【无标题】

最新推荐文章于 2024-07-14 23:27:01 发布

Lyon.+

最新推荐文章于 2024-07-14 23:27:01 发布

阅读量54

点赞数

文章标签：数学建模

本文链接：https://blog.csdn.net/qq_59898527/article/details/131791514

版权

预备知识

buffon投针实验

Matlab函数rand、num2str、mean

蒙特卡罗方法概述

Monte Carlo方法适用用途

（一）数值积分

计算一个定积分，如，如果我们能够得到f(x)的原函数F(x)，那么直接由表达式: F(x1)-F(x0)可以得到该定积分的值。但是，很多情况下，由于f(x)太复杂，我们无法计算得到原函数F(x)的显示解，这时我们就只能用数值积分的办法。如下是一个简单的数值积分的例子。

数值积分简单示例

如图，数值积分的基本原理是在自变量x的区间上取多个离散的点，用单个点的值来代替该小段上函数f(x)值。

常规的数值积分方法是在分段之后，将所有的柱子（粉红色方块）的面积全部加起来，用这个面积来近似函数f(x)（蓝色曲线）与x轴围成的面积。这样做当然是不精确的，但是随着分段数量增加，误差将减小，近似面积将逐渐逼近真实的面积。

Monte Carlo数值积分方法和上述类似。差别在于，Monte Carlo方法中，我们不需要将所有方柱的面积相加，而只需要随机地抽取一些函数值，将他们的面积累加后计算平均值就够了。通过相关数学知识可以证明，随着抽取点增加，近似面积也将逼近真实面积。

在金融产品定价中，我们接触到的大多数求基于某个随机变量的函数的期望值。考虑一个欧式期权，假定我们已经知道在期权行权日的股票服从某种分布（理论模型中一般是正态分布），那么用期权收益在这种分布上做积分求期望即可。

（二）随机最优化

Monte Carlo在随机最优化中的应用包括：模拟退火(Simulated Annealing)、进化策略(Evolution strategy)等等。一个最简单的例子是，已知某函数，我们要求此函数的最大值，那么我们可以不断地在该函数定义域上随机取点，然后用得到的最大的点作为此函数的最大值。这个例子实质也是随机数值积分，它等价于求此函数的无穷阶范数（-Norm）在定义域上的积分。

由于在金融产品定价中，这部分内容用的相对较不常见，所以此课程就不介绍随机最优化方法了。

Monte Carlo形式与一般步骤

（一）积分形式

做Monte Carlo时，求解积分的一般形式是：

X为自变量，它应该是随机的，定义域为(x0, x1)，f(x)为被积函数，ψ(x)是x的概率密度。在计算欧式期权例子中，x为期权到期日股票价格，由于我们计算期权价格的时候该期权还没有到期，所以此时x是不确定的（是一随机变量），我们按照相应的理论，假设x的概率密度为ψ(x)、最高可能股价为x1(可以是正无穷）、最低可能股价为x0（可以是0），另外，期权收益是到期日股票价格x和期权行权价格的函数，我们用f(x)来表示期权收益。

（二）一般步骤

将Monte Carlo分为三加一个步骤：

1．依据概率分布ψ(x)不断生成随机数x, 并计算f(x)

由于随机数性质，每次生成的x的值都是不确定的，为区分起见，我们可以给生成的x赋予下标。如xi表示生成的第i个x。生成了多少个x，就可以计算出多少个f(x)的值

2．将这些f(x)的值累加，并求平均值

例如我们共生成了N个x，这个步骤用数学式子表达就是

3．到达停止条件后退出

常用的停止条件有两种，一种是设定最多生成N个x，数量达到后即退出，另一种是检测计算结果与真实结果之间的误差，当这一误差小到某个范围之内时退出。

有趣的类比：积分表达式中的积分符合类比为上式中累加符号，dx类比为1/N（数学知识告诉我们积分实质是极限意义下的累加；f(x)还是它自己，积分中的ψ(x)可类比为依据ψ(x)生成随机数

