蒙特卡洛模拟股票价格matlab

1. 如何用matlab实现这个蒙特卡洛仿真

Monte Carlo 仿真设计
一．Monte Carlo仿真方法的基本思想及其特点
Monte Carlo仿真方法又称统计试验法，它是一种采用统计抽样理论近似地求解数学、物理及工程问题的方法。它解决问题的基本思想是，首先建立与描述该问题有相似性的概率模型，然后对模型进行随机模拟或统计抽样，再利用所得的结果求出特征量的统计值作为原问题的近似解，并对解的精度作出某些估计。Monte Carlo仿真方法的主要理论基础是概率论中的大数定律，要主要手段为随机变量的抽样分析。
Monte Carlo仿真方法的特点如下：
（1）Monte Carlo仿真分析是通过大量而简单的重复抽样实现的，故计算方法和程序结构都很简单；
（2）收敛的概率性和收敛速度与问题的维数无关；
（3）适应性强，受问题条件限制的影响较小；
（4）收敛速度较慢，不宜用来解决精度要求很高的实际问题。
Monte Carlo仿真方法在实际中能否应用的关键问题之一，是能否有简便、经济和可靠的随机数产生方法。

二．随机数的产生方法
随机数的产生方法主要有三类：第一类是利用专门的随机数表；第二类为物理方法，即用物理装置产生随机数；第三类为数学方法，即用专门的运算程序在计算机上产生随机数。前两种方法由于其固有的缺陷而降低了其使用价值。最后一种数学方法是目前使用较广、发展较快的方法。下面简单介绍几种产生随机数的常用数学方法。

2. 如何在matlab中用蒙特卡洛模拟计算欧式期权价格

function [c,p]=ucoption(S,X,sigma,r,T,M)
sig2=sigma^2;
srT=sqrt(T);
srTa=sigma*srT;
c=0;
p=0;
for i=1:M
ST=S*exp((r-0.5*sig2)*T+srTa*randn);
c=c+max(ST-X,0);
p=p+max(X-ST,0);
end
c=c/M;
p=p/M;
[Call,Put] = blsprice(S, X, r, T, sigma);
error=[c,p]-[Call,Put]

%可以试试 [c,p]=ucoption(10,10,0.3,0.05,0.5,10^4*100);

3. 怎么用Matlab做蒙特卡洛模拟呢，求大神

不局限于 matlab，所谓蒙特卡洛模拟其实就是随机试验10000次，然后统计下结果。
会用 random 函数就行。。。

4. 如何利用蒙特卡洛模拟来计算期权调整价差，最好有MATLAB程序 发到我的邮箱里 [email protected]

你的问题放错分类了。这是体育分类。

5. 如何使用MATLAB进行蒙特卡洛模拟

蒙特卡洛方法于MATLAB中的使用 以我目前粗浅的理解 就是给定参数范围 利用for等循环语句 来进行大量次数的模拟 得出最接近理想值的结果

6. 求助，如何用matlab做蒙特卡罗模拟

如果是离散的变量，就要一般用一些离散的分布来进行估计，估计完后会有相应的检验来检验你的的估计结果是不是合理。
不知道你的是什么实验数据，如果是环境数据的话，绝大多数都是lognormal distribution！

7. 怎样用matlab实现蒙特卡洛仿真

贴一个蒙特卡洛方法的matlab程序，供大家使用。

{3 x& K/ i1 i( D8 C0 c$ O
% Example Monte Carlo Simulation in Matlab 0 O5 \; P" t# t7 v8 c& @
% Function: y = x2^2/x1 5 Z0 W4 e9 q, d5 B+ c
%
% Generate n samples from a normal distribution 4 s! c6 y, I6 H" d) K+ v. Y; X: Q
% r = ( randn(n,1) * sd ) + mu 4 U F* Q) t, T# q* w/ K' Q
% mu : mean / E( P8 U" c* o! G8 s/ x
% sd : standard deviation
%
% Generate n samples from a uniform distribution 2 u# ^& K. [0 z% F) @1 y
% r = a + rand(n,1) * (b-a) - D+ }& U$ w- M9 @& Q9 W, Z
% a : minimum
% b : maximum
n = 100000; % The number of function evaluations 7 x5 a" @- F& O- Z; w5 j
% --- Generate vectors of random inputs ! K& x0 ^# X+ q( V6 {
% x1 ~ Normal distribution N(mean=100,sd=5)
% x2 ~ Uniform distribution U(a=5,b=15)
x1 = ( randn(n,1) * 5 ) + 100; 2 B' l3 n) V) D$ ~
x2 = 5 + rand(n,1) * ( 15 - 5 ); \: O: Y( w3 [9 d: V4 r( k4 {
% --- Run the simulation
% Note the use of element-wise multiplication - ~% x$ `7 A6 v9 R* F
y = x2.^2 ./ x1; ' g$ O7 U; R* F% `
% --- Create a histogram of the results (50 bins)
hist(y,50); / M9 m+ s( [* w" J2 I% s/ X
% --- Calculate summary statistics
y_mean = mean(y)
y_std = std(y) ; R7 A2 y M/ T" p, h* m
y_median = median(y)

8. 求助，最小二乘蒙特卡罗模拟的matlab实现

S0<-36
> K<-30
> T<-1
> r<-0.05
> sigma<-0.4
> LSM(10000,3,S0,K,sigma,r,T)
Error in EF[idx] <- (CE[idx] > estimatedCC) : replacement has length zero
In addition: Warning message:
In log(s.t[(n + 1):(2 * n)]) : NaNs proced
>

9. matlab如何实现蒙特卡洛算法

1、打开MATLAB软件，如图所示，输入一下指令。

10. 如何使用MATLAB进行蒙特卡洛模拟 小小知识站

贴一个蒙特卡洛方法的matlab程序，供大家使用。 {3 x& K/ i1 i( D8 C0 c$ O % Example Monte Carlo Simulation in Matlab 0 O5 \; P" t# t7 v8 c& @ % Function: y = x2^2/x1 5 Z0 W4 e9 q, d5 B+ c % % Generate n samples from a normal distribution 4 s! c6 y, I6 H" d) K+ v. Y; X: Q % r = ( randn(n,1) * sd ) + mu 4 U F* Q) t, T# q* w/ K' Q % mu : mean / E( P8 U" c* o! G8 s/ x % sd : standard deviation % % Generate n samples from a uniform distribution 2 u# ^& K. [0 z% F) @1 y % r = a + rand(n,1) * (b-a) - D+ }& U$ w- M9 @& Q9 W, Z % a : minimum % b : maximum n = 100000; % The number of function evaluations 7 x5 a" @- F& O- Z; w5 j % --- Generate vectors of random inputs ! K& x0 ^# X+ q( V6 { % x1 ~ Normal distribution N(mean=100,sd=5) % x2 ~ Uniform distribution U(a=5,b=15) x1 = ( randn(n,1) * 5 ) + 100; 2 B' l3 n) V) D$ ~ x2 = 5 + rand(n,1) * ( 15 - 5 ); \: O: Y( w3 [9 d: V4 r( k4 { % --- Run the simulation % Note the use of element-wise multiplication - ~% x$ `7 A6 v9 R* F y = x2.^2 ./ x1; ' g$ O7 U; R* F% ` % --- Create a histogram of the results (50 bins) hist(y,50); / M9 m+ s( [* w" J2 I% s/ X % --- Calculate summary statistics y_mean = mean(y) y_std = std(y) ; R7 A2 y M/ T" p, h* m y_median = median(y)