蒙特卡洛模拟法
蒙特卡洛模型方法
二、理论和方法
蒙特卡洛模拟早在四十年前就用于求解核物理方面的问题。当管理问题更为复杂时，传统的数学方法就难以进行了。模拟是将一个真实事物模型化，然后对该模型做各种实验，模拟也是一个通过实验和纠正误差来寻求最佳选择的数值性求解的过程。模拟作为一种有效的数值处理方法，计算量大。以前只是停留在理论探讨上，手工是无法完成的。在管理领域由于规律复杂随机因素多，很多问题难以用线性数学公式分析和解决，用模拟则有效得多。在新式的计算机普及后，用模拟技术来求解管理问题已成为可能。
从表中数据可以看到，一直到公元20世纪初期，尽管实验次数数以千计，利用蒙特卡罗方法所得到的圆周率∏值，还是达不到公元5世纪祖冲之的推算精度。这可能是传统蒙特卡罗方法长期得不到推广的主要原因。
计算机技术的发展，使得蒙特卡罗方法在最近10年得到快速的普及。现代的蒙特卡罗方法，已经不必亲自动手做实验，而是借助计算机的高速运转能力，使得原本费时费力的实验过程，变成了快速和轻而易举的事情。它不但用于解决许多复杂的科学方面的问题，也被项目管理人员经常使用。
设有统计独立的随机变量Xi（i＝1，2，3，…，k），其对应的概率密度函数分别为fx1，fx2，…，fxk，功能函数式为Z＝g（x1，x2，…，xk）。
随机模拟
随机模拟（蒙特卡罗算法）一 随机模拟法随机模拟法也叫蒙特卡罗法，它是用计算机模拟随机现象，通过大量仿真试验，进行分析推断，特别是对于一些复杂的随机变量，不能从数学上得到它的概率分布，而通过简单的随机模拟就可以得到近似的解答。
M onte Carlo 法也用于求解一些非随机问题，如重积分、非线性方程组求解、最优化问题等。
需要指出的是，Monte Carlo 计算量大，精度也不高，因而主要用于求那些解析方法或常规数学方法难解问题的低精度解，或用于对其他算法的验证。
蒙特卡罗方法的基本思想是：当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。
在解决实际问题的时候应用蒙特·卡罗方法主要有两部分工作： 用蒙特卡罗方法模拟某一过程时，需要产生各种概率分布的随机变量。
用统计方法把模型的数字特征估计出来，从而得到实际问题的数值解。
使用蒙特卡罗方法进行分子模拟计算是按照以下步骤进行的：使用随机数发生器产生一个随机的分子构型。
对此分子构型的其中粒子坐标做无规则的改变，产生一个新的分子构型。
计算新的分子构型的能量。
比较新的分子构型于改变前的分子构型的能量变化，判断是否接受该构型。
若新的分子构型能量低于原分子构型的能量，则接受新的构型。
若新的分子构型能量高于原分子构型的能量，则计算玻尔茲曼常数，同时产生一个随机数。
若这个随机数大于所计算出的玻尔兹曼因子，则放弃这个构型，重新计算。
若这个随机数小于所计算出的玻尔兹曼因子，则接受这个构型，使用这个构型重复再做下一次迭代。
如此进行迭代计算，直至最后搜索出低于所给能量条件的分子构型结束。
二 随机模拟法应用实例考虑二重积分(,)AI f x y dxdy =⎰⎰,其中(,)0,(,)f x y x y A ≥∀∈根据几何意义，它是以(,)f x y 为曲面顶点，A 为底的柱体C 的体积。
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。
蒙特卡洛方法
蒙特卡洛方法1、蒙特卡洛方法的由来蒙特卡罗分析法（Monte Carlo method），又称为统计模拟法，是一种采用随机抽样（Random Sampling）统计来估算结果的计算方法。
由于计算结果的精确度很大程度上取决于抽取样本的数量，一般需要大量的样本数据，因此在没有计算机的时代并没有受到重视。
第二次世界大战时期，美国曼哈顿原子弹计划的主要科学家之一，匈牙利美藉数学家约翰·冯·诺伊曼（现代电子计算机创始人之一）在研究物质裂变时中子扩散的实验中采用了随机抽样统计的手法，因为当时随机数的想法来自掷色子及轮盘等赌博用具，因此他采用摩洛哥著名赌城蒙特卡罗来命名这种计算方法，为这种算法增加了一层神秘色彩。
蒙特卡罗方法提出的初衷是用于物理数值模拟问题, 后来随着计算机的快速发展, 这一方法很快在函数值极小化、计算几何、组合计数等方面得到应用, 于是它作为一种独立的方法被提出来, 并发展成为一门新兴的计算科学, 属于计算数学的一个分支。
如今MC 方法已是求解科学、工程和科学技术领域大量应用问题的常用数值方法。
2、蒙特卡洛方法的核心—随机数蒙特卡洛方法的基本理论就是通过对大量的随机数样本进行统计分析，从而得到我们所需要的变量。
因此蒙特卡洛方法的核心就是随机数，只有样本中的随机数具有随机性，所得到的变量值才具有可信性和科学性。
在连续型随机变量的分布中, 最基本的分布是[0, 1]区间上的均匀分布, 也称单位均匀分布。
由该分布抽取的简单子样ξ1，ξ2ξ3 ……称为随机数序列, 其中每一个体称为随机数, 有时称为标准随机数或真随机数, 独立性和均匀性是其必备的两个特点。
真随机数是数学上的抽象, 真随机数序列是不可预计的, 因而也不可能重复产生两个相同的真随机数序列。
真随机数只能用某些随机物理过程来产生, 如放射性衰变、电子设备的热噪音、宇宙射线的触发时间等。
实际使用的随机数通常都是采用某些数学公式产生的，称为伪随机数。
蒙特卡洛方法
蒙特卡洛方法整理介绍
通常蒙特卡罗方法通过构造符合一定规则的随机数来解决数学上的各种问题。
对于那些由于计算过于复杂而难以得到解析解或者根本没有解析解的问题，蒙特卡罗方法是一种有效的求出数值解的方法。
一般蒙特卡罗方法在数学中最常见的应用就是蒙特卡罗积分。
积分[编辑]
非权重蒙特卡罗积分，也称确定性抽样，是对被积函数变量区间进行随机均匀抽样，然后对被抽样点的函数值求平均，从而可以得到函数积分的近似值。
此种方法的正确性是基于概率论的中心极限定理。
