模拟布朗运动与几何布朗运动
1. 模拟标准布朗运动
1.1 模拟原理
我们通常用 WtW_tWt 或 BtB_tBt 来表示标准布朗运动(Standard Brownian Motion),它是随机过程/随机代数的重要基础。布朗运动满足
- B0=0B_0 = 0B0=0;
- Bt−BsB_t-B_sBt−Bs 独立于 BrB_rBr,t≥s≥rt \geq s \geq rt≥s≥r;
- Bt−BsB_t - B_sBt−Bs 服从均值为 000 方差为 t−st-st−s 的正态分布;
- 函数 t↦Btt \mapsto B_tt↦Bt 是连续的。
我们利用 Bt−Bs∼N(0,t−s)B_t - B_s \sim N(0, t-s)Bt−Bs∼N(0,t−s)这一点,通过对其离散化,来模拟标准布朗运动。假设在 t∈[0,1]t\in [0,1]t∈[0,1]内均匀取NNN个点,令 Δt=1/N\Delta t = 1/NΔt=1/N,创建这样一个时间网格(grid):
0,Δt,2Δt,3Δt,⋯,(N−1)Δt,1,0, \Delta t, 2\Delta t, 3\Delta t,\cdots, (N-1)\Delta t, 1, 0,Δt,2Δt,3Δt,⋯,(N−1)Δt,1,那么对 k=0,1,⋯,N−1k = 0, 1, \cdots, N-1k=0,1,⋯,N−1,都有 B(k+1)Δt−BkΔt∼N(0,Δt)B_{(k+1)\Delta t} - B_{k\Delta t} \sim N(0, \Delta t)B(k+1)Δt−BkΔt∼N(0,Δt),即
B(k+1)Δt−BkΔtΔt∼N(0,1).\frac{B_{(k+1)\Delta t} - B_{k\Delta t}}{\sqrt{\Delta t}} \sim N(0, 1). ΔtB(k+1)Δt−BkΔt∼N(0,1).假设我们可以生成服从标准正态分布的随机数,将上述关系离散化,即可得到
B(k+1)Δt=BkΔt+ΔtNk,B_{(k+1)\Delta t} = B_{k\Delta t} + \sqrt{\Delta t} N_k, B(k+1)Δt=BkΔt+ΔtNk,其中 NkN_kNk 即为在生成 B(k+1)ΔtB_{(k+1)\Delta t}B(k+1)Δt 时随机生成的服从标准正态分布的随机数。重复利用上式,即可模拟出标准布朗运动的路径。这种模拟方法即为欧拉法(Euler method)。
1.2 模拟代码
根据上述模拟原理,写出对应Python代码:
import numpy as np
import pandas as pd
import matplotlib.pyplot as pltdef SBM(T=1, N=100, seed=None):'''Simulate a standard Brownian Motion, using formula$B_{(k+1)\Delta t} = B_{k\Delta t} + \sqrt{\Delta t} N_k$,where N_k is random number drawn from standard normal distributionInput:------T, time interval is [0, T]N, number of sample point in [0, 1], \Delta t = 1 / Nseed: random seedOutput:------points of standard Brownian MotionExample:------>>> y = SBM(T=1, N=100, seed=13)'''if seed:np.random.seed(seed)Normal = lambda : np.random.randn() # generate random number distributed by standard normal distributiondelta_t = 1 / Ns_delta_t = np.sqrt(delta_t)res = np.zeros(shape=(T * N + 1, ))for i in range(T * N):res[i+1] = res[i] + s_delta_t * Normal()return res
如,每单位区间内撒 N=200N=200N=200 个点,模拟区间 t∈[0,2]t \in [0, 2]t∈[0,2] 上的标准布朗运动:
T = 2
N = 200plt.figure(figsize=(20, 12))
plt.plot(np.arange(T*N+1)/N, SBM(T, N, seed=13))
plt.xlabel('t')
plt.ylabel('$B_t$')
plt.title('Simulate standard Brownian Motion, $t\in [0, 2], \Delta t = \\frac{1}{200}$')
plt.show()
模拟图:
1.3 理论验证
下面我们验证上述模拟方式是合理的。
我们知道
