2. Monte Carlo模拟基础

Monte Carlo 方法并非单一算法，而是一类通过随机采样与统计推断求解确定性或随机性问题的数值计算框架。在金融风控中，它被广泛用于资产定价、风险价值（VaR）计算、压力测试及信用损失分布建模。本节从历史脉络、基本原理、大数定律与中心极限定理三个层面，为后续的风险复核流程工程实践奠定理论基础。

2.1 历史脉络：从曼哈顿计划到金融工程

时期 关键人物/事件 核心贡献
1940s Stanislaw Ulam, John von Neumann, ENIAC 曼哈顿计划中首次用随机采样模拟中子扩散，命名“Monte Carlo”
1950s 洛斯阿拉莫斯实验室 发展 Metropolis 算法，推广至统计物理
1970s Boyle (1977) 首次将 Monte Carlo 引入期权定价，开创金融工程应用
1990s–至今 Basel 协议、风险量化 成为信用风险、市场风险、操作风险标准建模工具
关键洞察：Monte Carlo 方法的核心思想是“用大量随机样本的统计量逼近真实解”。在金融风控中，当解析解不存在（如复杂衍生品、多因子信用组合）时，MC 模拟几乎是唯一可行的数值路径。

2.2 基本原理：随机采样与统计推断

Monte Carlo 模拟的通用流程可归纳为以下四个步骤：

  1. 定义随机模型：确定输入变量的概率分布（如正态、对数正态、泊松）及其相关性结构。
  2. 生成大量随机样本：使用伪随机数生成器（PRNG）或拟随机序列，从指定分布中抽取 N 个独立样本。
  3. 计算目标函数：对每个样本执行确定性计算（如组合损益、违约损失），得到 N 个输出值。
  4. 统计推断：对输出值求均值、分位数、方差等，作为真实解的估计，并给出置信区间。
数学表达：设待求解量 θ = E[g(X)]，其中 X ~ f(x)。MC 估计量为 
θ̂_N = (1/N) Σ_{i=1}^{N} g(X_i)
当 N → ∞ 时，θ̂_N 以概率 1 收敛于 θ（大数定律），且 √N(θ̂_N − θ) 渐近服从正态分布（中心极限定理）。

2.3 大数定律（LLN）：收敛性的基石

大数定律保证了 MC 估计量 θ̂_N 随着样本量 N 增加而趋近于真实期望 θ。在金融风控中，这意味着：只要模拟次数足够多，风险指标的估计误差可以无限缩小。

类型 条件 收敛方式 风控含义
弱大数定律 独立同分布，方差有限 依概率收敛 VaR 估计随 N 增大趋于稳定
强大数定律 独立同分布，期望有限 几乎必然收敛 长期模拟结果几乎确定等于真实值
工程注意：LLN 不保证收敛速度。实际中，误差以 O(1/√N) 衰减——要将误差减半，样本量需扩大 4 倍。这是 MC 模拟计算成本高的根本原因。

2.4 中心极限定理（CLT）：误差的量化工具

中心极限定理为 MC 估计提供了误差分布形式：当 N 足够大时，估计误差 (θ̂_N − θ) 近似服从均值为 0、方差为 σ²/N 的正态分布，其中 σ² = Var[g(X)]。

基于 CLT，可以构建 置信区间：

置信区间 = θ̂_N ± z_{α/2} · (σ̂_N / √N)

其中 σ̂_N 为样本标准差，z_{α/2} 为标准正态分位数（95% 置信水平下取 1.96）。

风控应用：在风险复核流程中，CLT 用于：
• 判断模拟是否收敛（置信区间宽度是否满足精度要求）
• 设定最小模拟次数（如要求 VaR 估计的相对误差 < 5%）
• 比较不同模型或参数下的风险差异是否统计显著

2.5 Monte Carlo 模拟核心流程（SVG 图）

下图展示了 Monte Carlo 模拟从模型定义到风险指标输出的完整工程流程，突出大数定律与中心极限定理在其中的位置：

Monte Carlo 模拟核心流程与理论支撑 定义随机模型 生成 N 个随机样本 计算目标函数 g(X) 统计推断 θ̂_N 风险指标输出 大数定律（LLN） θ̂_N → θ 当 N → ∞ 保证收敛性 中心极限定理（CLT） √N(θ̂_N − θ) → N(0, σ²) 量化误差与置信区间 若置信区间过宽 → 增加 N 或降低方差（VRT）

2.6 收敛速度与样本量估算

基于 CLT，MC 模拟的误差以 O(1/√N) 衰减。下表给出了不同精度要求下的最小样本量估算（假设 σ = 1，95% 置信水平）：

相对误差 ε 所需样本量 N 工程可行性
10% ~385 极快，适合快速原型
5% ~1,537 常规风控场景
1% ~38,416 高精度要求，需优化
0.1% ~3,841,600 计算密集，需方差缩减
工程建议：在风险复核流程中，不必追求极低误差。通常将 VaR 估计的置信区间宽度控制在 ±5% 以内即可满足监管要求。若需更高精度，优先使用对偶变量、控制变量等方差缩减技术（VRT），而非盲目增加 N。

2.7 伪随机数生成与质量要求

MC 模拟依赖高质量的随机数。实际工程中，使用伪随机数生成器（PRNG），其质量直接影响模拟结果的可信度：

  • 周期：必须远大于模拟所需样本量（如 Mersenne Twister 周期为 2¹⁹⁹³⁷ − 1）
  • 均匀性：通过统计检验（如 Diehard、NIST SP 800-22）
  • 独立性：序列间无显著自相关
  • 可复现性：固定种子（seed）确保结果可复核
Python 实现示例： 
import numpy as np

# 设置种子，确保可复现
np.random.seed(42)

# 生成 100,000 个标准正态随机数
N = 100_000
samples = np.random.normal(loc=0.0, scale=1.0, size=N)

# MC 估计期望值
theta_hat = np.mean(samples)
std_error = np.std(samples, ddof=1) / np.sqrt(N)

# 95% 置信区间
ci_low = theta_hat - 1.96 * std_error
ci_high = theta_hat + 1.96 * std_error

print(f"估计值: {theta_hat:.4f}")
print(f"95% CI: [{ci_low:.4f}, {ci_high:.4f}]")

2.8 本章小结

  • Monte Carlo 方法通过大量随机采样逼近解析解，是金融风控中处理复杂模型的标配工具。
  • 大数定律保证了估计的收敛性，但收敛速度仅为 O(1/√N)。
  • 中心极限定理提供了误差分布形式，使置信区间构建和样本量规划成为可能。
  • 工程实践中，需平衡精度与计算成本，优先使用方差缩减技术。
← 上一章 📖 返回目录 下一章 →