当抽样点数为m时，使用此种方法所
得近似解的统计误差只与m有关（与正相关），不随积分维数的改变而改变。
因此当积分维度较高时，蒙特卡罗方法相对于其他数值解法更优。
圆周率[编辑]
蒙特卡洛方法可用于近似计算圆周率：让计算机每次随机生成两个0到1之间的数，看以这两个实数为横纵坐标的点是否在单位圆内。
生成一系列随机点，统计单位圆内的点数与总点数，（圆面积和正方形面积之比为PI:4，PI为圆周率），当随机点取得越多时，其结果越接近于圆周率（然而准确度仍有争议：即使取10的9次方个随机点时，其结果也仅在前4位与圆周率吻合）。
用蒙特卡洛方法近似计算圆周率的先天不足是：第一，计算机产生的随机数是受到存储格式的限制的，是离散的，并不能产生连续的任意实数；上述做法将平面分割成一个个网格，在空间也不是连续的，由此计算出来的面积当然与圆或多或少有差距。
蒙特卡罗算法
蒙特卡洛算法算法简介：蒙特·卡罗方法（Monte Carlo method），也称统计模拟方法，是二十世纪四十年代中期由于科学技术的发展和电子计算机的发明，而被提出的一种以概率统计理论为指导的一类非常重要的数值计算方法。
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。
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·卡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。
蒙特·卡罗方法在金融工程学，宏观经济学，计算物理学(如粒子输运计算、量子热力学计算、空气动力学计算)等领域应用广泛。
背景知识：蒙特卡洛是摩纳哥公国第一大城市，与澳门、美国拉斯维加斯并称世界三大赌城。
位于地中海沿岸，首都摩纳哥之北，建于阿尔卑斯山脉突出地中海的悬崖之上。
景色优美，是地中海地区旅游胜地。
市内建有豪华的旅馆、俱乐部、歌剧院、商店、游泳池、温泉浴室、运动场等娱乐设施。
城内开设有蒙特卡洛大赌场。
赌场建于1865年，为双层楼建筑，上有钟楼、塔厅和拱形亭阁，还饰以若干人物雕塑，庭前棕榈树成行，还辟有花园，旁边有大酒店和酒吧间。
整个城市在旺季时，约有赌场70多个，约有赌室3500间左右。
蒙特卡罗赌场由国家经营。
当地的其他活动，许多也带有赌博色彩。
游客住的旅店房间，有抽奖的号码，中奖的免付部分房费。
早餐的牛奶麦片粥里，如遇上金属牌子，亦可领奖。
该城只有1万人口，但每天报纸销量可达100万份，因为报纸上都印有可能得奖的号码。
游客最后离境，购买的车票上也印有彩票号码，于离境前开彩。
经营赌业是摩纳哥的主要经济来源，每年都从赌业中收取高额外汇利润。
蒙特卡洛算法简单描述：以概率和统计理论方法为基础的一种计算方法。
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。
比如，给定x=a，和x=b，你要求某一曲线f和这两竖线，及x轴围成的面积，你可以起定y轴一横线y=c 其中c>=f(a) and c>=f(b)，很简单的，你可以求出y=c,x=a,x=b,及x轴围成的矩形面积，然后利用随机参生生大量在这个矩形范围之类的点，统计出现在曲线上部点数和出现在曲线下部点的数目，记为：doteUpCount,nodeDownCount,然后所要求的面积可以近似为doteDownCounts所占比例*矩形面积。
清华大学电力系统不确定性分析-----05蒙特卡罗模拟法_108801540
例题——利用变换方法生成标准 正态分布的随机变量
设对随机数 U1，U2 做下列变换：
N1 2 ln U 1 cos 2U 2 N 2 2 ln U 1 sin 2U 2
证明 N1， N2 为相互独立的服从 N(0， 1)分布的随机变量。
u1 1 2 n1 exp n12 n2 n1 2 u2 1 n 2 2 2 n1 2 n1 n2
舍选抽样方法
根据满足一定的检验条件进行舍选，以得到所需随机 变量的抽样值
设随机变量 η的密度函数 f x 可以表示 为 f x L
h x
g x, y dy
产生随机数（x，y）
其中 g x, y 是随机变量 X , Y 的联合密 度函数， h x 在 Y 的定义域上取常值，L 为一常量。则随机变量η的抽样过程为：
9
蒙特卡洛法的一般性原理
确定性问题
y
1
在正方形 0 x 1 ， 0 y 1 中随机地均匀地 投掷一点(ξ,η)，试求该点落在曲线 y f ( x) 下的
y=f(x)
概率 p。用 S 表示曲线 y f ( x) 下的区域；设ξ和η
S
相互独立，在[0,1]上满足均匀分布。于是有
dx 1
成立，其中α为置信度，1-α为置信水平。于是，可以根据问题的要求确定出 置信水平，按照正态分布表确定 cα，从而得到估计 GN 与真值 G 之间的误差
GN G
15
c N
蒙特卡洛模拟法计算指标的收敛过程示例
失稳概率 0.06 0.05 0.04 0.03 0.02 0.01 0 0
求出π值
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"。
蒙特卡洛方法
蒙特卡罗法也称统计模拟法、统计试验法。
是把概率现象作为研究对象的数值模拟方法。
是按抽样调查法求取统计值来推定未知特性量的计算方法。
蒙特卡罗是摩纳哥的著名赌城，该法为表明其随机抽样的本质而命名。
故适用于对离散系统进行计算仿真试验。
在计算仿真中，通过构造一个和系统性能相近似的概率模型，并在数字计算机上进行随机试验，可以模拟系统的随机特性。
概念蒙特卡罗法(又称统计试验法)是描述装备运用过程中各种随机现象的基本方法，而且它特别适用于一些解析法难以求解甚至不可能求解的问题，因而在装备效能评估中具有重要地位。
用蒙特卡罗法来描述装备运用过程是1950年美国人约翰逊首先提出的。