P{max0≤t≤1Bt>12}=2P{B1>12}=2[1−Φ(12)],\mathbb P\left\{\max_{0 \leq t \leq 1} B_t > \frac{1}{2}\right\} = 2 \mathbb P\left\{ B_1 > \frac{1}{2} \right\} = 2\left[ 1 - \Phi\left(\frac{1}{2}\right) \right], P{0≤t≤1maxBt>21}=2P{B1>21}=2[1−Φ(21)],具体值可用如下代码计算:import scipy as spPhi = lambda x: sp.stats.norm.cdf(x) print(2 * (1 - Phi(1/2))
0.6170750774519738
我们通过变换
seed
来生成 100010001000 次模拟,并计算对应概率:times = 1000 ls = [] for i in range(times):ls.append(SBM(T=1, N=500, seed=i))cnt1 = 0 for bm in ls:if max(bm > 1/2):cnt1 += 1print(cnt1 / 1000)
0.615
可以看到,模拟概率与理论概率十分相近。
我们知道
P{B1>0,B2<0}=18,\mathbb P \{B_1 > 0, B_2 < 0\} = \frac{1}{8}, P{B1>0,B2<0}=81,同理,生成 100010001000 次模拟并计算概率:times = 1000 ls = [] for i in range(times):ls.append(SBM(T=2, N=1000, seed=i))cnt2 = 0 for bm in ls:if bm[1000] > 0 and bm[1000*2] < 0:cnt2 += 1print(cnt2 / 1000)
0.129
2. 模拟布朗运动
2.1 模拟原理
一般的布朗运动 XtX_tXt 满足
dXt=m(t,Xt)dt+σ(t,Xt)dBt,X0=0.dX_t = m(t, X_t) dt + \sigma(t, X_t) dB_t, \quad X_0 = 0. dXt=m(t,Xt)dt+σ(t,Xt)dBt,X0=0.这里我们简便起见,假设 m(t,Xt)=m,σ(t,Xt)=σm(t,X_t) = m, \sigma(t, X_t) = \sigmam(t,Xt)=m,σ(t,Xt)=σ。同样地,在单位区间 [0,1][0, 1][0,1] 内均匀撒 NNN 个点,取 Δt=1/N\Delta t = 1/NΔt=1/N,利用性质
P{Xt+Δt−Xt=σΔt∣Xt}=12[1+mσΔt],P{Xt+Δt−Xt=−σΔt∣Xt}=12[1−mσΔt],\begin{aligned} &P\{X_{t+\Delta t}-X_t=\sigma \sqrt{\Delta t} \mid X_t\}=\frac{1}{2}\left[1+\frac{m}{\sigma} \sqrt{\Delta t}\right], \\ &P\{X_{t+\Delta t}-X_t=-\sigma \sqrt{\Delta t} \mid X_t\}=\frac{1}{2}\left[1-\frac{m}{\sigma} \sqrt{\Delta t}\right], \end{aligned} P{Xt+Δt−Xt=σΔt∣Xt}=21[1+σmΔt],P{Xt+Δt−Xt=−σΔt∣Xt}=21[1−σmΔt],采用二项抽样法(Binomial Sampling Schemes)来模拟。即,给定 XkΔtX_{k\Delta t}XkΔt,它在未来的 Δt\Delta tΔt 时间内以概率为 12[1+mσΔt]\frac{1}{2}\left[1+\frac{m}{\sigma} \sqrt{\Delta t}\right]21[1+σmΔt] 向上走 σΔt\sigma \sqrt{\Delta t}σΔt 个单位,以概率为 12[1−mσΔt]\frac{1}{2}\left[1-\frac{m}{\sigma} \sqrt{\Delta t}\right]21[1−σmΔt] 向下走 σΔt\sigma \sqrt{\Delta t}σΔt 个单位。代入上述性质即得到对 k=0,1,⋯,N−1k=0, 1, \cdots, N-1k=0,1,⋯,N−1,有
P{X(k+1)Δt=XkΔt+σΔt∣XkΔt}=12[1+mσΔt],P{X(k+1)Δt=XkΔt−σΔt∣XkΔt}=12[1−mσΔt].\begin{aligned} &P\left\{X_{(k+1)\Delta t}=X_{k\Delta t} + \sigma \sqrt{\Delta t} \mid X_{k \Delta t}\right\}=\frac{1}{2}\left[1+\frac{m}{\sigma} \sqrt{\Delta t}\right], \\ &P\left\{X_{(k+1)\Delta t}=X_{k\Delta t} - \sigma \sqrt{\Delta t} \mid X_{k \Delta t}\right\}=\frac{1}{2}\left[1-\frac{m}{\sigma} \sqrt{\Delta t}\right]. \end{aligned} P{X(k+1)Δt=XkΔt+σΔt∣XkΔt}=21[1+σmΔt],P{X(k+1)Δt=XkΔt−σΔt∣XkΔt}=21[1−σmΔt].
