σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyロードマップスキル
Ctrl K
AO
+1.2k 人の学習者
ログイン参加する ↗
ロードマップスキル
AO
+1.2k 人の学習者
ログイン
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyロードマップスキル
Ctrl K
AO
+1.2k 人の学習者
ログイン参加する ↗
ロードマップスキル
AO
+1.2k 人の学習者
ログイン
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Calculus スキル›モジュール 2 · 勾配と積分›トピック 2.3·~45 分中級

モンテカルロ法による多変数積分

スキル上の位置モジュール 2/4 · トピック 3/3
2.3 モンテカルロ法による多変数積分
—ラボスコア— / 100合計XP—連続日数—

標本抽出による積分

重積分は領域 RRR 上で関数を足し合わせます:∬Rf dA\iint_R f\,dA∬R​fdA。手で解けるものはわずかですが、金融には山ほどあります。デリバティブの期待ペイオフ、損失の確率、バスケットオプションの価格は、いずれも多次元の積分です。

∫Rf dV≈V⋅1N∑i=1Nf(xi)\int_R f\,dV \approx V\cdot\frac{1}{N}\sum_{i=1}^{N} f(\mathbf{x}_i)∫R​fdV≈V⋅N1​i=1∑N​f(xi​)(1)

モンテカルロ法は標本抽出で積分を推定します。定義域を含む既知の体積 VVV の領域に一様に NNN 個のランダムな点 xi\mathbf{x}_ixi​ を取り、その上で fff を平均して VVV を掛けます。推定値自体が確率的で、標準誤差は σ/N\sigma/\sqrt{N}σ/N​ です。誤差を半分にするには4倍の点が必要です。

最大の利点は次元です。各軸10点の格子は ddd 次元で 10d10^d10d 点が必要で、d=10d=10d=10 なら 101010^{10}1010 点です。モンテカルロの誤差は ddd に関係なく 1/N1/\sqrt{N}1/N​ で減ります。面積や体積では、ヒット・オア・ミスになります。図形の内側に入った点の割合に、箱の体積を掛けます。

  • 推定値:一様乱数点での fff の平均に VVV を掛けたもの。
  • 標準誤差:σ/N\sigma/\sqrt{N}σ/N​。点を4倍にすると半分になる。
  • ヒット・オア・ミス:面積や体積は、内側の点の割合に箱の体積を掛けたもの。
ヒット・オア・ミスで体積を求める体積8の立方体 [−1,1]3[-1,1]^3[−1,1]3 にランダムな点を投げます。x2+y2+z2≤1x^2+y^2+z^2\le 1x2+y2+z2≤1 なら単位球の内側です。内側に入る正確な割合は 4π/38=π6≈0.5236\frac{4\pi/3}{8}=\frac{\pi}{6}\approx 0.523684π/3​=6π​≈0.5236 で、10万点なら約52,360点が内側に入り、割合の標準誤差は p(1−p)/N≈0.0016\sqrt{p(1-p)/N}\approx 0.0016p(1−p)/N​≈0.0016 です。
答えは乱数の種で変わる異なる乱数の種で2回実行すると、推定値は少し違います。推定値自体が確率的だからです。値と一緒に必ず標準誤差を示し、再現できる結果が必要なときは、このコースのラボのように種を固定します。

ラボ:採点される内容

  • 厳密な二重積分15点
  • 標準誤差15点
  • 何倍の点が必要か15点
  • ヒット・オア・ミスの体積15点
  • なぜ高次元でモンテカルロか10点
  • モンテカルロ法の手順10点
  • 標本抽出が有効な理由20点
0/ 7問回答済み
問題
1数値で答える15点未回答

∫01∫01xy dx dy\int_0^1\int_0^1 xy\,dx\,dy∫01​∫01​xydxdy を計算してください。モンテカルロ推定が近づくべき値です。

I=I =I=許容:± 0.001
2数値で答える15点未回答

f(xi)f(\mathbf{x}_i)f(xi​) の標準偏差は σ=0.5\sigma=0.5σ=0.5 で、N=10,000N=10{,}000N=10,000 点を使います。平均の標準誤差 σ/N\sigma/\sqrt{N}σ/N​ はいくつですか。

SE=SE =SE=許容:± 0.0001
3数値で答える15点未回答

標準誤差を4分の1にするには、NNN を何倍にすればよいですか。

factor=factor =factor=許容:± 0.001
4数値で答える15点未回答

ランダムな点が立方体 [−1,1]3[-1,1]^3[−1,1]3 を満たします。単位球の内側に入る割合はいくつになるはずですか。π/6\pi/6π/6 を小数第4位まで答えてください。

p=p =p=許容:± 0.001
5選択10点未回答

10次元の積分で、格子よりモンテカルロが好まれるのはなぜですか。

6手順を並べ替える10点未回答

モンテカルロ積分の手順を並べてください。

ドラッグして並べ替えます。または項目にフォーカスし、スペースで持ち上げ、矢印キーで移動、スペースで置きます。

  1. 1各点で fff を計算する
  2. 2領域を含む既知の体積 VVV の箱を選ぶ
  3. 3値を平均して VVV を掛ける
  4. 4箱の中に一様に NNN 個のランダム点を取る
7言葉で説明する20点未回答

モンテカルロ推定の計算方法、誤差の減る速さ、そしてそれが多次元で重要な理由を2〜3文で説明してください。

数学モードキーボードまたは LaTeX で入力問題1/7 · Ctrl ⏎ で確認

コードを実行するにはログインしてください。

レクチャーはすべて無料で読めます。コードの実行、テスト、ラボの提出にはアカウントの作成かログインが必要です。

  • ブラウザ内IDEとbashターミナル。インストール不要
  • 即時採点、XP、スキルでの現在地
アカウントを作成ログイン
または
GitHubで続ける