風險分析與蒙特卡羅模擬股市路徑

又多了一項分析武器老早就想跑這張圖了，終於有空來跑一下那麼就開始。

蒙特卡羅方法

---

随机与蒙特卡罗

第一次人们开始研究蒙特卡罗方法是要评估π。

通过概率论，蒙特卡罗可以用作数值积分法。 例如，




其中p(x)是U(0;1)的概率密度函数。


实践中，蒙特卡罗广泛应用于统计力学，量子物理学，金融衍生产品定价和风险管理。


##一个MC示例：期权定价


蒙特卡洛通常用于评估期权价格。


我们不会涉及任何理论推论。 对于欧式看涨期权，其价格可以通过公式给出




其中S为当前基本股票价格，σ为股票波动率，r为利率，T为期权期权，K为行使价，Φ为标准正态随机变量。

股票布朗運動

---

布朗运动、伊藤引理、BS 公式

所以到底有沒有可能股市是基於布朗運動呢，上方網址點入，

世界杯球場上的詭異足球軌跡，如何用愛因斯坦的理論來解釋？李永樂老師講布朗運動?

那我假設是有一定規律性的

本周我們介紹股市波動最基本的特性: 對數常態分配(Log-normal Distribution)。有接觸過財務工程的投資朋友可能都聽過這個名詞，因為...

教科書說，股市的漲跌幅，呈現對數常態分配。

這個觀察是奧斯本(Matthew Maury Osborne，1916~2003)發現的。然而，這個現象並不那麼直觀! 我們介紹如下：

簡單模擬蒙特卡羅方法

---

BSM期权定价模型
风险分析与蒙特卡罗模拟

這邊也符合對數常態分配，在99%的信心水平下，統二的股票一年後的價格不會低於64塊ㄏㄏ，風險值有35%，掉那麼快也倒了，或許是我用錯了?參考那網站是好像是用正規常態，我是用對數或許有些關聯。

這是模擬五萬次蒙特卡羅(好像沒什麼意義xd。

程式碼

---

	import numpy as np
	import pandas as pd
	import matplotlib.pyplot as plt
	import scipy.stats as scs
	S0 = 100
	r = 0.05
	sigma = 0.25
	T = 1.0
	I = 50000
	M = 50
	dt = T/M
	S = np.zeros((M + 1,I))
	S[0] = S0
	print (S[0])
	for t in range(1,M+1):
	S[t] = S[t-1]*np.exp((r-0.5*sigma**2)*dt+sigma*np.sqrt(dt)*np.random.standard_normal(I))
	print (t)
	print (M+1)
	plt.figure(figsize=(16,8))
	#define q as the 1% empirical qunatile, this basically means that 99% of the values should fall between here
	q = np.percentile(S, 1)
	# Plot a line at the 1% quantile result
	plt.axvline(x=q, linewidth=4, color='r')
	# Starting Price
	plt.figtext(0.6, 0.8, s="Start price: $%.2f" %S0 )
	# Mean ending price
	plt.figtext(0.6, 0.7, "Mean final price: $%.2f" % S.mean())
	# Variance of the price (within 99% confidence interval)
	plt.figtext(0.6, 0.6, "VaR(0.99): $%.2f" % (S0 - q,))
	# Display 1% quantile
	plt.figtext(0.15, 0.6, "q(0.99): $%.2f" % q)
	plt.hist(S[-1],bins = 50)
	plt.xlabel('price')
	plt.ylabel('frequency')
	plt.show()
	plt.figure(figsize=(16,8))
	plt.plot(S[:,:],lw = 1.5)
	plt.xlabel('time')
	plt.ylabel('price')
	plt.show()

view raw MonteCarlo.py hosted with ❤ by GitHub

增加動畫

---

	import numpy as np
	import pandas as pd
	import matplotlib.pyplot as plt
	import scipy.stats as scs
	from matplotlib import animation
	S0 = 100
	r = 0.05
	sigma = 0.25
	T = 1.0
	I = 10
	M = 50
	dt = T/M
	S = np.zeros((M + 1,I))
	S[0] = S0
	print (S[0])
	for t in range(1,M+1):
	S[t] = S[t-1]*np.exp((r-0.5*sigma**2)*dt+sigma*np.sqrt(dt)*np.random.standard_normal(I))
	print (t)
	print (M+1)
	plt.figure(figsize=(16,8))
	#define q as the 1% empirical qunatile, this basically means that 99% of the values should fall between here
	q = np.percentile(S, 1)
	# Plot a line at the 1% quantile result
	plt.axvline(x=q, linewidth=4, color='r')
	# Starting Price
	plt.figtext(0.6, 0.8, s="Start price: $%.2f" %S0 )
	# Mean ending price
	plt.figtext(0.6, 0.7, "Mean final price: $%.2f" % S.mean())
	# Variance of the price (within 99% confidence interval)
	plt.figtext(0.6, 0.6, "VaR(0.99): $%.2f" % (S0 - q,))
	# Display 1% quantile
	plt.figtext(0.15, 0.6, "q(0.99): $%.2f" % q)
	plt.hist(S[-1],bins = 50)
	plt.xlabel('price')
	plt.ylabel('frequency')
	#plt.show()
	plt.figure(figsize=(16,8))
	fig, ax = plt.subplots()
	global test
	fig = plt.figure()
	ax1 = fig.add_subplot(1,1,1)
	#graph_data = open('example.txt','r').read()
	#lines = graph_data.split('\n')
	xs = []
	ys = []
	for line in range (0,I ,1):
	xs.append(line)
	test =0
	def animate(i):
	global test
	if(test < I):
	#ax1.plot(xs[:test], ys[ :test])
	#ax1.clear()
	for y in range (0,M ,1):
	ax1.plot(S[:test,:])
	test= test +1
	ani = animation.FuncAnimation(fig, animate, frames=100, interval=20,
	blit=False)
	#plt.show()
	ani.save('/animation.gif', writer='imagemagick', fps=60)

view raw MonteCarlo2.py hosted with ❤ by GitHub