2.2 模拟代码
基于上述二项抽样,给出Python代码:
import numpy as np
import pandas as pd
import matplotlib.pyplot as pltdef BM_b(m=1, sigma=1, T=1, N=100, seed=None):r'''Simulate a Brownian Motion, using binomial schemes:\begin{aligned}&P\{X_{t+\Delta t}-X_t=\sigma \sqrt{\Delta t} \mid X_t\}=\frac{1}{2}\left[1+\frac{m}{\sigma} \sqrt{\Delta t}\right], \\&P\{X_{t+\Delta t}-X_t=-\sigma \sqrt{\Delta t} \mid X_t\}=\frac{1}{2}\left[1-\frac{m}{\sigma} \sqrt{\Delta t}\right].\end{aligned}The Brownian motion satisfies dynamic$dX_t = m dt + \sigma dB_t$,with drift m, variance \sigma^2 constant, X_0 = 0Input:------m, driftsigma, square root of variance parameterT, time interval is [0, T]N, number of sample point in [0, 1], \Delta t = 1 / Nseed: random seedOutput:------points of Brownian MotionExample:------>>> y = BM_b(m=1, sigma=1, T=1, N=100, seed=13)'''if seed:np.random.seed(seed)dt = 1 / Ns_dt = np.sqrt(dt)P_up = 0.5 * (1 + m / sigma * s_dt) # probability of goes upP_down = 1 - P_up# vector of depending on whether each step goes up or downomega = np.random.choice([1, -1], size=N * T, p=[P_up, P_down]) res = np.cumsum(omega) * sigma * s_dtreturn res # note that this series doesn't include X_0
如,每单位区间内撒 N=1000N=1000N=1000 个点,模拟区间 t∈[0,2]t \in [0, 2]t∈[0,2] 上 m=−3/10,σ=1.5m =-3/\sqrt{10}, \sigma = 1.5m=−3/10,σ=1.5 的布朗运动:
m = -3 / np.sqrt(10)
sigma = 1.5
T = 2
N = 1000Xt = BM_b(m=m, sigma=sigma, T=T, N=N, seed=13)
t = (np.arange(Xt.shape[0]) + 1) / 1000plt.figure(figsize=(20, 12))
plt.plot(t, Xt, label='$X_t$')
plt.xlabel('t', fontsize=20)
#plt.ylabel('$B_t$', fontsize=20)
plt.legend(fontsize=20)
plt.title('Simulate Brownian Motion Using Binomial Schemes, $t\in [0, 2], \Delta t = \\frac{1}{1000}$', fontsize=20)
plt.show()
模拟图:
2.3 理论验证
下面我们验证上述对drift与方差项均为常数的布朗运动模拟是合理的。
对满足
dXt=mdt+σdBtdX_t = mdt + \sigma dB_t dXt=mdt+σdBt的布朗运动,我们有 Xt∼N(mt,σ2t)X_t \sim N(mt, \sigma^2t)Xt∼N(mt,σ2t)。因此,对常数 aaa,我们有
P{Xt>a}=P{Xt−mtσt>a−mtσt}=Φ(mt−aσt).\begin{aligned} &\mathbb P \left\{ X_t > a \right\} \\ = &\mathbb P \left\{ \frac{X_t - mt}{\sigma \sqrt{t}} > \frac{a - mt}{\sigma \sqrt{t}} \right\} \\ = &\Phi \left( \frac{mt - a}{\sigma \sqrt{t}} \right). \end{aligned} ==P{Xt>a}P{σtXt−mt>σta−mt}Φ(σtmt−a).对在2.2节中模拟的布朗运动而言(即 m=−3/10,σ=1.5m =-3/\sqrt{10}, \sigma = 1.5m=−3/10,σ=1.5),我们有
P{X2>0}=Φ(−25),P{X2>1}=Φ(−610−11.52),\mathbb P\{ X_2 > 0 \} = \Phi \left( \frac{-2}{\sqrt{5}} \right), \mathbb P\{ X_2 > 1 \} = \Phi \left( \frac{\frac{-6}{\sqrt{10}} - 1}{1.5 \sqrt{2}} \right), P{X2>0}=Φ(5−2),P{X2>1}=Φ(1.5210−6−1),他们分别可以被计算为:
from scipy.stats import normprint('{:.4f}'.format(norm.cdf(-2 / np.sqrt(5))))
print('{:.4f}'.format(norm.cdf((-6 / np.sqrt(10) - 1) / (1.5 * np.sqrt(2)))))
0.1855
0.0860