这种方法能充分体现随机因素对装备运用过程的影响和作用。
更确切地反映运用活动的动态过程。
在装备效能评估中，常用蒙特卡罗法来确定含有随机因素的效率指标，如发现概率、命中概率、平均毁伤目标数等；模拟随机服务系统中的随机现象并计算其数字特征；对一些复杂的装备运用行动，通过合理的分解，将其简化成一系列前后相连的事件，再对每一事件用随机抽样方法进行模拟，最后达到模拟装备运用活动或运用过程的目的。
基本思路蒙特卡罗法的基本思想是：为了求解问题，首先建立一个概率模型或随机过程，使它的参数或数字特征等于问题的解：然后通过对模型或过程的观察或抽样试验来计算这些参数或数字特征，最后给出所求解的近似值。
解的精确度用估计值的标准误差来表示。
蒙特卡罗法的主要理论基础是概率统计理论，主要手段是随机抽样、统计试验。
用蒙特卡罗法求解实际问题的基本步骤为：(1)根据实际问题的特点．构造简单而又便于实现的概率统计模型．使所求的解恰好是所求问题的概率分布或数学期望；(2)给出模型中各种不同分布随机变量的抽样方法；(3)统计处理模拟结果，给出问题解的统计估计值和精度估计值。
优缺点蒙特卡罗法的最大优点是:1.方法的误差与问题的维数无关。
2.对于具有统计性质问题可以直接进行解决。
3.对于连续性的问题不必进行离散化处理蒙特卡罗法的缺点则是:1.对于确定性问题需要转化成随机性问题。
基于VaR预测的历史模拟法与蒙特卡洛模拟法的比较
3、操作简单，易于实现。
3、操作简单，易于实现。
1、考虑更多的互联网金融产品，以更全面地反映市场风险。 2、采用其他风险度量方法，如压力测试、极值理论等，以便更准确地评估极 端风险。
3、操作简单，易于实现。
3、结合机器学习方法，提高VaR模型的预测精度和鲁棒性。
参考内容三
一、引言
一、引言
二、蒙特卡罗模拟法
具体步骤如下： 1、选择一个适合的市场模型（例如随机游走模型），并设定参数。 2、使用随机数生成器模拟市场变动，根据所选的市场模型生成“未来”的价 格走势。
二、蒙特卡罗模拟法
3、基于这些模拟的价格走势，计算投资组合的损失分布，然后根据所选的置 信水平计算VaR。
参考内容二
内容摘要
参考内容
内容摘要
在金融风险管理中，风险测量是至关重要的一环，其中值在险（Value at Risk，简称VaR）模型是一种广泛使用的风险测量方法。它量化了在正常市场环 境下，某一特定投资组合在特定期限内可能遭受的最大损失。准确地测量VaR对 于金融机构来说，不仅有助于日常的风险管理，还能在关键决策中提供重要依据。
3、计算 VaR：通过对历史数据进行排序，计算给定置信水平下的 VaR值。
1、定义资产价格过程：根据资产价格变化的随机过程定义模型； 2、生成随机情景：通过随机数生成器生成未来市场情景；
3、计算 VaR：通过对历史数据进行排序，计算给定置信水平下的 VaR值。
3、计算资产价格：根据定义的资产价格过程计算每个情景下的资产价格； 4、计算 VaR：通过模拟大量情景，计算给定置信水平下的 VaR值。
一、引言
因此，本次演示旨在研究基于DeltaNormal方法和历史模拟法的VAR算法，并 以股指期货高频数据为例进行分析。通过结合这两种方法，我们希望能够得到更 准确、更全面的VAR估计。
分子模拟蒙特卡罗法
分子模拟蒙特卡罗法蒙特卡罗法在科学计算中具有广泛的应用，其中之一就是分子模拟。
分子模拟是通过计算机模拟分子间相互作用的方法，用于研究分子的结构、性质和行为。
而蒙特卡罗法则是一种基于概率统计的模拟方法，通过随机抽样来估计问题的解。
在分子模拟中，蒙特卡罗法被广泛应用于模拟分子的构象、能量、热力学性质等。
在分子模拟中，蒙特卡罗法的基本思想是通过随机抽样来模拟分子的运动。
分子的运动可以被看作是一系列的状态转换，每个状态对应着分子的构象和能量。
蒙特卡罗法通过随机选择一个新的状态，并根据一定的准则来决定是否接受这个状态。
这个准则可以是Metropolis准则，即按照一定的概率接受新状态，以探索能量更低的状态。
通过不断迭代，蒙特卡罗法可以模拟分子在不同温度下的构象和能量分布。
分子模拟蒙特卡罗法的一个重要应用是研究蛋白质的折叠问题。
蛋白质的折叠是指蛋白质在生物体内从线性链状结构转变为具有特定构象的过程。
蛋白质的折叠过程涉及到大量的自由度，因此很难通过实验手段来研究。
蒙特卡罗法可以通过模拟蛋白质的构象空间来研究其折叠过程，从而揭示蛋白质折叠的机制。
除了蛋白质的折叠，分子模拟蒙特卡罗法还可以用于研究分子间的相互作用。
例如，可以通过模拟分子在溶液中的行为来研究溶剂对溶质的溶解过程。
这对于理解溶液中的化学反应、溶解度等问题具有重要意义。
此外，蒙特卡罗法还可以用于模拟分子在各种条件下的热力学性质，如气体的压力、液体的密度等。
分子模拟蒙特卡罗法的优点在于可以在计算机上模拟大量分子的行为，从而获得大量统计数据。
这些数据可以用于解释实验观测结果、预测新材料的性质、设计新药物等。
然而，蒙特卡罗法也存在一些限制，如计算复杂度较高、需要选择合适的模型和参数等。
因此，在应用分子模拟蒙特卡罗法时需要谨慎选择模型和参数，并结合实验结果进行验证。
分子模拟蒙特卡罗法是一种重要的计算方法，可以用于研究分子的结构、性质和行为。
通过随机抽样和状态转换，蒙特卡罗法可以模拟分子的构象、能量、热力学性质等。
蒙特卡罗模拟及例
1）问题背景
返回 D 吸收
三种 状态
穿透
阐述中子的运动， 2）简化假设： 为模拟做理论准备 *1 假定屏蔽层平行板厚度为D=3d，其中d 为两次碰撞之间中子的平均游动距离；
*2 假设在第10 次碰撞以后，中子速度下降到 为某一很小数值而终止运动（被引收）. *3 假定中子在屏蔽层内相继两次碰撞之间游 动的距离服从指数分布；
4
计算机上做n次掷点试验： 产生n 对二维随机点(xi，yi) ，i＝1 ,2, …, n .
