ ( − 2 5 ) , P { X 2 > 1 } = Φ ( − 6 10 − 1 1.5 2 ) , \mathbb P\{ X_2 > 0 \} = \Phi \left( \frac{-2}{\sqrt{5}} \right), \mathbb P\{ X_2 > 1 \} = \Phi \left( \frac{\frac{-6}{\sqrt{10}} - 1}{1.5 \sqrt{2}} \right), P{X2​>0}=Φ(5 ​−2​),P{X2​>1}=Φ(1.52 ​10 ​−6​−1​),他们分别可以被计算为：

from scipy.stats import norm

print('{:.4f}'.format(norm.cdf(-2 / np.sqrt(5))))
print('{:.4f}'.format(norm.cdf((-6 / np.sqrt(10) - 1) / (1.5 * np.sqrt(2)))))

0.1855
0.0860

我们通过模拟 10000 10000 10000 次，计算出对应概率，并做对比：

m = -3 / np.sqrt(10)
sigma = 1.5

cnt1 = 0
cnt2 = 0
nums = 10000


for i in range(nums):

    res = BM_b(m=m, sigma=sigma, T=T, N=N, seed=i)

    if res[-1] > 0:
        cnt1 += 1
    
    if res[-1] > 1:
        cnt2 += 1


print(cnt1 / nums)
print(cnt2 / nums)

0.1799
0.0871

3. 模拟几何布朗运动

3.1 模拟原理

几何布朗运动（Geometric Brownian Motion）满足
d X t = X t ( m d t + σ d B t ) , X 0 = 1 , dX_t = X_t\left(mdt + \sigma dB_t \right), \quad X_0=1, dXt​=Xt​(mdt+σdBt​),X0​=1,其对应的解为
X t = X 0 e ( m − σ 2 2 ) t + σ B t , X_t = X_0 e^{\left( m - \frac{\sigma^2}{2} \right)t + \sigma B_t}, Xt​=X0​e(m−2σ2​)t+σBt​,可以通过伊藤微分直接验证。

我们使用欧拉法（Euler method）来对几何布朗运动做模拟。生成单位区间 [ 0 , 1 ] [0, 1] [0,1] 内 N N N 个均匀的点，取 Δ t = 1 / N \Delta t = 1/N Δt=1/N，对 k = 0 , 1 , ⋯   , N − 1 k=0, 1, \cdots, N-1 k=0,1,⋯,N−1，利用迭代式
X ( k + 1 ) Δ t = X k Δ t ( 1 + m Δ t + σ Δ t N k ) X_{(k+1)\Delta t} = X_{k\Delta t} \left( 1 + m \Delta t + \sigma \sqrt{\Delta t} N_k \right) X(k+1)Δt​=XkΔt​(1+mΔt+σΔt ​Nk​)做模拟。

3.2 模拟代码与验证

基于上述欧拉法模拟，给出对应Python代码：

def GBM(T=1, N=100, m=1, sigma=1, seed=None, X_0=1):
    '''
    Simulate a Geometric Brownian Motion, using formula
    $X_{(k+1)\Delta t} = X_{k\Delta t} \left( 1 + m \Delta t + \sigma \sqrt{\Delta t} N_k \right)$,
    where N_k is random number drawn from standard normal distribution
    
    A Geometric Brownian Motion satisfies dynamic
    $dX_t = X_t(m dt + \sigma dB_t)$

    Input:
    ------
    T, time interval is [0, T]
    
    N, number of sample point in [0, 1], \Delta t = 1 / N
    
    m, sigma, parameters in dynamic

    seed: random seed

    X_0: start point of GBM

    Output:
    ------
    points of Geometric Brownian Motion

    Example:
    ------
    y = GBM(T=1, N=1000, m=1, sigma=1, seed=13)
    '''

    if seed:
        np.random.seed(seed)
    Normal = lambda : np.random.randn() # generate random number distributed by standard normal distribution

    delta_t = 1 / N
    s_delta_t = np.sqrt(delta_t)

    res = np.zeros(shape=(T * N + 1, ))
    res[0] = X_0
    for i in range(T * N):
        res[i+1] = res[i] * (1 + m * delta_t + sigma * s_delta_t * Normal())
    