我们通过模拟 100001000010000 次,计算出对应概率,并做对比:
m = -3 / np.sqrt(10)
sigma = 1.5cnt1 = 0
cnt2 = 0
nums = 10000for i in range(nums):res = BM_b(m=m, sigma=sigma, T=T, N=N, seed=i)if res[-1] > 0:cnt1 += 1if res[-1] > 1:cnt2 += 1print(cnt1 / nums)
print(cnt2 / nums)
0.1799
0.0871
3. 模拟几何布朗运动
3.1 模拟原理
几何布朗运动(Geometric Brownian Motion)满足
dXt=Xt(mdt+σdBt),X0=1,dX_t = X_t\left(mdt + \sigma dB_t \right), \quad X_0=1, dXt=Xt(mdt+σdBt),X0=1,其对应的解为
Xt=X0e(m−σ22)t+σBt,X_t = X_0 e^{\left( m - \frac{\sigma^2}{2} \right)t + \sigma B_t}, Xt=X0e(m−2σ2)t+σBt,可以通过伊藤微分直接验证。
我们使用欧拉法(Euler method)来对几何布朗运动做模拟。生成单位区间 [0,1][0, 1][0,1] 内 NNN 个均匀的点,取 Δt=1/N\Delta t = 1/NΔt=1/N,对 k=0,1,⋯,N−1k=0, 1, \cdots, N-1k=0,1,⋯,N−1,利用迭代式
X(k+1)Δt=XkΔt(1+mΔt+σΔtNk)X_{(k+1)\Delta t} = X_{k\Delta t} \left( 1 + m \Delta t + \sigma \sqrt{\Delta t} N_k \right) X(k+1)Δt=XkΔt(1+mΔt+σΔtNk)做模拟。
3.2 模拟代码与验证
基于上述欧拉法模拟,给出对应Python代码:
def GBM(T=1, N=100, m=1, sigma=1, seed=None, X_0=1):'''Simulate a Geometric Brownian Motion, using formula$X_{(k+1)\Delta t} = X_{k\Delta t} \left( 1 + m \Delta t + \sigma \sqrt{\Delta t} N_k \right)$,where N_k is random number drawn from standard normal distributionA Geometric Brownian Motion satisfies dynamic$dX_t = X_t(m dt + \sigma dB_t)$Input:------T, time interval is [0, T]N, number of sample point in [0, 1], \Delta t = 1 / Nm, sigma, parameters in dynamicseed: random seedX_0: start point of GBMOutput:------points of Geometric Brownian MotionExample:------y = GBM(T=1, N=1000, m=1, sigma=1, seed=13)'''if seed:np.random.seed(seed)Normal = lambda : np.random.randn() # generate random number distributed by standard normal distributiondelta_t = 1 / Ns_delta_t = np.sqrt(delta_t)res = np.zeros(shape=(T * N + 1, ))res[0] = X_0for i in range(T * N):res[i+1] = res[i] * (1 + m * delta_t + sigma * s_delta_t * Normal())return res
对于 m=1/2,σ=1m=1/2, \sigma=1m=1/2,σ=1 的几何布朗运动 XtX_tXt,即其满足
dXt=12Xtdt+XtdBt,X0=1,dX_t = \frac{1}{2} X_t dt + X_t dB_t, \quad X_0 = 1, dXt=21Xtdt+XtdBt,X0=1,可以计算得到 Xt=eBtX_t = e^{B_t}Xt=eBt。因此,我们指定相同的随机数种子 seed
,通过两种方式做模拟:一种即直接通过几何布朗运动做模拟;一种即先生成标准布朗运动,再做指数运算。两种模拟方式理应给出相同的路径图。
Xt = GBM(T=1, N=1000, m=1/2, sigma=1, seed=11)
eBt = np.exp(SBM(T=1, N=1000, seed=11))
t = np.arange(Xt.shape[0]) / 1000plt.figure(figsize=(20, 12))
plt.plot(t, eBt, label='$e^{B_t}$')
plt.plot(t, Xt, label='$X_t$')
plt.xlabel('t', fontsize=20)
#plt.ylabel('$B_t$', fontsize=20)
plt.legend(fontsize=20)
plt.title('Simulate Geometric Brownian Motion, $t\in [0, 1], \Delta t = \\frac{1}{1000}$', fontsize=20)
plt.show()
可以看到,抛除浮点数运算误差,两种不同的模拟方式确实给出了近乎相同的结果。
模拟布朗运动与几何布朗运动相关推荐
- 模拟模型学习 几何布朗运动_Java的几何布朗运动
模拟模型学习 几何布朗运动 维纳过程是一个连续时间的随机过程,以纪念诺伯特·维纳. 通常用于用随机成分表示噪音或财务状况. 可以计算几何布朗运动以可视化某些界限(以分位数表示)以暗示绝对范围. 为了进 ...
