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:
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
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:
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:
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)
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:
采用退化转移核:
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
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:
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
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:
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。
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~
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),
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。
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。