请问如何用R语言做大量次数的几何布朗运动的模拟（参数μ，σ已知）

2023-02-21 04:13:02Python09

请问如何用R语言做大量次数的几何布朗运动的模拟（参数μ，σ已知）,第1张

这上网搜应该搜的到吧，比如这篇文章"

股票价格行为关于几何布朗运动的模拟--基于中国上证综指的实证研究

",照着几何布朗运动的公式直接写代码应该就行了吧，代码逻辑都很清晰。

下面是照着这片文章模拟一次的代码，模拟多次的话，外面再套个循环应该就行了。然后再根据均方误差(一般用这个做准则的多)来挑最好的。

话说你的数据最好别是分钟或者3s切片数据，不然R这速度和内存够呛。

N <- 2000 #模拟的样本数

S0 <- 2000 #初始值

mu <- 0.051686/100

sigma <- 1.2077/100

St <- rep(0,N)

epsion <- rnorm(N,0,1) #正态分布随机数

for(i in 1:N) {

if(i == 1) {

delta_St <- mu * S0 + sigma * S0 * epsion[i]

St[i] <- S0 + delta_St

}else {

delta_St <- mu * St[i-1] + sigma * St[i-1] * epsion[i]

St[i] <- St[i-1] + delta_St

}

Final_St <- c(S0,St) #最终结果

plot(Final_St,type = "l")

