实施蒙特卡罗法有三个主要步骤
实施蒙特卡罗法有三个主要步骤：
（1）构造或描述概率过程。对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程；对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解，即要将不具有随机性质的问题转化为随机性质的问题。
（2）实现从已知概率分布抽样。构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是（0，1）上的均匀分布（或称矩形分布）。随机数就是具有这种均匀分布的随机变量，随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题，就是从这个分布的抽样问题。在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。另一种方法是用数学递推公式产生，这样产生的序列，与真正的随机数序列不同，所以称为伪随机数，或伪随机数序列。不过经过多种统计检验表明，它与真正的随机数或随机数序列具有相似的性质，因此可把它作为真正的随机数来使用。从已知分布随机抽样有多种方法，与从（0，1）上均匀分布抽样不同，这些方法都是借助于随机序列来实现的，也就是说，都是以产生随机数为前提的。由此可见，随机数是我们实现蒙特卡罗模拟的基本工具。
（3）建立各种估计量。一般来说，构造了概率模型并能从中抽样后，即实现模拟实验后，我们就要确定一个随机变量，作为所要求的问题的解，我们称它为无偏估计量。建立各种估计量，相当于对模拟实验的结果进行考察和登记，从中得到问题的解。
与其他的数值计算方法相比，蒙特卡罗方法有这样几个优点：
（1）收敛速度与问题维数无关，换句话说，要达到同一精度，用蒙特卡罗方法选取的点数与维数无关，计算时间仅与维数成正比例。但一般数值计算方法，比如在计算多、重积分时，达到同样的误差，点数与维数的幂次成正比例，即计算量要随维数的幂次方而增加。这一特性决定了蒙特卡罗法对多维问题的适用性。
（2）受问题的条件限制的影响小。
（3）程序结构简单，在计算机上实现蒙特卡罗计算时程序结构清晰简单，便于编制和调试。
（4）对于仿真像粒子输运等物理问题具有其他数值计算方法不能替代的作用。
蒙特卡罗的弱点是收敛速度慢，误差大。这一情况在解粒子输运问题中仍然存在。除此以外，对于大系统蒙特卡罗通常不适用，但其他数值方法往往很适应，能算出较好的结果。因此，已有人将数值方法与蒙特卡罗方法联合起来使用，克服这种局限性，取得了一定的效果
蒙特卡洛(Monte Carlo)模拟法
当科学家们使用计算机来试图预测复杂的趋势和事件时, 他们通常应用一类需要长串的随机数的复杂计算。设计这种用来预测复杂趋势和事件的数字模型越来越依赖于一种称为蒙特卡罗模似的统计手段, 而这种模拟进一步又要取决于可靠的无穷尽的随机数目来源。 蒙特卡罗模拟因摩纳哥著名的赌场而得名。它能够帮助人们从数学上表述物理、化学、工程、经济学以及环境动力学中一些非常复杂的相互作用。数学家们称这种表述为“模式”, 而当一种模式足够精确时, 他能产生与实际操作中对同一条件相同的反应。但蒙特卡罗模拟有一个危险的缺陷: 如果必须输入一个模式中的随机数并不像设想的那样是随机数, 而却构成一些微妙的非随机模式, 那么整个的模拟(及其预测结果)都可能是错的。 最近, 由美国佐治亚大学的费伦博格博士作出的一分报告证明了最普遍用以产生随机数串 的计算机程序中有5个在用于一个简单的模拟磁性晶体中原子行为的数学模型时出现错误。科学家们发现, 出现这些错误的根源在于这5个程序产生的数串其实并不随机, 它们实际上隐藏了一些相互关系和样式, 这一点只是在这种微小的非随机性歪曲了晶体模型的已知特 性时才表露出来。贝尔实验室的里德博士告诫人们记住伟大的诺伊曼的忠告:“任何人如果相信计算机能够产生出真正的随机的数序组都是疯子。” 蒙特卡罗方法（MC） 蒙特卡罗（Monte Carlo）方法： 蒙特卡罗（Monte Carlo）方法，又称随机抽样或统计试验方法，属于计算数学的一个分支，它是在本世纪四十年代中期为了适应当时原子能事业的发展而发展起来的。传统的经验方法由于不能逼近真实的物理过程，很难得到满意的结果，而蒙特卡罗方法由于能够真实地模拟实际物理过程，故解决问题与实际非常符合，可以得到很圆满的结果。这也是我们采用该方法的原因。 蒙特卡罗方法的基本原理及思想如下： 当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并用它们作为问题的解。这就是蒙特卡罗方法的基本思想。蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。可以把蒙特卡罗解题归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。 蒙特卡罗解题三个主要步骤： 构造或描述概率过程： 对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。 实现从已知概率分布抽样： 构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布（或称矩形分布）。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题，就是从这个分布的抽样问题。在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。另一种方法是用数学递推公式产生。这样
蒙特卡罗算法的简单应用