4．误差分析

Monte Carlo方法得到的结果是随机变量，因此，在给出点估计后，还需要给出此估计值的波动程度及区间估计。严格的误差分析首先要从证明收敛性出发，再计算理论方差，最后用样本方差来替代理论方差。在本课程中我们假定此方法收敛，同时得到的结果服从正态分布，因此可以直接用样本方差作区间估计。

注意，前两大步骤还可以继续细分，例如某些教科书上的五大步骤就是将此处的前两步细分成四步。

例子

举个例子:

计算从函数从0到2的定积分值。

数学方法：我们已知的原函数是，那么定积分值就是：=6.38905609893065 。计算这个数值可以在Matlab中输入代码：

exp(2)-exp(0)

上面得到的值是此不定积分的真实值。

常规数值积分：在区间内取N个点，计算各个点上的函数值，然后用函数值乘以每个区间宽度，最后相加。Matlab代码：

N=100;x=linspace(0,2,N);sum(exp(x).*2/N)

试着调大N的值，你会发现，最后的结果将更接近真实值。

Monte Carlo数值积分法：在内随机取N个点，计算各个点上的函数值，最后求这些函数值的平均值再乘以2（为何要乘以2在后面小节详细讲）。看Matlab代码：

N=100;x=unifrnd(0,2,N,1);mean(2*exp(x))

同样的，通过增大N，这种方法得到的结果也将越来越接近真实值。

解释

这个例子要求的积分形式是：，还不完全是形式，我们先做变换，，这里是f(x)；1/2是ψ(x)，它表示，在取值范围(0,2)区间内，x服从均匀分布。

前一例子共三条语句，逐句解释如下：

N=100;

设定停止条件，共做N次Monte Carlo模拟。

x=unifrnd(0,2,N,1);

按照(0,2)区间均匀分布概率密度对x随机抽样，共抽取N个xi。此句相当于第一个步骤中的前半部分。

mean(2*exp(x))

2*exp(x)作用是对每个xi计算f(xi)的值,共可得到N个值，这个相当于第一个步骤后半部分；Mean()函数的作用是将所有的f(xi)加起来取平均值，相当于第二个步骤。

这段代码中的停止条件隐含于N值设定中，它一次性生成N个x值，完成此次计算后整个程序就结束了。

Monte Carlo方法的优点

对比前面常规数值积分和Monte Carlo数值积分代码，同样数量的N值——也就意味这几乎相同的计算量——常规数值积分结果的精确度要高于Monte Carlo数值积分的结果。那么，我们为何还需要用Monte Carlo来算数值积分呢？

答案的关键在于，常规数值积分的精度直接取决于每个维度上取点数量，维度增加了，但是每个维度上要取的点却不能减少。在多重积分中，随着被积函数维度增加，需要计算的函数值数量以指数速度递增。例如在一重积分中，只要沿着x轴取N个点；要达到相同大小的精确度，在s重积分中，仍然需要在每个维度上取N个点，s个纬度的坐标相组合，共需要计算Ns个坐标对应的f()函数值。取点越多，会占用计算机大量内存，也需要更长运算时间，最终导致这种计算方法不可行！

Monte Carlo方法却不同，不管是积分有多少重，取N个点计算的结果精确度都差不多。因此，即使在一重积分的情形下，Monte Carlo方法的效率比不过常规数值积分，但随着积分维度增加，常规数值积分的速度呈指数下降，Monte Carlo方法的效率却基本不变。经验表明，当积分重数达到4重积分甚至更高时，Monte Carlo方法将远远优于常规数值积分方法。

现在回到金融产品定价，欧式期权理论定价公式只需要一重积分，此时Monte Carlo方法的效果不明显，但是如果我们考虑一个亚式期权：期限为1年期，期权价格基于此1年内每天某个时点时的价格，全年共252个交易日，这样此亚式期权理论定价公式是一个252重积分。常规的数值积分方法，需要取N252个点，这个数有多大，你自己去计算一下就知道了（注意：N取值要远远大于2），常规数值积分方法不可行，只能用Monte Carlo。