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 = α ( μ − r t ) d t + σ d W t (1) d r_{t}=\alpha\left(\mu-r_{t}\right) d t+\sigma d W_{t}\tag{1} drt=α(μ−rt)dt+σdWt(1)
- The CIR process:
d r t = α ( μ − r t ) d t + σ r t d W t (2) d r_{t}=\alpha\left(\mu-r_{t}\right) d t+\sigma \sqrt{r_{t}} d W_{t}\tag{2} drt=α(μ−rt)dt+σrtdWt(2)
where μ \mu μ 是均值回归的水平 and α \alpha α 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 −