一、蒙特卡洛算法 1、含义的理解 以概率和统计理论方法为基础的一种计算方法。也称统计模拟方法，是指使用随机数（或更常见的伪随机数）来解决很多计算问题的方法，它是将所求解的问题同一定的概率模型相联系，用计算机实现统计模拟或抽样，以获得问题的近似解。 2、算法实例 在数值积分法中，利用求单位圆的1/4的面积来求得Pi/4从而得到Pi 。单位圆的1/4面积是一个扇形，它是边长为1单位正方形的一部分。只要能求出扇形面积S1在正方形面积S 中占的比例K=S1/S 就立即能得到S1，从而得到Pi 的值。怎样求出扇形面积在正方形面积中占的比例K 呢？一个办法是在正方形中随机投入很多点，使所投的点落在正方形中每一个位置的机会相等看其中有多少个点落在扇形内。将落在扇形内的点数m 与所投点的总数n 的比m/n 作为k 的近似值。P 落在扇形内的充要条件是 221x y +≤ 。 已知：K= 1s s ，K ≈m n ，s=1，s1=4P i ，求Pi 。 由1 s m s n ≈，知s1≈*m s n =m n ， 而s1=4P i ，则Pi=*4m n 程序： /* 利用蒙特卡洛算法近似求圆周率Pi*/ /*程序使用：VC++6.0 */ #include x=rand()*1.0/RAND_MAX;/*RAND_MAX=32767，包含在 蒙特卡洛习题 1.利用蒙特卡洛计算数值积分 () ()() 1280ln 1tan x x x xe dx +++? clear all ;clc;close all ; n=1000; count=0; x=0:0.01:1; y=log((1+x).^2+(tan(x).^8)+x.*exp(x)); plot(x,y,'linewidth',2) hold on for i=1:n x1=rand; y1=rand*y(end); plot(x1,y1,'g*') pause(0.01) if y1 2.分别用理论计算和计算机模拟计算，求连续掷两颗骰子，点数之和大于6且第一次掷出的点数大于第二次掷出点数的概率。 clear all;clc;close all; count=0; n=100000; for i=1:n x=floor(rand*6+1); y=ceil(rand*6); if x+y>6&&x>y count=count+1; end end P=count/n 3. clear all;clc;close all; count=0; n=2000; ezplot('x^2/9+y^2/36=1'); hold on ezplot('x^2/36+y^2=1'); hold on ezplot('(x-2)^2+(y+1)^2=9') for i=1:n x=rand*12-6; y=rand*12-6; plot(x,y,'gh','linewidth',2) pause(0.01) if x^2/9+y^2/36<1&&x^2/36+y^2<1&&(x-2)^2+(y+1)^2<9 蒙特卡罗方法（MC） 蒙特卡罗（Monte Carlo）方法： 蒙特卡罗（Monte Carlo）方法，又称随机抽样或统计试验方法，属于计算数学的一个分支，它是在本世纪四十年代中期为了适应当时原子能事业的发展而发展起来的。 传统的经验方法由于不能逼近真实的物理过程，很难得到满意的结果，而蒙特卡罗方法由于能够真实地模拟实际物理过程，故解决问题与实际非常符合，可以得到很圆满的结果。这也是我们采用该方法的原因。 蒙特卡罗方法的基本原理及思想如下： 当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并 用它们作为问题的解。这就是蒙特卡罗方法的基本思想。蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。可以把蒙特卡罗解题归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。 蒙特卡罗解题三个主要步骤： 构造或描述概率过程： 对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。 实现从已知概率分布抽样： 构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布（或称矩形分布）。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题，就是从这个分布的抽样问题。在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。另一种方法是用数学递推公式产生。这样产生的序列，与真正的随机数序列不同，所以称为伪随机数，或伪随机数序列。不过，经过多种统计检验表明，它与真正的随机数，或随机数序列具有相近的性质，因此可把它作为真正的随机数来使用。由已知分布随机抽样有各种方法，与从(0,1)上均匀分布抽样不同，这些方法都是借助于随机序列来实现的，也就是说，都是以产生随机数为前提的。由此可见，随机数是我们实现蒙特卡罗模拟的基本工具。 建立各种估计量： 一般说来，构造了概率模型并能从中抽样后，即实现模拟实验后，我们就要确定一个随机变量，作为所要求的问题的解，我们称它为无偏估计。建立各种估计量，相当于对模拟实验的结果进行考察和登记，从中得到问题的解。 例如：检验产品的正品率问题，我们可以用1表示正品，0表示次品，于是对每个产品检验可以定义如下的随机变数Ti，作为正品率的估计量： 于是，在N次实验后，正品个数为： 二、蒙特卡洛模拟原理及步骤 （一）蒙特卡洛模拟原理：经济生活中存在大量的不确定与风险问题，很多确定性问题实际上是不确定与风险型问题的特例与简化，财务管理、管理会计中同样也存在大量的不确定与风险型问题，由于该问题比较复杂，一般教材对此问题涉及较少，但利用蒙特卡洛模拟可以揭示不确定与风险型问题的统计规律，还原一个真实的经济与管理客观面貌。 