Python: CIR过程蒙特卡洛模拟

Python: CIR过程蒙特卡洛模拟

众所周知，利率是随着时间的变化而随机变化的，本文简要说明了两种常用的随机利率过程，并基于Python用蒙特卡洛的方法对随机利率进行模拟。

(未完待续 …)

Introduction

最常用的随机利率模型包括：OU 过程和 CIR 过程：

• The OU process:

$$d{r}_t=\alpha \left(\mu -r_t\right)dt+\sigma d{W}_t\text{\hspace{1em}(1)}$$

• The CIR process:

$$d{r}_t=\alpha \left(\mu -r_t\right)dt+\sigma \sqrt{r_t}d{W}_t\text{\hspace{1em}(2)}$$

where $\mu$ 是均值回归的水平 and $\alpha$ 是均值回归的速度。

利率虽然是随机的，但不会长久偏离均值水平，因而是均值回归的。OU 过程服从正态分布，而 CIR 过程服从一个非中心的卡方分布（具体可以看维基上的说明）。CIR 过程优于OU过程之处在于， 可以保证利率的非负性。

Monte Carlo Simulation

对于以上两个随机过程的离散，通常有两种方法： Euler–Maruyama Method and the Milstein Method。和一般的不带随机变量的差分相似，两种方法的区别在于在不同的地方对泰勒展开公式进行截断，然而由于随机项的引入，我们需要用Ito-Taylor对其进行展开（具体的推导，我找到的最清楚（读得懂）的证明即参考文献中的’Ito Taylor Expansion’）。
X ( t i + 1 ) = X ( t i ) + a [ X ( t i ) ] Δ t + b [ X ( t i ) ] Δ W i + 1 2 b [ X ( t i ) ] b ′ [ X ( t i ) ] [ ( Δ W i ) 2 −