MATLAB系统仿真其三：Ornstein-Uhlenbeck(OU)噪声

---

前言

高斯噪声、均值噪声、朗之万噪声等噪声由于过于“离散”，有时候反而带来了理想与实际的偏差。为了更好解释市场趋势等时序相关的随机过程，人们引入了多种随机模型和估计方法。Ornstein-Unlenbeck (OU)均值回归过程由Taylor(1986)和Hull(1987)引入，有兴趣深入了解可以阅读原文。由维纳过程驱动的奥恩斯坦-昂伦贝克利率作为单因素短期利率在金融领域被广泛应用(Kho Chia Chen，2014)。JSV2011年的一篇论文提到在电路系统中也常考虑OU噪声。

---

一、Ornstein-Unlenbeck随机过程

考虑一个简单的自由马尔代夫过程，让其受到一个维纳过程$Z$的驱动，参考美国伊利诺斯大学高教授的文章，将简单OU过程定义为：

其中常数$\lambda >0$。当然，这个形式不太直观，也不好处理，写出其特殊的微分形式：

维纳过程的微分形式服从高斯分布，因此可以使用更简单生成的高斯随机变量替代，这种形式的方程在MATLAB中求解仅需要几行代码。当然，还有分数阶自由OU过程以及对OU过程的许多有趣的推论，这里不做过多介绍，有兴趣的可以阅读 Free Ornstein-Uhlenbeck processes 这篇文章。

二、MATLAB仿真

我们常常需要的是均值和方差都很小的噪声，因此只考虑简单的OU噪声即可，MATLAB代码如下：

tspan = 0:1e-2:50;
[t,e]=ode45(@ounoise,tspan,[0]);
figure;plot(t,e);xlabel(['OU噪声，均值：' num2str(mean(e)) '，方差：' num2str(std(e))]);
figure;[cor,lag] = xcorr(e,e,'normalized');plot(lag/100,cor);
figure;[w,fw] = pwelch(e);plot(fw,w);

function dx = ounoise(t,x)
tm = 2;%相关时间
deta = pi/2;%标准差
r = 1;
dx = -r*x+r*randn(1);%简单过程
% dx = -1/tm*x+sqrt(2/tm)*deta*randn(1);
end

则程序结果如图：

通过时序可以看出，在遵从布朗运动的随机性的同时，OU噪声不断向着x轴振荡修正，这个过程也叫均值回归。由于使用的高斯噪声，因此每次运行的结果略有不同，但是整体分布相似。使用分数阶的OU公式时可以通过修改参数控制均值、标准和噪声的相关时间，当然对上述结果整体加减的改均值也是可行的。OU噪声的自相关函数并非是单纯的冲激函数，但是其功率谱与高斯噪声相似。