与常用确定性的数值计算方法不同，蒙特卡洛模拟是用来解决工程和经济中的非确定性问题，通过成千上万次的模拟，涵盖相应的可能概率分布空间，从而获得一定概率下的不同数据和频度分布，通过对大量样本值的统计分析，得到满足一定精度的结果，因此蒙特卡洛模拟是进行不确定与风险型问题的有力武器。 1、由于蒙特卡洛模拟是以实验为基础的，因此可以成为财务人员进行风险分析的“实验库”，获得大量有关财务风险等方面的信息，弥补确定型分析手段的不足，避免对不确定与风险决策问题的误导； 2、财务管理、管理会计中存在大量的不确定与风险型问题，目前大多数教材很少涉及这类问题，通过蒙特卡洛模拟，可以对其进行有效分析，解决常用决策方法所无法解决的难题，更加全面深入地分析不确定与风险型问题。 （二）蒙特卡洛模拟步骤以概率型量本利分析为例，蒙特卡洛模拟的分析步骤如下： 1、分析评价参数的特征，如企业经营中的销售数量、销售价格、产品生产的变动成本以及固定成本等，并根据历史资料或专家意见，确定随机变量的某些统计参数； 2、按照一定的参数分布规律，在计算机上产生随机数，如利用EXCEL提供的RAND函数，模拟量本利分析的概率分布，并利用VLOOKUP寻找对应概率分布下的销售数量、销售价格、产品生产的变动成本以及固定成本等参数； 3、建立管理会计的数学模型，对于概率型量本利分析有如下关系式，产品利润=产品销售数量×（产品单位销售价格-单位变动成本）-固定成本，这里需要说明的是以上分析参数不是确定型的，是依据某些概率分布存在的； 4、通过足够数量的计算机仿真，如文章利用RAND、VLOOKUP等函数进行30000次的模拟，得到30000组不同概率分布的各参数的排列与组合，由于模拟的数量比较大，所取得的实验数据具有一定的规律性； 5、根据计算机仿真的参数样本值，利用函数MAX、MIN、A VERAGE等，求出概率型量本利分析评价需要的指标值，通过对大量的评价指标值的样本分析，得到量本利分析中的利润点可能的概率分布，从而掌握企业经营与财务中的风险，为财务决策提供重要的参考。三、概率型量本利分析与比较 （一）期望值分析方法假设某企业为生产与销售单一产品的企业，经过全面分析与研究，预计未来年度的单位销售价格、销售数量、单位变动成本和固定成本的估计值及相应的概率如表1，其中销售数量单位为件，其余反映价值的指标单位为元，试计算该企业的生产利润。表1概率型量本利分析参数 项目概率数值 单位销售价格0.3 40 0.4 43 0.3 45 单位变动成本0.4 16 0.2 18 0.4 20 固定成本0.6 28000 0.4 30000 蒙特卡罗方法的解题过程可以归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。 蒙特卡罗方法解题过程的三个主要步骤： （1）构造或描述概率过程 对于本身就具有随机性质的问题，如粒子输运问题，主要是正确描述和模拟这个概率过程，对于本来不是随机性质的确定性问题，比如计算定积分，就必须事先构造一个人为的概率过程，它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。 （2）实现从已知概率分布抽样 构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，因此产生已知概率分布的随机变量（或随机向量），就成为实现蒙特卡罗方法模拟实验的基本手段，这也是蒙特卡罗方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是（0，1）上的均匀分布（或称矩形分布）。随机数就是具有这种均匀分布的随机变量。随机数序列就是具有这种分布的总体的一个简单子样，也就是一个具有这种分布的相互独立的随机变数序列。产生随机数的问题，就是从这个分布的抽样问题。在计算机上，可以用物理方法产生随机数，但价格昂贵，不能重复，使用不便。另一种方法是用数学递推公式产生。这样产生的序列，与真正的随机数序列不同，所以称为伪随机数，或伪随机数序列。不过，经过多种统计检验表明，它与真正的随机数，或随机数序列具有相近的性质，因此可把它作为真正的随机数来使用。由已知分布随机抽样有各种方法，与从(0,1)上均匀分布抽样不同，这些方法都是借助于随机序列来实现的，也就是说，都是以产生随机数为前提的。由此可见，随机数是我们实现蒙特卡罗模拟的基本工具。 （3）建立各种估计量 一般说来，构造了概率模型并能从中抽样后，即实现模拟实验后，我们就要确定一个随机变量，作为所要求的问题的解，我们称它为无偏估计。建立各种估计量，相当于对模拟实验的结果进行考察和登记，从中得到问题的解。 蒙特卡洛法模拟蒲丰（Buffon）投针实验-使用Matlab 2010年03月31日星期三8:47 蒲丰投针实验是一个著名的概率实验，其原理请参见此页： https://www.360docs.net/doc/8c11750847.html,/reese/buffon/buffon.html 现在我们利用Matlab来做模拟，顺便说一下，这种随机模拟方法便是传说中的“蒙特- 第三章蒙特卡罗方法简介 3.1 Monte Carlo方法简介 Monte Carlo方法是诺斯阿拉莫斯实验室在总结其二战期间工作（曼哈顿计划）的基础上提出来的。Monte Carlo的发明，主要归功于Enrico Fermi、Von Neumann和Stanislaw Ulam等。自二战以来，Monte Carlo方法由于其在解决粒子输运问题上特有的优势而得到了迅速发展，并在核物理、辐射物理、数学、电子学等方面得到了广泛的应用。Monte Carlo的基本思想就是基于随机数选择的统计抽样，这和赌博中掷色子很类似，故取名Monte Carlo。 