热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

opcr参数ua_R语言非参时间序列(一):MetropolisHastings算法——不同转移核的思考…

MCMC在金融工程中有着重要作用,它可以用来仿真产品价格分布以及波动,可以用来求解模型中的参数。Metropolis-Hastings算法是一种常用的MCMC算法,本文是我在使

MCMC在金融工程中有着重要作用,它可以用来仿真产品价格分布以及波动,可以用来求解模型中的参数。Metropolis-Hastings算法是一种常用的MCMC算法,本文是我在使用MCMC时候的一些思考,和大家一起分享。阅读本文需要对MCMC有一定的认识,本文默认读者熟悉MCMC,并在此基础上对一些技术细节给出了自己的思考。文中算例采用R语言实现,每一个算例都非常简单,但是很具有代表性,如有不正确的地方,希望大家多多批评,多多指正。




0、Metropolis-Hastings算法回顾

算法的作用,是在已知某种概率密度函数(pdf)的情况下,生成一族服从这种概率密度函数的随机数。这里的概率分布函数应该是比较奇葩的,不然我们也不会用到MH算法。或者,是在已知某种函数的情况下,生成一族随机数,这族随机数的直方图的中点连线就是这个函数。说白了,这个函数就是非正则pdf。我这里说的pdf,可以是连续的,也可以是离散的。

转移核Q: 这个转移核的作用可以以某一个概率把i变为j,这个概率我们表示为Q(i,j)。例如某一个转移核能够以3/14的概率把7变成12.8,那么Q(7,12.8)=3/14。如果是离散的转移核,那我们很好理解,它可以是马尔科夫过程,Q就是马氏链的转移矩阵。如果是连续的转移核,那Q就应该是概率密度函数。

仿真目标P:算法的任务是生成一组随机数{




那么




我们这里使用MH算法,并采用一种随机游走的建议转移核。为什么要使用随机游走的建议转移核?事实上我们用什么核都行,这里我们先使用一种典型转移核,如下:




9658582de7a3d2ee76a241ab2146adc7.png

不带吸收壁的9×9对称马尔科夫随机游走转移矩阵

library(ggplot2)
set.seed(1234)#随机数种子
P<-c(9,1,8,2,7,3,6,4,5)/45#我们的目标概率分布
theta1<-2#初始值
iter<-10000#迭代次数
chain<-vector(length = iter)#要生成的一族随机数
for (i in seq_len(iter)){
if (theta1==1){
ifelse(runif(1)<0.5,theta<-theta1,theta<-theta1+1)
}else if(theta1==11){
ifelse(runif(1)<0.5,theta<-theta1,theta<-theta1-1)
}else{
ifelse(runif(1)<0.5,theta<-theta1+1,theta<-theta1-1)
}#这个部分其实是转移核Q,对theta1进行转移,Q服从无吸收壁随机游走
u<-runif(1)
a<-min(1,P[theta]*0.5/P[theta1]/0.5)#注意:Q(i,j)=0.5,Q(j,i)=0.5
if (u theta1<-theta
}
chain[i]<-theta1
}
chain1<-as.data.frame(chain)
ggplot(chain1, aes(x=chain))+
geom_histogram(bins = 9)#直方图



448afd93b37651040bf0e202aa3c2b4a.png

仿真结果

2、对(非正则)离散分布仿真,采用一个很奇怪的转移核(体现出转移核的随意性)

假设我们要随机生成的随机变量X,需要满足如下的离散分布:




812a22410aadbb8d68ec7b40dcd21099.png

我们说过转移核可以随意选取,到底可以多随意呢?我们不妨采用如下的一个转移核:




3eb7c0de71dc538fa1e2753305ea5ebb.png

瞎编的数字代表我们可以随意找一个转移核

数字是我瞎编的,我们来试一试:


library(ggplot2)
set.seed(1234)
P<-c(1,3,2)/6
theta1<-2#初始值
iter<-100000#迭代次数
Q<-matrix(c(0.234,0.145,0.621,0.66,0,0.34,0.1111,0.2222,0.6667),nr=3,byrow = F)
chain<-vector(length = iter)#要生成的一族随机数
for (i in seq_len(iter)){
if (theta1==1){
theta<-sample(c(1:3),prob = c(0.234,0.145,0.621),size = 1)
}else if(theta1==2){
theta<-sample(c(1:3),prob = c(0.66,0,0.34),size = 1)
}else{
theta<-sample(c(1:3),prob = c(0.1111,0.2222,0.6667),size = 1)
}#这个部分其实是转移核Q,对theta1进行转移
u<-runif(1)
a<-min(1,P[theta]*Q[theta1,theta]/P[theta1]/Q[theta,theta1])
if (u theta1<-theta
}
chain[i]<-theta1
}
chain1<-as.data.frame(x1<-c(14,7,22)[chain])
ggplot(chain1, aes(x=x1))+
geom_histogram(bins = 3)