- R语言几何布朗运动 GBM模拟股票价格优化建立期权定价概率加权收益曲线可视化
最近我们被客户要求撰写关于几何布朗运动的研究报告,包括一些图形和统计输出. 对于模拟股票价格,几何布朗运动 (GBM) 是 事实上的首选 模型. 它有一些很好的属性,通常与股票价格一致,例如对数正态分 ...
- 利用几何布朗运动对招商银行2021年进行股价预测
1.布朗运动 2.广义维纳过程 3.几何布朗运动 4.用几何布朗运动模拟招商银行股价 (1)导入相关包并设置中文字体 import numpy as np import pandas as pd im ...
- Java的几何布朗运动
Wiener过程是连续时间随机过程,以纪念Norbert Wiener命名. 通常用于用随机成分表示噪音或财务状况. 可以计算几何布朗运动以可视化某些界限(以分位数表示)以暗示绝对范围. 为了进行计算 ...
- GitModel|Task04|随机模拟
目录 动手学随机模拟 1. 如何通过随机模拟估计看涨期权的报酬分布 1.1 金融知识:股票与看涨期权 1.2 问题分析与确定建模思路 1.3 如何模拟股票价格:布朗运动 1.4 如何更真实地模拟股票价 ...
- 【统计分析】(task5) 金融量化分析与随机模拟(通过随机模拟估计看涨期权的报酬分布)
内容总结 学习datawhale的gitmodel教程.小郭为了锁定价格波动风险,签订合约即买进看涨期权:提前给榴莲超市2块权利金,现在榴莲30元一块(期权的标的资产),下个月能用20元买到一块榴莲( ...
- python在金融工程中的用途-金融工程现在用python多吗?
大数据项目实战之Python金融应用编程(数据分析.定价与量化投资) 本教程介绍使用Python进行数据分析和金融应用开发的基础知识. 课程从介绍简单的金融应用开始,带领学员回顾Python的基础知识 ...
- python大数据项目_(价值1280)大数据项目实战之Python金融应用编程
朱彤老师,2009年博士毕业于北京大学光华管理学院金融系,对金融.数据分析与统计有着较为深刻的理解,多年来一直持续跟踪和研究金融量化分析与数据统计相关领域的进展与发展,对概率论.随机过程及其在金融中的 ...
- Python金融实战之计算VaR
总的来说,VaR的评估方式有参数法.非参数法.混合法(也叫半参数法) 一.历史模拟法(非参数法)计算VaR 1.VaR 定义:Value at Risk,在一定概率水平(置信度)下,某一金融资产或证券 ...
- Python金融应用编程(数据分析、定价与量化投资)
近年来,金融领域的量化分析越来越受到理论界与实务界的重视,量化分析的技术也取得了较大的进展,成为备受关注的一个热点领域.所谓金融量化,就是将金融分析理论与计算机编程技术相结合,更为有效的利用现代计算技 ...
最新文章
- zw版【转发·台湾nvp系列Delphi例程】HALCON Histogram
- 计算机编程导论python程序设计答案-学堂在线_计算机科学与Python编程导论_作业课后答案...
- 思科ssh验证方式_SSH的应用:一个实例两种验证模式的实现
- 1.17 项目实例:模仿斗地主洗牌发牌小游戏
- python 删除文件、目录_python实现删除文件与目录的方法
- 左神算法:判断 t1 树中是否有与 t2 树拓扑结构完全相同的子树(Java版)
- Bash脚本教程之启动环境
- 强强联合,OpenCV搭载飞桨模型,帮你轻松玩转深度学习
- Java 8.if语句
- Java多线程(五)——多线程的多线程池
- TMS320C55x之C/C++语言程序设计
- 【深度学习笔记】个人阅读的Deep Learning方向的paper整理
- 虚拟机VMware的安装
- JAVA集合框架概述
- x3850用uefi安装Linux7,X3850 X5在uEFI模式下无法安装Centos 6.2的解决办法
- 企业支付宝账号注册认证流程
- java近义词,虚拟的近义词
- beyond compare this license key has been revoked
- 20180508----01:15
- 2016年8月26日 星期五 --出埃及记 Exodus 16:27