Monte Carlo方法非常适于解决复杂的三维问题，对于不能用确定性方法解决的问题尤其有用，可以用来模拟核子与物质的相互作用。在粒子输运中，Monte Carlo技术就是跟踪来自源的每个粒子，从粒子产生开始，直到其消亡（吸收或逃逸等）。在跟踪过程中，利用有关传输数据经随机抽样来决定粒子每一步的结果[6]。 3.2 Monte Carlo发展历程 MCNP程序全名为Monte Carlo Neutron and Photon Transport Code (蒙特卡罗中子-光子输运程序)。Monte Carlo模拟程序是在1940年美国实施“发展核武器计划”时，由洛斯阿拉莫斯实验室（LANL）提出的，为其所投入的研究、发展、程序编写及参数制作超过了500人年。1950年Monte Carlo方法的机器语言出现, 1963年通用性的Monte Carlo方法语言推出，在此基础上，20世纪70年代中期由中子程序和光子程序合并,形成了最初的MCNP程序。自那时起，每2—3年MCNP更新一次, 版本不断发展，功能不断增加，适应面也越来越广。已知的MCNP程序研制版本的更新时间表如下：MCNP-3：1983年写成，为标准的FORTRAN-77版本，截面采用ENDF /B2III。 MCNP-3A：1986年写成，加进了多种标准源，截面采用ENDF /B2I V[20]。 期权定价中的蒙特卡洛模拟方法 期权作为最基础的金融衍生产品之一，为其定价一直是金融工程的重要研究领域，主要使用的定价方法有偏微分方程法、鞅方法和数值方法。而数值方法又包括了二叉树方法、有限差分法和蒙特卡洛模拟方法。 蒙特卡洛方法的理论基础是概率论与数理统计，其实质是通过模拟标的资产价格路径预测期权的平均回报并得到期权价格估计值。蒙特卡洛方法的最大优势是误差收敛率不依赖于问题的维数，从而非常适宜为高维期权定价。 §1. 预备知识 ◆两个重要的定理：柯尔莫哥洛夫(Kolmogorov)强大数定律和莱维一林德贝格(Levy-Lindeberg)中心极限定理。 大数定律是概率论中用以说明大量随机现象平均结果稳定性的一系列极限定律。在蒙特卡洛方法中用到的是随机变量序列同分布的Kolmogorov 强大数定律： 设12,,ξξL 为独立同分布的随机变量序列，若 [],1,2,k E k ξμ=<∞=L 则有1 1(lim )1n k n k p n ξμ→∞===∑ 显然，若12,,,n ξξξL 是由同一总体中得到的抽样，那么由 此大数定律可知样本均值1 1n k k n ξ=∑当 n 很大时以概率1收敛于 总体均值μ。 中心极限定理是研究随机变量之和的极限分布在何种情形下是正态的，并由此应用正态分布的良好性质解决实际问题。 设12,,ξξL 为独立同分布的随机变量序列，若 2 [],[],1,2,k k E D k ξμξσ=<∞=<∞=L (0,1)n k d n N ξ μ -??→∑ 其等价形式为2 1 1lim ()exp(),2n x k k n t n P x dt x ξμσ =→∞ -∞ -≤= --∞<<∞∑?。 ◆Black-Scholes 期权定价模型 模型的假设条件： 1、标的证券的价格遵循几何布朗运动 dS dt dW S μσ=+ 其中，标的资产的价格S 是时间t 的函数，μ为标的资产 的瞬时期望收益率，σ为标的资产的波动率，dW 是维纳过程。 2、证券允许卖空、证券交易连续和证券高度可分。 3、不考虑交易费用或税收等交易成本。 4、在衍生证券的存续期内不支付红利。 5、市场上不存在无风险的套利机会。 6、无风险利率r 为一个固定的常数。 下面，通过构造标的资产与期权的资产组合并根据无套利定价原理建立期权定价模型。首先，为了得到期权的微分形式，先介绍随机微积分中的最重要的伊藤公式。 蒙特卡罗方法及应用 实验讲义 东华理工大学核工系 2016.8 实验一 蒙特卡罗方法基本思想 一、实验目的 1、了解蒙特卡罗方法方法的基本思想； 2、掌握蒙特卡罗方法计算面积、体积的方法； 3、掌握由已知分布的随机抽样方法。 二、实验原理 Monte Carlo 方法，又称统计模拟方法或计算机随机模拟方法，是一种基于“随机数”进行数值模拟的方法，一种采用统计抽样理论近似求解物理或数学问题的方法。 如待求量可以表述成某些特征量的期望值、某些事件出现的概率或两者的函数形式，那么可采用蒙特卡罗方法求解。在求解某些特征量的期望值或某些事件出现的概率时，必须构建合符实际的数学模型。例如采用蒙特卡罗方法计算某函数所围面积时，构建的数学模型是构造一已知面积的可均匀抽样区域，在该区域投点，由伯努利定理大数定理可知，进入待求区域投点的频率依概率1收敛于该事件出现的概率（面积之比）。 由已知分布的随机抽样方法指的是由已知分布的总体中抽取简单子样。具体方法很多，详见教材第三章。 三、实验内容 1、安装所需计算工具（MATLAB 、fortran 、C++等）； 2、学习使用rand(m,n)、unifrnd(a,b,m,n)函数 3、求解下列问题： 3.0、蒲丰氏投针求圆周率。 3.1、给定曲线y =2 – x 2 和曲线y 3 = x 2，曲线的交点为：P 1( – 1，1 )、P 2( 1，1 )。曲线围成平面有限区域，用蒙特卡罗方法计算区域面积； 3.2 、计算1z z ?≥??≤??所围体积 其中{(,,)|11,11,02}x y z x y z Ω=-≤≤-≤≤≤≤。 4、对以下已知分布进行随机抽样： 运用蒙特卡罗模拟进行风险分析 蒙特卡罗模拟由著名的摩纳哥赌城而得名，他是一种非常强有力的方法学。对专业人员来说，这种模拟为方便的解决困难而复杂的实际问题开启了一扇大门。估计蒙特卡罗模拟最著名的早期使用是诺贝尔奖物理学家Enrico Fermi（有时也说是原子弹之父）在1930年的应用，那时他用一种随机方法来计算刚发现的中子的性质。