python数据可视化分析速成笔记_2-2_布朗运动/几何布朗运动(伊藤过程)实现的demo[通俗易懂]

全栈程序员-用户IM • 2022年8月3日下午2:46 • 未分类

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

第二天/第三天

目标_不分先后:

　实践部分：　　

重点熟悉：numpy，scipy，matplotlib，random，https://docs.spyder-ide.org/

　　实际上如果是熟悉matlab操作的大神们应该改会发现这些包和matlab里面的是相通的

　　python 大杂烩实锤

重点

简单的方程求解曲线参数，模拟图像
最小二乘法拟合,回归模型,

　　　了解微分方程模拟

解常微分方程，模拟图像
解偏微分方程，模拟图像

　　　　时间关系，看看实现例子，然后自己写

布朗运动
维纳过程
几何布朗运动(ito模拟)

运用以上模型直接模拟归奥价格走势

　　理论部分：　　

复习，推导，理解，几何布朗运动模型，伊藤引理（如果时间不够，跳过这一步）
1. 期权与股票的性质—
  https://blog.csdn.net/Hellolijunshy/article/details/101028026
2. 期权的交易策略
3. 期权二叉树（BSM模型原理的基础和推导就是基于期权二叉树模拟的随机游走过程

知乎专栏——AI和金融模型——第一篇文章开始

　　　　重点：

维纳过程和伊藤引理
BSM，几何布朗运动与布朗运动

时间：24h

反馈：

总体任务完成情况：
- 大致完成了基本过程，还剩下一个ito没有实现推导，理论没有完全看完，
难点：
- 主要是函数用起来不熟练，而且对函数的目的不了解
- 微积分不熟，对公式的本质，推导过程理解很浅薄。

一开始不知道用函数怎么实现，还以为布朗运动模拟运动的模拟要积分，实际上运用的是正态分布+时间函数求和，

因为时间点是离散的，用定义法求积分，

dx = a*dt + b*dz，∑a*dt = T，dz=e*sqrt（dt），e~（0，1），∑dz=（sqrt（dt））*∑ e

伊藤引理也是这样，只是它的积分式是微分方程，由公式：dS/S=u* dt+e* o* sqrt(dt)，求 S ，需要用微分方程来推导

最后会得到几何布朗运动的基本公式

收获与反思：
- 现在可以实现布朗运动/几何布朗运动模拟股市图像，数据还没有找
- 更加深刻地理解了公式地推导过程
- 加深了对正态分布的理解,复习了微分方程
- 实践带动理解
- 背函数啥的不如直接看大佬们的代码，一行一行理解，反正用的多的就那几个

代码实现:

python数据可视化分析速成笔记_2-2_布朗运动/几何布朗运动(伊藤过程)实现的demo[通俗易懂]

 1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Mon May  4 20:43:06 2020
 4 
 5 @author: 10913
 6 """
 7 
 8 
 9 import numpy as np
10 import matplotlib.pyplot as plt
11 
12 
13 
14 '''
15 
16 
17 几何布朗运动:
18     St=S0*exp(ut)
19     St=S0*exp(u t+o e sqrt(dt))
20     
21     St=S0*exp(a t+b z)
22 
23 
24 '''
25 D=250   #250个交易日
26 T=1.0   #总时间1年
27 dt=T/D   #单位时间
28 
29 '''
30 另一种写法
31 S=np.zeros((M+1,I))
32 
33 S[0]=S0 #定义S[0]=S0
34 
35 for t in range(1,M+1):
36 
37     S[t]=S[t-1]*np.exp(mean*dt+sigma*np.sqrt(dt)*np.random.standard_normal(I))
38 
39 '''
40 s0=100   #初始价格
41 i=4
42 st=np.zeros((i,D))
43 st[0]=s0
44 a=0.15
45 b=0.3
46 n=round(T/dt)#dimension
47 plt.subplot(212)
48 for g in range(1, i):
49     t=np.linspace(0,T,n)
50     e=np.random.standard_normal(size=n)
51     z=np.cumsum(e)*np.sqrt(dt)
52     x=a*t+b*z;
53     st[g]=st[0]*np.exp(z)
54     
55     plt.plot(t,st[g],label='st'+str(g))
56     
57 
58 plt.legend()
59 plt.show()