其中，xi 和yi 是RND 随机数对. 检查每对数是否满足: 相当于第i 2 2 x i yi 1 个随机点落 在1/4圆内. 若有k 个点落在l／4圆内 随机事件“点落入1/4圆内”的 频率为 k/n
中子数(个) 穿透(%)
100 1000 3000 5000 30.0 26.0 26.5 26.3
吸收(%)
28.0 23.4 21.8 22.0
返回(%)
42.0 50.6 51.7 51.7
中子穿透屏蔽层的百分比超过了1/4，模拟结 果表明屏蔽层厚度D=3d不合适.
问
多厚的屏蔽层才能使穿透的概率 题： W＜10－6？
注：平均值法本质上是用样本平均值作为
总体教学期望的估计。
2. 蒙特卡罗模拟试验次数的确定
M－C 模拟是一种试验近似方法 , 试验次 数如何确定？
希望：模拟次数较少、 模拟精度较高
？
频率法的讨论 频率法是用事件A出现的频率作为概率p 的估计: kn ˆ p n 问题：试验次数 n 多大时，对给定的置信度 1－α（0<α<1），估计精度达到ε.
三、 蒙特卡罗模拟及例
蒙特卡罗(Monte－Carlo)模拟，又称蒙特卡 罗方法、统计试验法等. M－C模拟是静态模拟，描述特定时间点上的 系统行为. 模拟过程中 基本思想:把随机事件 不出现时间 （变量）的概率特征与 参数。 数学分析的解联系起来.
蒙特卡罗模拟方法在材料科学中的应用
蒙特卡罗模拟方法在材料科学中的应用在材料科学中，蒙特卡罗模拟方法被广泛应用。
蒙特卡罗模拟是一种用于计算物理和数学问题的随机模拟方法。
它以概率统计为基础，通过大量重复的随机抽样，对某个问题进行数值模拟。
在材料科学中，蒙特卡罗模拟可以用于模拟材料的结构和性质，预测材料的行为和性能。
蒙特卡罗模拟方法最早用于计算核物理问题。
在20世纪50年代，美国洛斯阿拉莫斯国家实验室的尼古拉斯·梅特罗波立斯引入了蒙特卡罗模拟方法，并将其用于核武器设计。
此后，蒙特卡罗模拟被广泛应用于物理、化学、生物学、金融等领域。
在材料科学领域，蒙特卡罗模拟方法可以用于模拟材料的结构和性质。
例如，蒙特卡罗模拟可以用于模拟金属合金的晶格缺陷，预测合金的热力学性质和机械性能。
蒙特卡罗模拟还可以用于模拟液态和固态材料的分子结构，分析材料的化学反应和材料的热力学行为。
蒙特卡罗模拟方法的核心思想是随机抽样。
通过大量的随机抽样，可以得出一个问题的概率分布。
例如，蒙特卡罗模拟可以用于计算材料中晶格缺陷的形成概率。
首先，我们需要将晶格缺陷的形成看作一种随机过程。
然后，我们可以通过大量的随机抽样，模拟这种随机过程的概率分布。
最后，我们可以将概率分布转换为实际的物理量，如材料的热力学性质和机械性能。
蒙特卡罗模拟方法有几个优点。
首先，蒙特卡罗模拟方法可以处理复杂的随机系统。
例如，我们可以用蒙特卡罗模拟方法计算材料中复杂的化学反应和相变过程。
其次，蒙特卡罗模拟方法可以处理高维问题。
例如，我们可以用蒙特卡罗模拟方法计算材料中的多相流问题。
最后，蒙特卡罗模拟方法非常灵活，可以根据问题的具体需求进行模拟。
蒙特卡罗模拟方法在材料科学中的应用有很多。
例如，在材料的纳米加工中，蒙特卡罗模拟可以用于研究材料的表面形貌和纳米结构。
在材料的相变过程中，蒙特卡罗模拟可以用于预测材料的晶体结构和移位的位置。
在材料的金属加工过程中，蒙特卡罗模拟可以用于分析材料的力学行为和热力学性质。
蒙特卡洛法的模拟催化
蒙特卡洛法的模拟催化
蒙特卡洛法（Monte Carlo method）是一种基于随机抽样的计算方法，常用于模拟和计算复杂问题。
在模拟催化领域，蒙特卡洛法可以用于研究催化剂表面上的分子反应和扩散过程。
以下是一个基本的蒙特卡洛法模拟催化的示例步骤：
1. 建立模型：确定要模拟的催化剂体系和反应过程。
这可能包括催化剂的结构、反应物和生成物的种类、以及可能的反应途径。
2. 定义随机事件：根据模型，确定需要模拟的随机事件。
例如，可以是分子在催化剂表面上的随机运动、反应物分子与催化剂之间的碰撞等。
3. 生成随机数：使用随机数生成器生成一系列随机数，这些随机数将用于模拟随机事件的发生。
4. 模拟反应过程：根据随机数和定义的随机事件，模拟分子在催化剂表面上的运动和反应。
可以根据反应动力学和概率分布来确定反应的发生概率。
5. 统计结果：重复多次模拟，对每次模拟的结果进行统计。
可以计算不同反应途径的概率、反应产物的分布、催化剂的活性等。
6. 分析结果：根据统计结果，分析催化剂的性能和反应过程。
可以比较不同条件下的模拟结果，评估催化剂的效率、选择性等。
蒙特卡洛法的准确性和可靠性取决于模型的准确性、模拟的次数以及随机数生成的质量等因素。
在实际应用中，需要结合实验数据和理论分析来验证和优化模拟结果。
蒙托卡罗模拟法
蒙托卡罗模拟法
蒙特卡罗模拟法是一种基于随机数生成的计算方法，用于模拟现实世界中的复杂问题。
该方法源于20世纪40年代的核物理研究，当时科学家们需要模拟核反应的概率和能量分布。
随后，这种方法被广泛应用于金融、物理、统计学、计算机科学等领域。
蒙特卡罗模拟法的核心思想是通过多次重复随机实验，统计得到问题的概率分布和平均值。
在金融领域，该方法常用于风险管理和投资组合优化。
例如，模拟股票价格的随机波动和投资组合的收益分布，可以估计风险和回报的概率分布，并制定相应的投资策略。
在物理学和工程学领域，蒙特卡罗模拟法可以用于计算复杂系统的性质和行为。
例如，通过随机生成粒子的位置和速度，可以模拟原子核反应、分子运动和材料性质等问题。
在计算机科学领域，蒙特卡罗模拟法也被广泛应用于优化算法、人工智能和游戏设计等方面。