蒙特卡罗模拟是曼哈顿计划所用到的模拟的核心部分，在20世纪50年代蒙特卡罗模拟就用在Los Alamos国家实验室发展氢弹的早期工作中，并流行于物理学和运筹学研究领域。兰德公司和美国空军是这个时期主要的两个负责资助和传播蒙特卡罗方法的组织，今天蒙特卡罗模拟也被广泛应用于不同的领域，包括工程，物理学，研发，商业和金融。 简而言之，蒙特卡罗模拟创造了一种假设的未来，它是通过产生数以千计甚至成千上万的样本结果并分析他们的共性实现的。在实践中，蒙特卡罗模拟法用于风险分析，风险鉴定，敏感度分析和预测。模拟的一个替代方法是极其复杂的随机闭合数学模型。对一个公司的分析，使用研究生层次的高等数学和统计学显然不合逻辑和实际。一个出色的分析家会使用所有他或她可得的工具以最简单和最实际的方式去得到相同的结果。任何情况下，建模正确时，蒙特卡罗模拟可以提供与更完美的数学方法相似的答案。此外，有许多实际生活应用中不存在闭合模型并且唯一的途径就是应用模拟法。那么，到底什么是蒙特卡罗模拟以及它是怎么工作的？ 什么是蒙特卡罗模拟？ 今天，高速计算机使许多过去看来棘手的复杂计算成为可能。对科学家，工程师，统计学家，管理者，商业分析家和其他人来说，计算机使创建一个模拟现实的模型成为可能，这有助于做出预测，其中一种方法应用于模拟真实系统，它通过调查数以百计甚至数以千计的可能情况来解释随机性和未来不确定性。结果通过编译后用于决策。这就是蒙特卡罗模拟的全部内容。 形式最简单的蒙特卡罗模拟是一个随机数字生成器，它对预测，估计和风险分析都很有用。一个模拟计算模型的许多情况，这通过反复地从预先定义的特定变量概率分布中采集数据并将之应用于模型来实现。因为所有的情况都产生相应的结果，每种情况都可以蕴含一种预测。预测的是你定义为重要模型结果的事项（通常含有公式或函数）。 将蒙特卡罗模拟法想象为从一个大篮子里可放回的反复拿出高尔夫球。拦在的大小和形 蒙特卡洛模拟法 蒙特卡洛(Monte Carlo)模拟是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。具体的，当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用时，可用随机模拟法近似计算出系统可靠性的预计值；随着模拟次数的增多，其预计精度也逐渐增高。由于涉及到时间序列的反复生成，蒙特卡洛模拟法是以高容量和高速度的计算机为前提条件的，因此只是在近些年才得到广泛推广。 这个术语是二战时期美国物理学家Metropolis执行曼哈顿计划的过程中提出来的。 蒙特卡洛模拟方法的原理是当问题或对象本身具有概率特征时，可以用计算机模拟的方法产生抽样结果，根据抽样计算统计量或者参数的值；随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均的方法得到稳定结论。 蒙特卡洛模拟法的应用领域 蒙特卡洛模拟法的应用领域主要有： 1.直接应用蒙特卡洛模拟:应用大规模的随机数列来模拟复杂系统，得到某些参数或重要指标。 2.蒙特卡洛积分:利用随机数列计算积分，维数越高，积分效率越高。 3.MCMC:这是直接应用蒙特卡洛模拟方法的推广，该方法中随机数的产生是采用的马尔科夫链形式。 （也叫随机模拟法）当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用则可用随机模拟法近似计算出系统可靠性的预计值。随着模拟次数的增多，其预计精度也逐渐增高。由于需要大量反复的计算，一般均用计算机来完成。 应用此方法求解工程技术问题可以分为两类:确定性问题和随机性问题。解题步骤如下： 1.根据提出的问题构造一个简单、适用的概率模型或随机模型，使问题的解对应于该模型中随机变量的某些特征（如概率、均值和方差等），所构造的模型在主要特征参量方面要与实际问题或系统相一致 2 .根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数。通常先产生均匀分布的随机数，然后生成服从某一分布的随机数，方可进行随机模拟试验。 例在我方某前沿防守地域，敌人以一个炮排（含两门火炮）为单位对我方进行干扰和破坏．为躲避我方打击，敌方对其阵地进行了伪装并经常变换射击地点． 经过长期观察发现，我方指挥所对敌方目标的指示有50％是准确的，而我方火力单位，在指示正确时，有1/3的射击效果能毁伤敌人一门火炮，有1/6的射击效果能全部毁伤敌人火炮． 现在希望能用某种方式把我方将要对敌人实施的20次打击结果显现出来，确定有效射击的比率及毁伤敌方火炮的平均值。 使用蒙特卡洛方法模拟50次打击结果： function [out1 out2 out3 out4]=Msc(N) % N开炮次数 % out1射中概率 % out2平均每次击中次数 % out3击中敌人一门火炮的射击总数 % out4击中敌人2门火炮的射击总数 k1=0; k2=0; k3=0; for i=1:N x0=randperm(2)-1; y0=x0(1); if y0==1 fprintf('第%d次：指示正确||',i); x1=randperm(6); y1=x1(1); if y1==1|y1==2|y1==3 fprintf('第%d次：击中0炮||',i); k1=k1+1; elseif y1==4|y1==5 fprintf('第%d次：击中1炮||',i); k2=k2+1; else fprintf('第%d次：击中2炮||',i); k3=k3+1; end else fprintf('第%d次：指示错误，击中0炮||',i); k1+1; end fprintf('\n'); end out1=(k2+k3)/N; out2=(0*k1+k2+2*k3)/20; out3=k2/N; out4=k3/N; 运行： 1.