    return res

对于 m = 1 / 2 , σ = 1 m=1/2, \sigma=1 m=1/2,σ=1 的几何布朗运动 X t X_t Xt​，即其满足
d X t = 1 2 X t d t + X t d B t , X 0 = 1 , dX_t = \frac{1}{2} X_t dt + X_t dB_t, \quad X_0 = 1, dXt​=21​Xt​dt+Xt​dBt​,X0​=1,可以计算得到 X t = e B t X_t = e^{B_t} Xt​=eBt​。因此，我们指定相同的随机数种子 seed，通过两种方式做模拟：一种即直接通过几何布朗运动做模拟；一种即先生成标准布朗运动，再做指数运算。两种模拟方式理应给出相同的路径图。

Xt = GBM(T=1, N=1000, m=1/2, sigma=1, seed=11)
eBt = np.exp(SBM(T=1, N=1000, seed=11))
t = np.arange(Xt.shape[0]) / 1000

plt.figure(figsize=(20, 12))
plt.plot(t, eBt, label='$e^{B_t}$')
plt.plot(t, Xt, label='$X_t$')
plt.xlabel('t', fontsize=20)
#plt.ylabel('$B_t$', fontsize=20)
plt.legend(fontsize=20)
plt.title('Simulate Geometric Brownian Motion, $t\in [0, 1], \Delta t = \\frac{1}{1000}$', fontsize=20)
plt.show()