总之，蒙特卡罗模拟法是一种重要的计算方法，具有广泛的应用前景。
它不仅可以解决现实世界中的复杂问题，还可以帮助人们更好地理解自然和社会现象。
- 1 -。
蒙特卡洛模型方法
蒙特卡罗方法Monte Carlo method 蒙特卡罗方法概述蒙特卡罗方法又称统计模拟法、随机抽样技术,是一种随机模拟方法,以概率和统计理论方法为基础的一种计算方法,是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;将所求解的问题同一定的概率模型相联系,用电子计算机实现统计模拟或抽样,以获得问题的近似解;为象征性地表明这一方法的概率统计特征,故借用赌城蒙特卡罗命名;蒙特卡罗方法的提出蒙特卡罗方法于20世纪40年代美国在第二次世界大战中研制原子弹的“曼哈顿计划”计划的成员S．M．乌拉姆和J．冯·诺伊曼首先提出;数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo—来命名这种方法,为它蒙上了一层神秘色彩;在这之前,蒙特卡罗方法就已经存在;1777年,法国Buffon提出用投针实验的方法求圆周率∏;这被认为是蒙特卡罗方法的起源;蒙特卡罗方法的基本思想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,特别是近年来高速电子计算机的出现,使得用数学方法在计算机上大量、快速地模拟这样的试验成为可能;考虑平面上的一个边长为1的正方形及其内部的一个形状不规则的“图形”,如何求出这个“图形”的面积呢Monte Carlo方法是这样一种“随机化”的方法：向该正方形“随机地”投掷N个点,有M个点落于“图形”内,则该“图形”的面积近似为M/N;可用民意测验来作一个不严格的比喻;民意测验的人不是征询每一个登记选民的意见,而是通过对选民进行小规模的抽样调查来确定可能的优胜者;其基本思想是一样的;科技计算中的问题比这要复杂得多;比如金融衍生产品期权、期货、掉期等的定价及交易风险估算,问题的维数即变量的个数可能高达数百甚至数千;对这类问题,难度随维数的增加呈指数增长,这就是所谓的“维数的灾难”Curse of Dimensionality,传统的数值方法难以对付即使使用速度最快的计算机;Monte Carlo方法能很好地用来对付维数的灾难,因为该方法的计算复杂性不再依赖于维数;以前那些本来是无法计算的问题现在也能够计算量;为提高方法的效率,科学家们提出了许多所谓的“方差缩减”技巧;另一类形式与Monte Carlo方法相似,但理论基础不同的方法—“拟蒙特卡罗方法”Quasi－Monte Carlo方法—近年来也获得迅速发展;我国数学家华罗庚、王元提出的“华—王”方法即是其中的一例;这种方法的基本思想是“用确定性的超均匀分布序列数学上称为Low Discrepancy Sequences代替Monte Carlo方法中的随机数序列;对某些问题该方法的实际速度一般可比Monte Carlo方法提出高数百倍,并可计算精确度;蒙特卡罗方法的基本原理由概率定义知,某事件的概率可以用大量试验中该事件发生的频率来估算,当样本容量足够大时,可以认为该事件的发生频率即为其概率;因此,可以先对影响其可靠度的随机变量进行大量的随机抽样,然后把这些抽样值一组一组地代入功能函数式,确定结构是否失效,最后从中求得结构的失效概率;蒙特卡罗法正是基于此思路进行分析的;设有统计独立的随机变量Xii＝1,2,3,…,k,其对应的概率密度函数分别为fx1,fx2,…,fxk,功能函数式为Z＝gx1,x2,…,xk;首先根据各随机变量的相应分布,产生N组随机数x1,x2,…,xk值,计算功能函数值 Zi＝gx1,x2,…,xki＝1,2,…,N,若其中有L组随机数对应的功能函数值Zi≤0,则当N→∞时,根据伯努利大数定理及正态随机变量的特性有：结构失效概率,可靠指标;从蒙特卡罗方法的思路可看出,该方法回避了结构可靠度分析中的数学困难,不管状态函数是否非线性、随机变量是否非正态,只要模拟的次数足够多,就可得到一个比较精确的失效概率和可靠度指标;特别在岩土体分析中,变异系数往往较大,与JC法计算的可靠指标相比,结果更为精确,并且由于思路简单易于编制程序;蒙特卡罗方法在数学中的应用通常蒙特·卡罗方法通过构造符合一定规则的随机数来解决数学上的各种问题;对于那些由于计算过于复杂而难以得到解析解或者根本没有解析解的问题,蒙特·卡罗方法是一种有效的求出数值解的方法;一般蒙特·卡罗方法在数学中最常见的应用就是蒙特·卡罗积分;蒙特卡罗方法的应用领域蒙特卡罗方法在金融工程学,宏观经济学,生物医学,计算物理学如粒子输运计算、量子热力学计算、空气动力学计算等领域应用广泛;蒙特卡罗方法的工作过程在解决实际问题的时候应用蒙特·卡罗方法主要有两部分工作：1．用蒙特·卡罗方法模拟某一过程时,需要产生各种概率分布的随机变量;2．用统计方法把模型的数字特征估计出来,从而得到实际问题的数值解;蒙特卡罗方法分子模拟计算的步骤使用蒙特·卡罗方法进行分子模拟计算是按照以下步骤进行的：1．使用随机数发生器产生一个随机的分子构型;2．对此分子构型的其中粒子坐标做无规则的改变,产生一个新的分子构型;3．计算新的分子构型的能量;4．比较新的分子构型于改变前的分子构型的能量变化,判断是否接受该构型;·若新的分子构型能量低于原分子构型的能量,则接受新的构型,使用这个构型重复再做下一次迭代;·若新的分子构型能量高于原分子构型的能量,则计算玻尔兹曼因子,并产生一个随机数;若这个随机数大于所计算出的玻尔兹曼因子,则放弃这个构型,重新计算;若这个随机数小于所计算出的玻尔兹曼因子,则接受这个构型,使用这个构型重复再做下一次迭代;5．