[out1 out2 out3 out4]=Msc(50) 结果： 1.第1次：指示正确||第1次：击中2炮|| 2.第2次：指示错误，击中0炮|| 3.第3次：指示错误，击中0炮|| 4.第4次：指示正确||第4次：击中0炮|| 5.第5次：指示错误，击中0炮|| 6.第6次：指示正确||第6次：击中1炮|| 7.第7次：指示正确||第7次：击中0炮|| 8.第8次：指示错误，击中0炮|| 9.第9次：指示正确||第9次：击中2炮|| 10.第10次：指示正确||第10次：击中1炮|| 11.第11次：指示正确||第11次：击中1炮|| 12.第12次：指示正确||第12次：击中2炮|| 13.第13次：指示错误，击中0炮|| 14.第14次：指示正确||第14次：击中1炮|| 15.第15次：指示错误，击中0炮|| 16.第16次：指示错误，击中0炮|| 17.第17次：指示正确||第17次：击中0炮|| 18.第18次：指示错误，击中0炮|| 蒙特卡罗(Monte Carlo)方法简介 蒙特卡罗(Monte Carlo)方法简介 蒙特卡罗(Monte Carlo)方法，也称为计算机随机模拟方法，是一种基于"随机数"的计算方法。 一起源 这一方法源于美国在第二次世界大战进研制原子弹的"曼哈顿计划"。Monte Carlo方法创始人主要是这四位：Stanislaw Marcin Ulam, Enrico Fermi, John von Neumann（学计算机的肯定都认识这个牛人吧）和Nicholas Metropolis。 Stanislaw Marcin Ulam是波兰裔美籍数学家，早年是研究拓扑的，后因参与曼哈顿工程，兴趣遂转向应用数学，他首先提出用Monte Carlo方法解决计算数学中的一些问题，然后又将其应用到解决链式反应的理论中去，可以说是MC方法的奠基人；Enrico Fermi是个物理大牛，理论和实验同时都是大牛，这在物理界很少见，在“物理大牛的八卦”那篇文章里提到这个人很多次，对于这么牛的人只能是英年早逝了（别说我嘴损啊，上帝都嫉妒！）；John von Neumann可以说是计算机界的牛顿吧，太牛了，结果和Fermi一样，被上帝嫉妒了；Nicholas Metropolis，希腊裔美籍数学家，物理学家，计算机科学家，这个人对Monte Carlo方法做的贡献相当大，正式由于他提出的一种什么算法（名字忘了），才使得Monte Carlo方法能够得到如此广泛的应用，这人现在还活着，与前几位牛人不同，Metropolis很专一，他一生主要的贡献就是Monte Carlo方法。 蒙特卡罗方法的名字来源于摩纳哥的一个城市蒙地卡罗，该城市以赌博业闻名，而蒙特?罗方法正是以概率为基础的方法。与它对应的是确定性算法。 二解决问题的基本思路 Monte Carlo方法的基本思想很早以前就被人们所发现和利用。早在17世纪，人们就知道用事件发生的"频率"来决定事件的"概率"。19世纪人们用投针试验的方法来决定圆周率π。本世纪40年代电子计算机的出现，特 蒙特卡罗 模拟风险因素，评估项目风险 什么是蒙特卡罗 蒙特卡罗（Monte Carlo）得名于摩洛哥的一个着名赌城，它实质上是利用服从某种分布的随机变量来模拟现实系统中可能出现的随机现象。在项目管理中，可以用来模拟计算不确定性很强的项目收益、进度和成本，以及评估不确定因素对项目结果的影响。 蒙特卡罗的作用 计算在众多不确定性因素影响下，项目可能的收益、进度和成本； 分析在众多不确定性因素影响下，达到项目目标的概率； 分析各种不确定性因素对项目的影响程度； 找出关键性的影响因素。 怎么做 1.确定要分析的不确定因素 例：三项项目活动的时间估计T1，T2，T3。 T1 ①T2② T3 2.确定目标函数 例：项目活动总时间＝Max(T1,T2,T) 3．找出不确定因素的概率分布 例：三项项目活动的时间T1，T2，T符合β分布。 项目管理中常用的概率分布： 4.利用随机数表或计算机在其概率区间内产生随机数 例：设项目活动的最短时间为8天，最长为12天，在8-12的区间内随机产生三个变量，分别模拟三项项目活动的时间。 5.进行大量次数的模拟实验 例：产生随量的过程重复300次（或以上）。 6.计算目标函数值 7.对实验结果进行统计 例：分别统计项目总时间分别落在“项目开始－第8天”、“第9天－第10天”、“第11天－第2天”的频率。 8.对影响项目结果的因素做出敏感性分析 例：分别计算T1，T2，T3落在关键路径上的次数，从而算出三条路径对项目总时间的影响程度。适用范围： 1.蒙特卡罗的特点是模拟次数越多，计算结果的可靠性越大。特别适用于在计算机上对大型项 目、新产品项目和其他含有大量不确定因素的复杂决策系统进行风险模拟分析； 2.蒙特卡罗模拟法不可能使计算结果发生实质性变化，但是可以给算结果的概率分布，便于预 测达到预期目标的可能性。 例：用蒙特卡罗做敏感性分析的流程图： 二、蒙特卡洛模拟原理及步骤 (一)蒙特卡洛模拟原理:经济生活中存在大量的不确定与风险问题,很多确定性问题实际上就是不确定与风险型问题的特例与简化,财务管理、管理会计中同样也存在大量的不确定与风险型问题,由于该问题比较复杂,一般教材对此问题涉及较少,但利用蒙特卡洛模拟可以揭示不确定与风险型问题的统计规律,还原一个真实的经济与管理客观面貌。 与常用确定性的数值计算方法不同,蒙特卡洛模拟就是用来解决工程与经济中的非确定性问题,通过成千上万次的模拟,涵盖相应的可能概率分布空间,从而获得一定概率下的不同数据与频度分布,通过对大量样本值的统计分析,得到满足一定精度的结果,因此蒙特卡洛模拟就是进行不确定与风险型问题的有力武器。 