34bb7402c649238ac606b291f8811741.png

仿真结果

3、对(非正则)离散分布仿真,采用退化转移核(为后面的内容做铺垫)

假设我们要随机生成的随机变量X,需要满足如下的离散分布:




f6a386f8f01d1676604b2817851e21b2.png

采用退化转移核:




762c8e24cb33829519569893e89ba2f8.png

9*9退化转移核

退化转移核作用是对于任意的i,j,Q(i,j)=1/9,我们于是发现一个问题Q(i,j)=Q(j,i)=c了。


library(ggplot2)
set.seed(1234)#随机数种子
P<-c(9,1,8,2,7,3,6,4,5)/45#我们的目标概率分布
theta1<-1#初始值
iter<-10000#迭代次数
chain<-vector(length = iter)#要生成的一族随机数
for (i in seq_len(iter)){
theta<-sample(1:9,size=1)#这个部分其实是转移核Q,对theta1进行转移
u<-runif(1)
a<-min(1,P[theta]/P[theta1])#注意:Q(i,j)=Q(j,i)=c,已经约去
if (u theta1<-theta
}
chain[i]<-theta1
}
chain1<-as.data.frame(chain)
ggplot(chain1, aes(x=chain))+
geom_histogram(bins = 9)#直方图



3f422698c5feaad5622c36226101407c.png

4、对(非正则)连续分布仿真,采用连续转移核

这里才是我们讨论的重点,连续转移核和离散转移核其实是一样的,只不过i和j可以去连续数值而已。举个例子,假如我们现在在处在位置是8.18,假如我们的转移核是连续的,并且是正态分布(均值为8.18,假设标准差为3),那么我们可以计算一下从8.18转移到13的概率Q(8.18,13)=0.4459,也就是说它将以44.59%的概率转移到13,那向左移动到2.22呢?Q(8.18,2.21)=0.023,也就是说它将以2.3%的概率移动到2.21。我们从图上可以感知一下,什么是连续的转移核:




108a74d99d565f17e6e078c1e2fb309f.png

蓝线所在位置是8.18,它将以进行正态分布(标准差假设为3)为转移核进行转移



64409b6107893ed3de8c4faa84f839cb.png

现在蓝线转移到绿线(x=3)了,我们计算出来Q(8.18,13)=0.4459

那么我们可以发现转移是对称的,什么叫对称呢,就是Q(i,j)=Q(j,i),也就是Q(8.18,13)=Q(13,8.18),我们可以从图上一眼看出来:




0bf767ccdeeba342429b708cf7307fb5.png

从蓝线转移到绿线和从绿线转移到蓝线有着相同的概率分布

那么我们来试一试:假如我要实现X~





我们假设此时我们在位置1(红线),我们采用正态转移核(标准差为3),可是我们不能转移到小于0的的地方,所以我们必须对转移核进行截断!形成一种截断转移核。



5c00ab28c23bef08827c07db09d688d0.png

我们假设此时我们在位置3.4(红线),我们采用正态转移核(标准差为3),可是我们不能转移到小于0的的地方,所以我们必须对转移核进行截断!形成一种截断转移核。

我们来试一试:

实现X~







d6e3b21f23da8f9e774861f27b7a731d.png

上图是MH结果,下图是真实的pdf

5、对(非正则)连续分布仿真,采用连续退化转移核

5其实就是对3的衍生,退化转移核在连续分布下其实就是均匀分布,但是有一个问题,这个均匀分布的取值范围是什么?我们首先来试一试,取值范围是【x-3,x+3】的情形:

此时,Q(i,j)=Q(j,i),


library(ggplot2)
set.seed(1234)#随机数种子
P<-function(x) 0.5*x^2*exp(-x)
theta1<-rnorm(1,mean = 5)
iter<-20000
chain<-vector(length = iter)
for (i in seq_len(iter)){
theta<-runif(1,min = theta1-3,max=theta1+3)
if (theta<0){
theta<-theta1
}
u<-runif(1)
a<-min(P(theta)/P(theta1),1)#建议分布是概率密度函数
if (u theta1<-theta
}
chain[i]<-theta1
}
chain1<-as.data.frame(chain)
ggplot(chain1, aes(x=chain))+
geom_histogram(bins = 100)