如此进行迭代计算,直至最后搜索出低于所给能量条件的分子构型结束;蒙特卡罗模型的发展运用从理论上来说,蒙特卡罗方法需要大量的实验;实验次数越多,所得到的结果才越精确;以上Buffon的投针实验为例、历史上的记录如下表1;从表中数据可以看到,一直到公元20世纪初期,尽管实验次数数以千计,利用蒙特卡罗方法所得到的圆周率∏值,还是达不到公元5世纪祖冲之的推算精度;这可能是传统蒙特卡罗方法长期得不到推广的主要原因;计算机技术的发展,使得蒙特卡罗方法在最近10年得到快速的普及;现代的蒙特卡罗方法,已经不必亲自动手做实验,而是借助计算机的高速运转能力,使得原本费时费力的实验过程,变成了快速和轻而易举的事情;它不但用于解决许多复杂的科学方面的问题,也被项目管理人员经常使用;借助计算机技术,蒙特卡罗方法实现了两大优点：一是简单,省却了繁复的数学报导和演算过程,使得一般人也能够理解和掌握；二是快速;简单和快速,是蒙特卡罗方法在现代项目管理中获得应用的技术基础;蒙特卡罗方法有很强的适应性,问题的几何形状的复杂性对它的影响不大;该方法的收敛性是指概率意义下的收敛,因此问题维数的增加不会影响它的收敛速度,而且存贮单元也很省,这些是用该方法处理大型复杂问题时的优势;因此,随着电子计算机的发展和科学技术问题的日趋复杂,蒙特卡罗方法的应用也越来越广泛;它不仅较好地解决了多重积分计算、微分方程求解、积分方程求解、特征值计算和非线性方程组求解等高难度和复杂的数学计算问题,而且在统计物理、核物理、真空技术、系统科学、信息科学、公用事业、地质、医学,可靠性及计算机科学等广泛的领域都得到成功的应用;项目管理中蒙特卡罗模拟方法的一般步骤项目管理中蒙特卡罗模拟方法的一般步骤是：1、对每一项活动,输入最小、最大和最可能估计数据,并为其选择一种合适的先验分布模型；2、计算机根据上述输入,利用给定的某种规则,快速实施充分大量的随机抽样；3、对随机抽样的数据进行必要的数学计算,求出结果；4、对求出的结果进行统计学处理,求出最小值、最大值以及数学期望值和单位标准偏差；5、根据求出的统计学处理数据,让计算机自动生成概率分布曲线和累积概率曲线通常是基于正态分布的概率累积S曲线；6、依据累积概率曲线进行项目风险分析;非权重蒙特卡罗积分非权重蒙特卡罗积分,也称确定性抽样,是对被积函数变量区间进行随机均匀抽样,然后对被抽样点的函数值求平均,从而可以得到函数积分的近似值;此种方法的正确性是基于概率论的中心极限定理;当抽样点数为m时,使用此种方法所得近似解的统计误差恒为 1除于根号M,不随积分维数的改变而改变;因此当积分维度较高时,蒙特卡罗方法相对于其他数值解法更优;蒙特卡罗方法案例分析案例一：蒙特卡罗模型在投资项目决策中的开发应用1一、问题的提出随着社会主义市场经济体制的逐步完善、经济水平的逐步提高,我国社会经济活动日趋复杂,越来越多变,其影响越来越广泛,越来越深远,不确定性逐渐成为企业决策时所面临的主要难题;因此,如何在不确定条件下做出投资决策,就成为目前理论和实践工作者们广泛关注的一个核心课题;传统的投资评价理论——以净现值法NPV为代表的投资决策分析方法,其根本缺陷在于它们是事先对未来的现金流量做出估计,并假设其为不变或静态的状况,无法衡量不确定因素的影响,不能体现递延决策以应对所带来的管理弹性;所以,在不确定环境下的投资,用净现值法评估项目不能体现柔性投资安排决策所体现的价值,无助于项目在决策中回避风险;在多变的市场环境中,不确定性与竞争者的反应使实际收入与预期收入有所出入,所以净现值法NPV适用于常规项目,未来不确定性比较小的项目;为此理论界对未来投资环境不确定性大的项目提出了实物期权法,但在实践中应用的还是比较少;实物期权法的应用对企业决策者的综合素质要求比较高,对企业资源能力要求也比较高;但是实物期权法改变了我国管理者对战略投资的思维方式;基于以上的分析,我们得出这样的结论：传统的投资决策方法对风险项目和不确定性项目的评价有较多不完善之处,有必要对其改进；实物期权法理论上解决了传统决策方法对不确定性项目评价的不足,但其应用尚处于体系不成熟阶段,在实践中应用并不广泛;至此,引入蒙特卡罗模型的理论和其分析方法,此方法特别适用于参数波动性大,且服从某一概率分布的项目,例如地质勘察、气田开发等项目;蒙特卡罗模型是利用计算机进行数值计算的一类特殊风格的方法,它是把某一现实或抽象系统的某种特征或部分状态,用模拟模型的系统来代替或模仿,使所求问题的解正好是模拟模型的参数或特征量,再通过统计实验,求出模型参数或特征量的估计值,得出所求问题的近似解;目前评价不确定和风险项目多用敏感性分析和概率分析,但计算上较为复杂,尤其各因素变化可能出现概率的确定比较困难;蒙特卡罗模型解决了这方面的问题,各种因素出现的概率全部由软件自动给出,通过多次模拟,得出项目是否应该投资;该方法应用面广,适应性强;惠斯通Weston对美国1 000 家大公司所作的统计表明：在公司管理决策中,采用随机模拟方法的频率占29 % 以上,远大于其他数学方法的使用频率;特别,该方法算法简单,但计算量大,在模拟实际问题时,要求所建模型必须反复验证,这就离不开计算机技术的帮助,自然可利用任何一门高级语言来实现这种方法;通过一案例具体实现了基于Excel 的Monte Carlo 模拟系统,由于Microsof tExcel 