1、由于蒙特卡洛模拟就是以实验为基础的,因此可以成为财务人员进行风险分析的“实验库”,获得大量有关财务风险等方面的信息,弥补确定型分析手段的不足,避免对不确定与风险决策问题的误导; 2、财务管理、管理会计中存在大量的不确定与风险型问题,目前大多数教材很少涉及这类问题,通过蒙特卡洛模拟,可以对其进行有效分析,解决常用决策方法所无法解决的难题,更加全面深入地分析不确定与风险型问题。 (二)蒙特卡洛模拟步骤以概率型量本利分析为例,蒙特卡洛模拟的分析步骤如下: 1、分析评价参数的特征,如企业经营中的销售数量、销售价格、产品生产的变动成本以及固定成本等,并根据历史资料或专家意见,确定随机变量的某些统计参数; 2、按照一定的参数分布规律,在计算机上产生随机数,如利用EXCEL提供的RAND函数,模拟量本利分析的概率分布,并利用VLOOKUP寻找对应概率分布下的销售数量、销售价格、产品生产的变动成本以及固定成本等参数; 3、建立管理会计的数学模型,对于概率型量本利分析有如下关系式,产品利润=产品销售数量×(产品单位销售价格-单位变动成本)-固定成本,这里需要说明的就是以上分析参数不就是确定型的,就是依据某些概率分布存在的; 4、通过足够数量的计算机仿真,如文章利用RAND、VLOOKUP等函数进行30000次的模拟,得到30000组不同概率分布的各参数的排列与组合,由于模拟的数量比较大,所取得的实验数据具有一定的规律性; 5、根据计算机仿真的参数样本值,利用函数MAX、MIN、A VERAGE等,求出概率型量本利分析评价需要的指标值,通过对大量的评价指标值的样本分析,得到量本利分析中的利润点可能的概率分布,从而掌握企业经营与财务中的风险,为财务决策提供重要的参考。 三、概率型量本利分析与比较 (一)期望值分析方法假设某企业为生产与销售单一产品的企业,经过全面分析与研究,预计未来年度的单位销售价格、销售数量、单位变动成本与固定成本的估计值及相应的概率如表1,其中销售数量单位为件,其余反映价值的指标单位为元,试计算该企业的生产利润。 表1概率型量本利分析参数 项目概率数值 单位销售价格0、3 40 0、4 43 0、3 45 单位变动成本0、4 16 0、2 18 0、4 20 固定成本0、6 28000 0、4 30000 蒙特卡洛模拟法简介 蒙特卡洛(Monte Carlo)模拟是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。具体的，当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用时，可用随机模拟法近似计算出系统可靠性的预计值；随着模拟次数的增多，其预计精度也逐渐增高。由于涉及到时间序列的反复生成，蒙特卡洛模拟法是以高容量和高速度的计算机为前提条件的，因此只是在近些年才得到广泛推广。 这个术语是二战时期美国物理学家Metropolis执行曼哈顿计划的过程中提出来的。 蒙特卡洛模拟方法的原理是当问题或对象本身具有概率特征时，可以用计算机模拟的方法产生抽样结果，根据抽样计算统计量或者参数的值；随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均的方法得到稳定结论。 蒙特卡洛模拟法的应用领域 蒙特卡洛模拟法的应用领域主要有： 1.直接应用蒙特卡洛模拟:应用大规模的随机数列来模拟复杂系统，得到某些参数或重要指标。 2.蒙特卡洛积分:利用随机数列计算积分，维数越高，积分效率越高。 3.MCMC:这是直接应用蒙特卡洛模拟方法的推广，该方法中随机数的产生是采用的马尔科夫链形式。 蒙特卡洛模拟法的概念 （也叫随机模拟法）当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用则可用随机模拟法近似计算出系统可靠性的预计值。随着模拟次数的增多，其预计精度也逐渐增高。由于需要大量反复的计算，一般均用计算机来完成。 蒙特卡洛模拟法求解步骤 应用此方法求解工程技术问题可以分为两类:确定性问题和随机性问题。解题步骤如下： 1.根据提出的问题构造一个简单、适用的概率模型或随机模型，使问题的解对应于该模型中随机变量的某些特征（如概率、均值和方差等），所构造的模型在主要特征参量方面要与实际问题或系统相一致 2 .根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数。通常先产生均匀分布的随机数，然后生成服从某一分布的随机数，方可进行随机模拟试验。 3. 根据概率模型的特点和随机变量的分布特性，设计和选取合适的抽样方法，并对每个随机变量进行抽样（包括直接抽样、分层抽样、相关抽样、重要抽样等）。 4.按照所建立的模型进行仿真试验、计算，求出问题的随机解。 5. 统计分析模拟试验结果，给出问题的概率解以及解的精度估计。 在可靠性分析和设计中，用蒙特卡洛模拟法可以确定复杂随机变量的概率分布和数字特征，可以通过随机模拟估算系统和零件的可靠度，也可以模拟随机过程、寻求系统最优参数等。 蒙特卡洛模拟法的实例 资产组合模拟： 假设有五种资产，其日收益率(%)分别为 0.02460.0189 0.0273 0.0141 0.0311 标准差分别为 0.95091.4259, 1.5227, 1.1062, 1.0877 相关系数矩阵为 1.0000 0.4403 0.4735 0.4334 0.6855 0.4403 1.00000.7597 0.7809 0.4343 0.4735 0.75971.0000 0.6978 0.4926 0.4334 0.78090.6978 1.0000 0.4289 0.6855 0.43430.4926 0.4289 1.0000 假设初始价格都为100，模拟天数为504天，模拟线程为2，程序如下%run.m 第一章：Monte Carlo方法概述 讲课人：Xaero Chang | 课程主页: https://www.360docs.net/doc/8c11750847.html,/notes/intro2mc 本章主要概述Monte Carlo的一些基础知识，另外包括一个最简单的用Monte Carlo方法计算数值积分的例子。 