3. 随机数生成原理：伪随机数生成器（PRNG）、种子（Seed）的作用、Python中random与numpy.random模块的使用

在Monte Carlo模拟中，随机数的质量直接决定模拟结果的可靠性与可复现性。工程实践中，我们并不使用真正的物理随机源，而是通过伪随机数生成器（PRNG）产生确定性序列，这些序列在统计上近似于均匀分布。理解PRNG的工作原理、种子（Seed）的作用以及Python中两大随机模块的差异，是构建稳健早期预警信号模拟系统的前提。

3.1 伪随机数生成器（PRNG）的核心机制

PRNG通过一个确定的数学算法，从一个初始状态（种子）出发，生成一个周期极长的数列。该数列具有均匀分布、独立同分布（i.i.d.）的统计特征，但本质上是确定性的。常见的PRNG算法包括：

3.2 种子（Seed）的作用与工程意义

种子是PRNG的初始状态值。在工程模拟中，设置种子具有以下关键作用：

• 可复现性（Reproducibility）： 同一种子产生完全相同的随机数序列，便于调试、回归测试和审计。
• 结果验证： 在早期预警信号研究中，评审人员可以通过相同种子重现模拟结果，验证模型正确性。
• 控制实验变量： 在对比不同参数或策略时，固定种子可以消除随机性干扰，使差异仅来自参数变化。

3.3 Python中random模块的使用

Python标准库的random模块基于梅森旋转算法（Mersenne Twister），适用于一般用途的随机数生成。以下是核心函数及其在Monte Carlo模拟中的应用：

import random

# 设置种子以确保可复现
random.seed(42)

# 生成10个标准正态分布随机数，模拟资产收益率
returns = [random.gauss(0, 1) for _ in range(10)]
print("模拟收益率:", returns)

# 生成均匀分布随机数，用于早期预警阈值判断
threshold = 0.95
for i in range(5):
    u = random.random()
    if u > threshold:
        print(f"第{i+1}次模拟：触发预警（u={u:.4f}）")

3.4 numpy.random模块的使用

numpy.random模块专为科学计算和数组操作设计，支持向量化操作，性能远优于标准库random。在金融工程的大规模Monte Carlo模拟中，numpy.random是首选。

import numpy as np

# 推荐方式：使用独立生成器
rng = np.random.default_rng(seed=2024)

# 生成10000个正态分布随机数，模拟资产价格路径
n_paths = 10000
n_steps = 252  # 一年交易日数
returns = rng.normal(loc=0.0001, scale=0.02, size=(n_paths, n_steps))

# 计算每条路径的累积收益率
cum_returns = np.cumprod(1 + returns, axis=1)

# 早期预警：统计路径中最大回撤超过20%的比例
max_drawdown = np.min(cum_returns / np.maximum.accumulate(cum_returns, axis=1), axis=1)
warning_ratio = np.mean(max_drawdown < 0.8)
print(f"触发早期预警的路径比例: {warning_ratio:.2%}")

3.5 工程实践建议：选择正确的随机模块