电子表格软件强大的数据分析功能和友好的界面设计能力,使系统实现起来颇感轻松自如;二、理论和方法蒙特卡洛模拟早在四十年前就用于求解核物理方面的问题;当管理问题更为复杂时,传统的数学方法就难以进行了;模拟是将一个真实事物模型化,然后对该模型做各种实验,模拟也是一个通过实验和纠正误差来寻求最佳选择的数值性求解的过程;模拟作为一种有效的数值处理方法,计算量大;以前只是停留在理论探讨上,手工是无法完成的;在管理领域由于规律复杂随机因素多,很多问题难以用线性数学公式分析和解决,用模拟则有效得多;在新式的计算机普及后,用模拟技术来求解管理问题已成为可能;计算机模拟技术和其它方法相比有以下优点：1成本低、风险小,在产品未投产,实际生产未形成就可以对市场进行分析模拟,极大地减少费用和风险;2环境条件要求低,工作人员不需要高深的数学能力,完全依靠计算机进行,在硬件和软件日益降价的情况下,可以成为现实;3可信度高,常用的统计推理方法需要大量历史数据如平均数法、最小二乘法,对无历史资料的场合就无能为力如新产品,而且精度低;模拟的最大特点是借助一个随机数来模仿真实的现实,随机数的产生则由计算机来产生;称为伪随机数;即：Rn ＝ F r － 1 , r － 2 ,……r － k在以对象为中心的软件中, EXCEL 有一个RANE函数实现伪随机数功能;RANE实际上是一个会自动产生伪随机数的子程序;用产生的伪随机数模拟市场购买行为,得出产品销售量,在生产成本相对固定时进而推测出产品的利润;此方法不用编制复杂的程序,思路假设为,作为系统内部是可以控制的,即企业内部生产成本可以人为控制,但系统外部因素是不可控制的消费心理导致的消费行为,则生产与销售就会产生矛盾;生产量小于销售量,造成开工不足资源浪费；生产量大于销售量,造成产品积压,资金占用,同样形成资源的浪费;最好生产量等于销售量,则资源浪费最小,自然经济效益就最高,实际就是利润最大化;如果能科学地测算出在什么情况下利润最大,则这时的产量就是最佳产量,成本也就最低;这就是市场作为导向,以销定产的公认市场经济的准则;实际工作中,很多产品的消费是具有随机性的,主要是一些需求弹性大、价格弹性大、价格低、与日常生活有关的中、小商品,如副食品、日用消费品、玩具、轻工业产品;对企业而言利润较高的产品;从以上分析可以看出,蒙特卡洛模拟可以动态实现对产品利润的预测,从而对产品产量科学控制,实现资源优化,是一种较好的决策支持方法;三、蒙特卡罗模型在Excel 表中的应用某气田投资项目期投资、寿命期、残值以及各年的收入、支出,以及应付税金的税率、项目的资本成本等都是独立的随机变量,他们的概率密度函数如表1所示;表各变量对应概率密度函数表本案例用windowsXP 中的Excel2003 对该项目进行模拟如下：1在A32 单元格投资Yo 模拟：随机数输入：＝ RANDBETWEEN 0 ,99；在B32 单元格投资Yo模拟：投资输入：＝ VLOO KUP A32 , $C $3 ： $D$5 ,2；2在C32 单元格寿命N 模拟：随机数输入：＝RANDBETWEEN 0 ,99；在D32 单元格寿命N 模拟：寿命输入：＝ VLOO KUP C32 , $C $6 ： $D$8 ,2；3 E32 ,G32 , I32 , K32 ,M32 单元格分别输入：＝RANDBETWEEN 0 , 99； F32 ＝ VLOOPUP E32 ,$C $9 ： $D $11 , 2, H32 ＝ VLOOPUP G32 , $C$12 ： $D $14 ,2,J 32 ＝ VLOO KUP I32 , $C $15 ：$D $18 ,2,L32 ＝ VLOO KUP K32 , $C $19 ： $D$22 ,2,N32 ＝ VLOO KUPM32 , $C $23 ： $D $27 ,24 O32 ＝B32 － F32 / D32 , P32 ＝J 32 － L32 －O32 3 1 － H32/ 100＋ O32 ,Q32 ＝ PV N32/ 100 ,D32 ,－ P32－ B32 ；5 H3 ＝ AVERA GE Q32 , Q5031 , H4 ＝STDEV Q32 ,Q5031,H5 ＝ MAX Q32 , Q5031 , H6 ＝ MIN Q32 ,Q5031,H7 ＝ H4/ H3 ,H8 ＝ COUN TIF Q32 ：Q5031 ,“ < 0” / COUN TQ32 ,Q5031;在Excel 工具表中模拟5000次,结果输出见下表：表结果输出表1表结果输出表2表结果输出表3所得结果如下：表净现值模拟计算结果表表净现值概率分布统计表从分析结果得出,虽然此项目未来的不确定性很大,但由图可知,此气田开发项目服从正态分布,模拟5 000次的结果是净现值为负的概率为零,并且项目的期望净现值为952113 万元,说明项目值得开发;由以上的案例分析可知,基于蒙特卡罗模拟的风险分析,对于工程实际应用具有较强的参考价值;随机模拟5 000 次,如果仅靠人的大脑进行计算,这在现实世界中是不可能的,但考虑到系统决策支持功能,算法设计为由使用者自己设计方案,采用人机交互,这样可以发挥使用者的经验判断；系统实现模拟运算——系统对每一个设定的投资项目期投资、寿命期、残值以及各年的收入、支出,以及应付税金的税率、项目的资本成本等随机变量及他们的概率密度函数,通过蒙特卡罗模拟方法,得出了项目在不同概率发生的情况下净现值模拟计算结果;为人们解决不确定性项目的决策提供了简单的方法,节约了人们的工作量和时间;但是利用蒙特卡罗模型分析问题时,收集数据是非常关键的;。
蒙特卡罗模拟方法
蒙特卡罗模拟方法的优点： （1）模拟算法简单，过程灵活； （2）可模拟分析多元风险因素变化 对结果的影响； （3）模拟成本低，并可方便地补充 更新数据。