可以看到，抛除浮点数运算误差，两种不同的模拟方式确实给出了近乎相同的结果。

gbm

三生断绝
关注
几何布朗运动模拟
qq_15189171的博客
11-04 3106
几何布朗运动模拟 几何布朗运动过程可以用随机微分方程描述为：????????_????=????????_???? ????????+????????_???? ????????_???? 。这里过程的漂移项已经被设置为无风险常数短期利率r，意味着我们在等价鞅测度下进行操作。 这个微分方程可以用Euler框架进行分解，以进行模拟，我们现在在离散市场模型中考虑问题，例如我们的一般市场模型ℳ，相关日期是有限离散序列0<????_1<????_2<…<????，公式如下： ????_(?
python模拟布朗运动_如何用Python 实现 几何布朗运动
weixin_39857153的博客
12-09 3194
2017-04-29 回答#brownianmotion--anexampleofamulti-threadedtkinterprogram.fromtkinterimport*importrandomimportthreadingimporttimeimportsys#画布大小width=400height=300sigma=10buzz=2ra...
用Processing模拟布朗运动
hanserdaisuki的博客
03-14 686
布朗运动 介绍 布朗运动（英语：Brownian motion）是微小粒子或者颗粒在流体中做的无规则运动。布朗运动过程是一种正态分布的独立增量连续随机过程。它是随机分析中基本概念之一。其基本性质为：布朗运动W(t)是期望为0、方差为t（时间）的正态随机变量。对于任意的rrr小于等于sss，W(t)−W(s)W(t)-W(s)W(t)−W(s)独立于的W(r)W(r)W(r)，且是期望为000、方差为t−st-st−s的正态随机变量。 模拟布朗运动的重点就在于W(t)是期望为0、方差为t（时间）的正态随机变量
布朗运动模拟
05-05
matlab实现布朗运动模拟。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。
模拟布朗运动
lyn000001的博客
12-03 1726
描述 花粉等悬浮在流体中的微粒都会做一个无规则的运动，这就是布朗运动。我们可以使用随机数来模拟这种运动。微粒的开始坐标为(0,0),随后随机选择运动方向和运动距离。假设当前坐标为(Xold,Yold)，Xold在[-1,1]列表中随机选择出运动的方向Dx、在[1,2,3,4,5,6,7,8,9,10]列表中随机选择出水平移动的距离Hx，则Xnew=Xold+Dx*Hx。Yold坐标也一样，独立于Xold选择运动方向Dy和运动距离Vy，则有Ynew=Yold+Dy*Vy。这样微粒就会移动到新坐标(Xne.
布朗运动的模拟
m0_66462662的博客
07-21 834
代码】布朗运动的模拟。
Matlab模拟布朗运动
qq_59747472的博客
03-21 1755
1 简介 利用matlab工具模拟了布朗运动测量的实验。通过一正态随机数产生函数模拟从而产生布朗运动步距。在假定粒子所受拖曳力满足斯托克斯关系的情况下,通过拟合多个粒子的均方位移随时间的变化曲线得到斜率,从而进一步可得出扩散系数和波尔兹曼常数。同时,根据模拟结果也对如何减小实验误差作了分析。 2 完整代码 function varargout = bulang(varargin)% BULANG M-file for bulang.fig% BULANG, by itself, creat
几何布朗运动和伊藤微分方程的布朗运动matlab模拟仿真,包含仿真操作录像,代码注释
04-25
3.内容：几何布朗运动和伊藤微分方程的布朗运动matlab模拟仿真。 X = X(ones(n,1)); % 定义初始化Brown运动 F = @(t,X) 0.1 * X; % 漂移项 drift functions G = @(t,X) 0.3 * X; % 扩散项 diffusion functions obj...
新建文件夹_布朗运动_几何布朗运动_
09-29
总的来说，这个压缩包包含的内容可能是关于如何使用MATLAB进行蒙特卡洛模拟，以展示和理解几何布朗运动在金融中的应用，尤其是对于股票价格和期权定价的模拟。通过这样的模拟，我们可以更好地理解和预测金融市场的不...
几何布朗运动代码2.0_几何布朗运动代码_源码
10-01
接入股票数据端口，可以使用如`yfinance`或`pandas_datareader`这样的库获取真实股票历史数据，然后将模拟的几何布朗运动与实际数据进行比较，评估模型的适用性。例如，使用`yfinance`获取股票数据： ```python ...
3D 布朗运动：快速模拟三维布朗运动-matlab开发
05-30
该模拟说明了三维布朗运动的快速实现，输出是初始位置和最终位置之间的欧几里得距离。 要计算 T 运行的平均值，请在命令窗口中运行以下代码： >>T=100； >> 对于 n=1:T >>布朗运动； >>关闭； >>D(n)=d; >>结束>>图； plot(D),title('距离'); >>dd=平均值(D)
随机过程 布朗运动matlab仿真程序
01-04
随机过程布朗运动仿真实验matlab程序，求布朗运动的均值，方差函数
布朗运动(随机分子) flash版
01-29
在动画制作过程中到处都能看到随机的应用，然而我们直接通过随机数生成的随机数并不是很均匀，当我们想让物体感觉没有外力、任何意识均匀分布时（如：浩瀚的星空，盒子里乱飞的蜜蜂苍蝇，太阳光照射的灰尘等等），布朗运动就相当管用了
使用 Python 模拟布朗运动（和股票价格）
最新发布
gongdiwudu的专栏
04-01 4745
本文先介绍布朗运动的概念，紧接着应用布朗方程到股票的随机斩落模型。进而用python实现，并给出各种各样的条件模型。从中烘托出股票模型的规律所在。
标准布朗运动模拟
qq_45634030的博客
05-21 440
%matplotlib inline import numpy as np import matplotlib.pyplot as plt def random_walk(n_steps): ''' 生成n_steps步简单随机游走的变量 ''' X=np.random.rand(n_steps) X[X>=0.5]=1.0 X[X<0.5]=-1.0 return X def brown_motion(steps,n): ''
布朗运动
天空守护云
01-26 1420
&lt;!DOCTYPE html&gt; &lt;html lang="en"&gt; &lt;head&gt; &lt;meta charset="UTF-8"&gt; &lt;title&gt;Document&lt;/title&gt; &lt;style type="text/css"&gt; #box{width:
R语言做复杂金融产品的几何布朗运动的模拟
weixin_34122810的博客
09-07 1071
几何布朗运动（GBM）是模拟大多数依赖某种形式的路径依赖的金融工具的标准主力。虽然GBM基于有根据的理论，但人们永远不应忘记它的最初目的 - 粒子运动的建模遵循严格的正态分布脉冲。基本公式由下式给出： 标准维纳过程代表创新。在对气体进行建模时效果很好，在财务建模方面存在一些严重的缺陷。问题是维纳过程有两个非常严格的条件： a）创新通常是分布式的，平均零和方差为t b）创新是独立的 ...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值