问题标签 [stochastic-process]

我正在尝试对局部波动率模型进行蒙特卡罗模拟，即

不幸的是，不能应用 Matlab 包类 sde，因为它的功能相当复杂。

出于这个原因，我使用 Euler-Mayurama 方法手动模拟这个 SDE。更具体地说，我使用 Ito 的公式来获取日志过程的 SDEXt=log(St)

代码如下：

此代码对小 sigma 工作得相当好，但是对于 10 左右的 sigma，进程 S 总是趋于零。这不应该发生，因为 S 是鞅，因此期望 = 1（至少对于常数 sigma）。然而 X 应该被正确模拟，因为平均值是准确的。

谁能帮我解决这个问题？这仅仅是由于数字舍入错误吗？是否应该首选另一种模拟方法来解决此问题？

（更新）

我需要找到一个巨大的马尔可夫链的平稳分布。我的状态向量是 (t,x_1,x_2,x_3,x_4,x_5)，其中 t=1,...,7 并且每个 x_j=0,...,40。正如你所看到的，转换矩阵的大小是巨大的。

我正在尝试解决 P=PxA ，其中 P 是行向量是平稳分布，A 是转移概率矩阵。为了解决这个问题，我使用数值方法，例如 Gauss-Seidel 方法。总之，我从一个初始答案开始，然后对于迭代 n+1，我使用迭代 n 的平稳分布作为输入；因此，

P_(n+1)=P_nxA

（加上归一化为 1）

我可以非常轻松快速地计算出 A 的每个成员；所以我真的不需要在内存中存储巨大的转换矩阵；但是，我需要存储 P_n，它是一个包含 1.3 亿个元素的向量。

我正在尝试用 Python 对其进行编码，并且想知道是否有任何关于在 Python 中“有效”存储这些值的建议。

我正在寻找处理一个相当高级问题的具体建议：如何调试软件（如果您有兴趣，可以使用遗传算法）：

1. 跨多个线程运行任务（我不控制哪个线程运行哪个任务）
2. 每个任务的执行取决于随机值（我不控制随机化种子）
3. 任务的状态是一个复杂的对象图，不能轻易序列化为人类可读的平面格式

到目前为止，我已经尝试了以下方法：

1. 在调试器中检查单个线程：这是有问题的，因为大多数任务都成功完成（在问题之前设置断点会导致许多误报）。另一方面，如果我设置了一个断点，一旦任务处于不良状态就停止，我无法及时退后一步来弄清楚我是如何到达那里的。

2. 转储跟踪日志在理论上很好（一旦发现错误状态，我可以及时退回），但我还没有弄清楚如何将任务的状态序列化为平面的人类可读格式。

在理想的世界中，我希望能够为错误状态设置断点，然后使用调试器及时退回以检查我是如何到达这一点的。

你以前遇到过这种问题吗？你是怎么调试的？

我正在使用以下 Matlab 代码来估计 Ripley 的 K 函数。

“RipleysK”功能可在以下网址找到：http: //www.colorado.edu/geography/class_homepages/geog_4023_s07/labs/lab10/RipleysK.m

相比之下，我使用的是以下 R 脚本。

Matlab 为指定的 r 值（即 dist）估计 K，而 R 脚本不估计（估计直到 r = 12.5）。

有人可以评论吗？哪一个是正确的？我们可以在 R 脚本中指定 r 值吗？

谢谢

我想知道 AR 系数是否有一个“经验法则”范围（或更具体的东西）来表明一个过程是否强烈地还原、均值还原、随机游走等。任何建议将不胜感激。例如：假设我在 AR(1) 分位数回归中给定水平的 AR 系数（假设线不交叉）是：

1. 0.05 = 1.02
2. 0.15 = 0.95
3. 0.50 = 0.72
4. 0.85 = 0.25
5. 0.95 = 1.5

毋庸置疑，该过程在 0.05 和 0.95 处充当随机游走，但其余范围呢？

我有一个函数，我需要使用 R 绘制 3 年的每日步长 1。

我有点受阻。我知道这段代码应该可以工作，但我不知道如何在我的“t”和我的 w(t) length(t)=901 和 length(w(t))=902 之间具有相同的长度。怎么让他们一样？？？

请我需要帮助。感谢您的时间。

我希望这段代码能够工作，但 (t) 的长度和 w(t) 的长度不同，所以它阻塞了我所有的代码。我能知道两者如何具有相同的长度吗？

感谢您的时间

我有一个我希望使用某种基于贝叶斯模拟的框架来解决的随机最优控制问题。我的问题具有以下一般结构：

我的目标是探索 f_1、f_2 和 V 的不同函数形式，以确定该模型与非随机模型和另一个更简单的随机模型有何不同。

状态变量是 s_t，控制变量是 x_t，u_t 和 w_t 代表当前状态的某种信念。目标函数是时间段 t=0 到 t=T 内增益（函数 V）的折现最大值。

我正在考虑使用 Python，特别是 PyMC 来解决这个问题，虽然我不确定如何进行，特别是如何优化控制变量。我找到了一本书，出版于 1967 年，Masanao Aoki 的随机系统优化，其中引用了一些可能有用的贝叶斯技术，是否有当前的 Python 实现可能会有所帮助？或者有没有更好的方法来模拟最佳路径，使用 Python？

我想在 matlab 中绘制随机过程的多个实现。对于一个单一的实现，我有以下代码：

我想复制这个循环 n 次并将结果绘制在一个图中。

我想使用 Hawkes 过程对一些数据进行建模。我找不到 PyMC 是否支持霍克斯进程。更具体地说，我想要一个带有霍克斯过程的观察变量，并学习其参数的后验。

如果它不存在，那么我可以在 PyMC 中以某种方式定义它，例如 @deterministic 等吗？