蒙特卡罗模拟方法的局限性： （1）蒙特卡罗方法要求的数据信息较多。 （2）进行模拟的前提是各输入变量是相 互独立的。 （3）对一些复杂问题，要想达到较高的 模拟精度需要进行较多的模拟次数。
有了这些随机产生函数，就 可以直接产生满足分布F(x)的随 机数了，而无需通过先求出连 续均匀分布的随机数，在通过 抽样公式得出所求分布的随机 数。下面来通过一个实例来加 深对蒙特卡罗模拟方法的理解。
第五节 项目风险案例分析
现以成都某房地产开发公司对一综合开 发用地进行投资开发为例，用基于蒙特卡 罗模拟方法为原理的 EXCEL 插件—— Crystal Ball工具对该开发项目进行风险决 策分析。 一、项目概况和基本数据的确定
a，b，c为三角分布 的参数
分布
a ( b a ) r1
f [ a ( b a ) r1 ] f ( m ) r2 b r 1 a s 1
m rs2
r，s为函数参数
实际上，Matlab软件为我们提供了一种 简单快捷的产生各种常用分布随机数的方 法。其功能和特点： （1）界面友好，编程效率高。 （2）功能强大，可扩展性强。 （3）强大的数值计算功能和符号计算功 能。 （4）图形功能灵活方便。
二、采用蒙特卡罗方法进行风险决策分析
（一）、识别项目风险 在投资开发项目时，实际情况千差万别，重要 的风险变量也各不相同，这就需要分析人员根据 项目的具体情况，运用适当的风险辨识的方法从 影响投资的众多因素中找出关键的风险变量。本 案例采用“德尔菲法”确定影响该项目的7个主要 风险变量：住宅销售收入（P1*S1）、商业销售 收入（P2*S2）、土地费用（K1）、前期费用 （K2）、开发建设费用（K3）、营销费用 （K4）、其他费用（K5）。
蒙特卡罗方法MonteCarlosimulation
第六章 引言(Introduction)
Monte Carlo模拟在物理研究中的作用
第六章 引言(Introduction)
Monte Carlo模拟的步骤： 1. 根据欲研究的物理系统的性质，建立能够描述该系统特性 的理论模型，导出该模型的某些特征量的概率密度函数； 2. 从概率密度函数出发进行随机抽样，得到特征量的一些模 拟结果； 3. 对模拟结果进行分析总结，预言物理系统的某些特性。
第六章 引言(Introduction)
Monte Carlo方法简史 简单地介绍一下Monte Carlo方法的发展历史
1、Buffon投针实验： 1768年，法国数学家Comte de Buffon利用投针实验估计的值
L
d
p
2L d
第六章 引言(Introduction)
Problem of Buffon’s needle: If a needle of length l is dropped at random on the middle of a horizontal surface ruled with parallel lines a distance d>l apart, what is the probability that the needle will cross one of the lines?
第六章 引言(Introduction)
Solution:
The positioning of the needle relative to nearby lines can be described with a random vector which
[0, )
The random vector is uniformly distributed on the region [0,d)×[0,). Accordingly, it has probability density function 1/d.
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。
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
ExpReturn = [0.0246 0.0189 0.0273 0.0141 0.0311]/100; %期望收益
Sigmas = [0.9509 1.4259, 1.5227, 1.1062, 1.0877]/100;%标准差Correlations = [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
];%相关系数
ExpCov = corr2cov(Sigmas, Correlations);%协方差
StartPrice = 100;%初始价格
NumObs = 504;
NumSim = 2;
RetIntervals = 1;
NumAssets = 5;
%开始模拟
randn('state', 0);
RetExact = portsim(ExpReturn, ExpCov, NumObs, RetIntervals, NumSim);
Weights = ones(NumAssets, 1)/NumAssets;
PortRetExact = zeros(NumObs, NumSim);
for i = 1:NumSim
PortRetExact(:, i) = RetExact(:,:,i)*Weights;
end
PortExact = ret2tick(PortRetExact,repmat(StartPrice, 1, NumSim));
plot(PortExact, '-r');。