金融过程的模拟（一）：CIR 过程的模拟

最新推荐文章于 2023-10-19 14:24:36 发布

MCMC的Mandaw

最新推荐文章于 2023-10-19 14:24:36 发布

阅读量8.3k

点赞数 10

分类专栏：金融过程模拟文章标签：算法 python

本文链接：https://blog.csdn.net/weixin_40326361/article/details/121660532

版权

金融过程模拟专栏收录该内容

2 篇文章 0 订阅

订阅专栏

本文详细介绍了Cox-Ingersoll-Ross (CIR) 过程，一种常用于金融中建模短期利率或波动性的过程。CIR过程保证了利率的非负性，并通过精确和近似的模拟方法进行了对比。精确模拟基于非中心卡方分布，而近似模拟使用欧拉方法。结果显示，近似模拟在保持统计特性的同时，执行速度更快。

摘要由CSDN通过智能技术生成

CIR过程（平方根扩散过程）是一类均值回归过程，它由Cox、Ingersoll和Ross（1985）提出，在金融中常用于建立短期利率或者波动性过程的模型。它的SDE公式如下：

$dx_t=k(\theta-x_t)dt+\sigma\sqrt{x_t}dB_t$

其中， $x_t$ 代表t时刻的短期利率水平，k代表均值回归的速度( the speed of mean reversion), $\theta$ 代表了长期均值水平（long-term mean）， $\sigma$ 恒定波动率(volatility)。

CIR过程相比于OU过程的一个好处是利率能保持非负(满足一定条件下，严格大于零)。

本文大致分为以下三个部分: 1. CIR过程的精确格式模拟；2. CIR的近似格式模拟；3.两种格式的比较。

1. CIR过程的精确模拟

CIR过程中的x_t的转移概率服从非中心化的卡方过程，所以CIR的精确离散化公式如下:

$x_t=\frac{\sigma^2(1-e^{-k\Delta t})}{4k}\chi^2(\frac{4ke^{-k\Delta t}}{\sigma^2(1-e^{-k\Delta t})}x_{t-1})$

python代码如下：

def CIR_simulation_exact():
    x = np.zeros((M+1,I))
    x[0] = x0
    for t in range(1, M+1):
        df = 4 * theta * kappa / sigma ** 2
        c = (sigma**2 * (1 - np.exp(-kappa*dt))) / (4 * kappa)
        nc = np.exp(-kappa * dt) / c * x[t-1]
        x[t] = c * npr.noncentral_chisquare(df, nc, size = I)
    return x

我们设置k=3,theta=0.02,sigma=0.1,X_0=0.04,T=1.0,dt=T/1000,产生了10000条模拟路径(后面实验的参数都一样),则在t=T时的直方图如下：

选取前10条路径如下：

综上，可以看出CIR呈现负的漂移(因为初值X_0=0.04>theta=0.02)，并均值复归于0.02。

2. CIR过程的近似模拟

我们采用欧拉离散化格式即

$x_t=x_{t-1}+k(\theta-x_{t-1})\Delta t+\sigma\sqrt{x_{t-1}}\sqrt{\Delta t}\epsilon_t$

其中 $\epsilon_t$ 服从相互独立的标准正态分布，且为保证 $x_t$ 非负，我们取 $x_t=max\{0,x_t\}$ 。

python代码如下:

def CIR_simulation_euler():
    xh = np.zeros((M+1,I))
    x = np.zeros_like(xh)
    xh[0] = x0
    x[0] = x0
    for t in range(1, M+1):
        xh[t] = (xh[t-1] + 
                 kappa*(theta - np.maximum(xh[t-1],0))*dt + 
                 sigma * np.sqrt(np.maximum(xh[t-1],0)) * math.sqrt(dt) * npr.standard_normal(I))
    x = np.maximum(xh,0)
    return x

与1中相同，产生10000条模拟路径，结果如下：