16dcf91be98ca5b4d33c739bfeb31815.png

6、对(非正则)连续分布仿真,转移核已经退化,没有转移核了

什么意思?如果5中,我们的均匀分布无限延长就是没有转移核了,我们会取一个大于0的随机点,我们先假设是0到1000,我们先试一试。


library(ggplot2)
set.seed(1234)#随机数种子
P<-function(x) 0.5*x^2*exp(-x)
theta1<-4
iter<-200000
chain<-vector(length = iter)
for (i in seq_len(iter)){
theta<-runif(1,min =0,max=1000)
if (theta<0){
theta<-theta1
}
u<-runif(1)
a<-min(P(theta)/P(theta1),1)#建议分布是概率密度函数
if (u theta1<-theta
}
chain[i]<-theta1
}
chain1<-as.data.frame(chain)
ggplot(chain1, aes(x=chain))+
geom_histogram(bins = 100)



934b4c28f2cfbb3058c1bef48d0d8a22.png

问题出在20万次的仿真对于0,1000这个随机转移区间来说远远不够,也体现出了这种方法效率的低下


有点困了,先写这么多吧。star19950818@foxmail.com。




推荐阅读
  • 苹果官方在线商店(中国)提供了关于MacBook Pro的详细信息。通过先进的工厂校准技术,新MacBook Pro能够精确地适应多种色彩空间标准,如sRGB、BT.601、BT.709及P3-ST.2084(HDR),确保用户获得最佳视觉效果。 ... [详细]
  • 如何高效学习鸿蒙操作系统:开发者指南
    本文探讨了开发者如何更有效地学习鸿蒙操作系统,提供了来自行业专家的建议,包括系统化学习方法、职业规划建议以及具体的开发技巧。 ... [详细]
  • 本文详细介绍了PHP中几个常用的数组回调函数,包括array_filter、array_map、array_walk和array_reduce。通过具体的语法、参数说明及示例,帮助开发者更好地理解和使用这些函数。 ... [详细]
  • Python网络编程:深入探讨TCP粘包问题及解决方案
    本文详细探讨了TCP协议下的粘包现象及其产生的原因,并提供了通过自定义报头解决粘包问题的具体实现方案。同时,对比了TCP与UDP协议在数据传输上的不同特性。 ... [详细]
  • 本文介绍了使用Python和C语言编写程序来计算一个给定数值的平方根的方法。通过迭代算法,我们能够精确地得到所需的结果。 ... [详细]
  • 本文提供了一个详尽的前端开发资源列表,涵盖了从基础入门到高级应用的各个方面,包括HTML5、CSS3、JavaScript框架及库、移动开发、API接口、工具与插件等。 ... [详细]
  • 深入解析Java SE、Java EE和Java Web的核心知识体系
    通过一系列图表全面解析Java SE、Java EE与Java Web的核心知识体系,帮助开发者快速掌握这些关键技术领域的要点。 ... [详细]
  • 本文详细探讨了如何根据不同的应用场景选择合适的PHP版本,包括多版本切换技巧、稳定性分析及针对WordPress等特定平台的版本建议。 ... [详细]
  • 本文探讨了如何使用Scrapy框架构建高效的数据采集系统,以及如何通过异步处理技术提升数据存储的效率。同时,文章还介绍了针对不同网站采用的不同采集策略。 ... [详细]
  • egg实现登录鉴权(七):权限管理
    权限管理包含三部分:访问页面的权限,操作功能的权限和获取数据权限。页面权限:登录用户所属角色的可访问页面的权限功能权限:登录用户所属角色的可访问页面的操作权限数据权限:登录用户所属 ... [详细]
  • PHP中Smarty模板引擎自定义函数详解
    本文详细介绍了如何在PHP的Smarty模板引擎中自定义函数,并通过具体示例演示了这些函数的使用方法和应用场景。适合PHP后端开发者学习。 ... [详细]
  • 本题提供了一个区间数组 intervals,其中每个区间 intervals[i] 包含两个整数 [starti, endi],并且所有 starti 值各不相同。任务是找到每个区间的右侧区间,即存在一个区间 j 满足 startj >= endi 并且 startj 是尽可能小的。返回一个数组,该数组包含每个区间右侧区间的索引;如果没有合适的右侧区间,则返回 -1。 ... [详细]
  • C/C++ 应用程序的安装与卸载解决方案
    本文介绍了如何使用Inno Setup来创建C/C++应用程序的安装程序,包括自动检测并安装所需的运行库,确保应用能够顺利安装和卸载。 ... [详细]
  • 10月19日,限量免费参与IBM云计算大会
    10月19日,限量免费报名参加IBM云计算大会,探索前沿科技,推动商业转型。 ... [详细]
  • 本文分享了作者在使用LaTeX过程中的几点心得,涵盖了从文档编辑、代码高亮、图形绘制到3D模型展示等多个方面的内容。适合希望深入了解LaTeX高级功能的用户。 ... [详细]
author-avatar
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有