一、Monte Carlo历史渊源 Monte Carlo方法的实质是通过大量随机试验，利用概率论解决问题的一种数值方法，基本思想是基于概率和体积间的相似性。它和Simulation有细微区别。单独的Simulation只是模拟一些随机的运动，其结果是不确定的；Monte Carlo 在计算的中间过程中出现的数是随机的，但是它要解决的问题的结果却是确定的。 历史上有记载的Monte Carlo试验始于十八世纪末期（约1777年），当时布丰（Buffon）为了计算圆周率，设计了一个“投针试验”。（后文会给出一个更加简单的计算圆周率的例子）。虽然方法已经存在了200多年，此方法命名为Monte Carlo则是在二十世纪四十年，美国原子弹计划的一个子项目需要使用Monte Carlo方法模拟中子对某种特殊材料的穿透作用。出于保密缘故，每个项目都要一个代号，传闻命名代号时，项目负责人之一von Neumann灵犀一点选择摩洛哥著名赌城蒙特卡洛作为该项目名称，自此这种方法也就被命名为Monte Carlo方法广为流传。 十一、Monte Carlo方法适用用途 （一）数值积分 计算一个定积分，如，如果我们能够得到f(x)的原函数F(x)，那么直接由表达式: F(x1)-F(x0)可以得到该定积分的值。但是，很多情况下，由于f(x)太复杂，我们无法计算得到原函数F(x)的显示解，这时我们就只能用数值积分的办法。如下是一个简单的数值积分的例子。 数值积分简单示例 如图，数值积分的基本原理是在自变量x的区间上取多个离散的点，用单个点的值来代替该小段上函数f(x)值。 常规的数值积分方法是在分段之后，将所有的柱子（粉红色方块）的面积全部加起来，用这个面积来近似函数f(x)（蓝色曲线）与x轴围成的面积。这样做 蒙特卡洛模拟在财务管理方面的应用 蒙特卡洛模拟的简介 蒙特卡洛(Monte Carlo)模拟是一种通过设定随机过程，反复生成时间序列，计算参数估计量和统计量，进而研究其分布特征的方法。具体的，当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用时，可用随机模拟法近似计算出系统可靠性的预计值；随着模拟次数的增多，其预计精度也逐渐增高。由于涉及到时间序列的反复生成，蒙特卡洛模拟法是以高容量和高速度的计算机为前提条件的，因此只是在近些年才得到广泛推广。 这个术语是二战时期美国物理学家Metropolis执行曼哈顿计划的过程中提出来的。 蒙特卡洛模拟方法的原理是当问题或对象本身具有概率特征时，可以用计算机模拟的方法产生抽样结果，根据抽样计算统计量或者参数的值；随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均的方法得到稳定结论。 一、蒙特卡洛模拟在财务管理方面的应用 在现代财务管理实务中，衡量项目的特有风险的方法主要有三种：敏感性分析、情景分析和模拟分析。其中模拟分析也称为蒙特卡洛模拟。它是从敏感分析和概略分布原理结合的产物。蒙特卡洛模拟分析使用计算机输入影响项目现金流量的基本变量，然后模拟项目运作的过程，最终的得出项目净现值的概率分布。 蒙特卡洛模拟过程通常包括如下步骤： （1）对投资项目建立一个模型，即确定项目净现值与基本变量之间的关系。基本变量包括收入、单价、单位变动成本等。有时使用更 为基本的变量，如人工成本。材料价格，材料消耗量等。 （2）给出基本变量的概率分布。 （3）从关键变量的概率分布中随机选取变量的数值，并计算不同情境下的净现值。 （4）重复多次步骤3，如1000次，直至得到项目净现值具有代表性的概率分布为止。 （5）评估项目净现值的概率分布，它反映了项目的特有风险。 蒙特卡洛模拟方法比情景分析是一个进步。它不是考虑有限的几种结果，而是考虑了无限多的情景。 蒙特卡洛模拟方法的主要局限性在于基本变量的概率信息难以取得。由于分析人员很难挑选到合适的分布来描述摸个变量，也很难选择改分布的各种参数。当这种选择进行的很随意时，我们所得到的模拟结果尽管很吸引人，但实际上用处有限。（财务成本管理，中国注册会计师协会，2011，中国财政出版社） 三、蒙特卡洛模拟在EXCEL上的实现 我们举一个最简单的例子，来说明如何在Excel中构造随机函数。假如有这样一个游戏：首先付14块钱取得投掷一次骰子的权利，如果你投掷骰子的点数为1，你将获得1块钱；点数为2，你将获得4块钱，即你获得的金额是你投掷点数的平方。你是否愿意去玩这样一个游戏？ 为了回答这个问题，我们要去算一下期望收益。一个简单的方法是多次模拟这个游戏，然后求每次结果的平均值。 在Excel中模拟，首先你需要使用Rand()函数生成[0,1)之间的随机数。由于骰子每个点数的概率相同，是均匀分布，所以可以使用Rand()函数来产生随机数。蒙特卡洛模拟方法作业及答案(附程序)
蒙特卡罗方法(MC)
蒙特卡洛模拟原理及步骤
蒙特卡罗方法的解题过程可以归结为三个主要步骤
蒙特卡罗方法简介
(定价策略)期权定价中的蒙特卡洛模拟方法
蒙特卡罗方法及应用实验讲义2016资料
运用蒙特卡罗模拟进行风险分析
蒙特卡洛模拟法
蒙特卡洛方法模拟小例子
蒙特卡罗(Monte Carlo)方法简介
项目管理常用工具蒙特卡罗
蒙特卡洛模拟原理及步骤
蒙特卡洛模拟法简介
蒙特卡罗算法与matlab(精品教程)
蒙特卡洛模拟在财务管理方面的应用-正略咨询