-- title: R语言中dnorm, pnorm, qnorm与rnorm以及随机数 date: 2018-09-07 12:02:00 type: "tags" tags: 在R语言中，与正态分布（或者说其它分布）有关的函数有四个，分别为dnorm,pnorm,qnorm和rnorm，其中，dnorm表示密度函数，pnorm表示分布函数，qnorm表示分位数函数，rnorm表示生成随机数的函数。在R中与之类似的函数还有很多，具体的可以通过 help(Distributions) 命令去查看，对于分位数或百分位数的一些介绍可以看这篇笔记《分位数及其应用》，关于正态分布的知识可以看这篇笔记《正态分布笔记》。现在这篇笔记就介绍一下这些函数的区别。 R提供了多种随机数生成器(random number generators, RNG)，默认采用的是Mersenne twister方法产生的随机数，该方法是由Makoto Matsumoto和Takuji Nishimura于1997年提出来的，其循环周期是。R里面还提供了了Wichmann-Hill、Marsaglia-Multicarry、Super-Duper、Knuth-TAOCP-2002、Knuth-TAOCP和L'Ecuyer-CMRG等几种随机数生成方法，可以通过 RNGkind() 函数进行更改，例如，如果要改为WIchmann-Hill方法，就使用如下语句：在R中使用随机数函数，例如 rnorm() 函数来生成的随机数是不一样的，有时我们在做模拟时，为了比较不同的方法，就需要生成的随机数都一样，即重复生成相同的随机数，此时就可以使用 set.seed() 来设置随机数种子，其参数为整数，如下所示：dnorm 中的 d 表示 density ， norm 表示正态贫，这个函数是正态分布的概率密度(probability density)函数。正态分布的公式如下所示：给定x，μ和σ后， dnorm() 这个函数返回的就是会返回上面的这个公式的值，这个值就是Z-score，如果是标准正态分布，那么上述的公式就变成了这个样子，如下所示：现在看一个案例，如下所示：dnorm(0,mean=0,sd=1) 由于是标准正态分布函数的概率密度，这个命令其实可以直接写为 dnorm(0) 即可，如下所示：再看一个非标准正态分布的案例，如下所示：虽然在 dnorm() 中，x是一个概率密度函数(PDF,Probability Density Function)的独立变量，但它也能看作是一组经过Z转换后的一组变量，现在我们看一下使用 dnorm 来绘制一个正态分布的概率密度函数曲线，如下所示：现在使用 dnorm() 函数计算一下Z_scores的概率密度，如下所示：现在绘图，如下所示：从上面的结果可以看出，在每个Z-score处， dnorm 可以绘制出这个Z-score对应的正态分布的pdf的高度。pnorm 函数中的 p 表示Probability，它的功能是，在正态分布的PDF曲线上，返回从负无穷到 q 的积分，其中这个 q 指的是一个Z-score。现在我们大概就可以猜测出 pnorm(0) 的值是0.5，因为在标准正态分布曲线上，当Z-score等于0时，这个点正好在标准正态分布曲线的正中间，那么从负无穷到0之间的曲线面积就是整个标准正态分布曲线下面积的一半，如下所示：pnorm 函数还能使用 lower.tail 参数，如果 lower.tail 设置为 FALSE ，那么 pnorm() 函数返回的积分就是从 q 到正无穷区间的PDF下的曲线面积，因此我们就知道了， pnorm(q) 与 1-pnorm(q,lower.tail=FALSE) 的结果是一样的，如下所示：在计算机出现之前的时代里，统计学家们使用正态分布进行统计时，通常是要查正态分布表的，但是，在计算机时代，通常都不使用正态分布表了，在R中， pnorm() 这个函数完全可以取代正态分布表了，现在我们使用一个Z-scores的向量来计算一下相应的累积概率，如下所示：以上就是标准正态分布的累积分布函数(CDF,Cumulative Distribution Function) 曲线。简单来说， qnorm 是正态分布累积分布函数(CDF,Cumulative Distribution Function）的反函数，也就是说它可以视为 pnorm 的反函数，这里的 q 指的是quantile，即分位数。使用 qnorm 这个函数可以回答这个问题：正态分布中的第p个分位数的Z-score是多少？现在我们来计算一下，在正态分布分布中，第50百分位数的Z-score是多少，如下所示：再来看一个案例：在正态分布中，第96个百分位的Z-score是多少，如下所示：再来看一个案例：在正态分布中，第99个百分位的Z-score是多少，如下所示：再来看一下 pnorm() 这个函数，如下所示：从上面我们可以看到， pnorm 这个函数的功能是，我们知道某个Z-score是多少，它位于哪个分位数上。接着我们进一步举例来说明一下 qnorm 和 pnorm 的具体功能，如下所示：现在进行绘图，如下所示：rnomr() 函数的功能用于生成一组符合正态分布的随机数，在学习各种统计学方法时， rnorm 这个函数应该是最常用的，它的参数有 n , mean ， sd ，其中n表示生成的随机数，mean与sd分别表示正态分布的均值与标准差，现在举个例子，如下所示：现在我们绘制一下上面的几个向量的直方图，看一下它们的均值是否在70附近，如下所示：在R语言中，生成不同分布的各种类型的函数都是以d,p,q,r开头的，使用原理跟上面的正态分布都一样。sample() 函数是一个用于生成随机数的重要的核心函数，如果仅传递一个数值n给它，就会返回一个从1到n的自然数的排列，如果传递是 n:m 就是生成从n到m的随机数，如是是 7,5 ，则会生成5个小于7的随机数，如下所示：从上面的结果可以看出来，这些数字都是不同的，也就是说，sample函数默认情况下是不重复抽样，每个值只出现一次，如果允许有重复抽样，需要添加参数 replace = TRUE ，如下所示： sample函数通常会从某些向量中随机挑一些参数，如下所示：也可以挑日期，如下所示：上述分布函数前面加上r，p、q、d就可以表示相应的目的：

原文链接：http://tecdat.cn/?p=13033

介绍

布丰投针是几何概率领域中最古老的问题之一。它最早是在1777年提出的。它将针头掷到有平行线的纸上，并确定针和其中一条平行线相交的可能性。令人惊讶的结果是概率与pi的值直接相关。

R程序将根据上段所述的情况估算pi的值并使用gganimate进行动态可视化。

第1部分

对于A部分，我们创建一个数据帧，该数据帧将在3个不同的区间上生成随机值，这些区间将代表x，y的范围以及每个落针点的角度。这是一个易于实现的随机数情况，需要使用runif函数。此功能要求输入数量，后跟一个间隔。生成数字后，我们会将值保存到数据框中。

rneedle <- function(n) {

x = runif(n, 0, 5)

y = runif(n,0, 1)

angle = runif(n,-pi, pi) #从-180到180的角度

values<-data.frame(cbind(x, y, angle))

return(values)