随机数与伪随机数生成器：Python中random模块、numpy.random、种子设置与可重复性
做量化金融的人，天天跟随机数打交道。蒙特卡洛模拟说白了，就是用随机数去逼近真实世界的分布。但这里有个坑——计算机生成的随机数，其实都是伪随机数。嗯，这个区别很重要，我当年刚入行时就吃过亏。
真随机 vs 伪随机：到底差在哪？
真随机数，比如用物理过程（放射性衰变、热噪声）产生的，理论上不可预测。但问题是，太慢了，而且没法复现。你想想看，做回测时如果每次跑出来的结果都不一样，你怎么调试策略？
伪随机数就不一样了。它基于一个确定的算法，只要初始状态（种子）相同，生成的序列就完全一样。这恰恰是我们想要的——可重复性。
核心要点：伪随机数不是真正的随机，但足够「随机」用于金融模拟。关键在于，它让我们能复现结果。
我个人习惯，在正式跑蒙特卡洛之前，一定会先固定种子。为什么？因为调试时你需要知道，这次结果变了是因为代码改了，还是随机数变了。
Python random模块：入门级但够用
Python自带的random模块，是最基础的伪随机数生成器。它用的是梅森旋转算法（Mersenne Twister），周期长达2^19937-1。说实话，对于大多数衍生品定价场景，这个周期已经绰绰有余了。
import random
# 设置种子
random.seed(42)
# 生成均匀分布 [0,1)
print(random.random()) # 0.6394267984578837
# 生成正态分布
print(random.gauss(0, 1)) # 均值0，标准差1
# 从列表中随机选
choices = ['call', 'put', 'binary']
print(random.choice(choices))我在项目中遇到过一个问题：用random模块生成大量随机数时，速度明显跟不上。特别是做路径依赖型期权（比如亚式期权）的模拟，动辄上百万条路径，random模块就有点吃力了。
我的建议：如果模拟路径少于10万条，random模块完全够用。超过这个量级，建议用numpy.random。
numpy.random：量化金融的标配
numpy.random比random模块快得多，因为它底层用C语言实现，而且支持向量化操作。说白了，一次生成一批随机数，比循环生成快一个数量级。
import numpy as np
# 设置种子
np.random.seed(42)
# 生成1000个标准正态分布随机数
samples = np.random.randn(1000)
# 生成均匀分布
uniform_samples = np.random.rand(1000)
# 生成指定形状的随机数矩阵
matrix = np.random.normal(loc=0, scale=1, size=(100, 100))我记得有一次做障碍期权的定价，需要生成100万条路径。用random模块跑了将近两分钟，换成numpy.random后，十几秒就搞定了。这个差距，在实盘交易中可能就是能不能及时给出报价的区别。
注意：numpy.random和random模块的种子是独立的。你设了random.seed(42)，不影响numpy.random的结果。两个模块要分别设种子。
种子设置与可重复性：避坑指南
种子设置看似简单，但坑不少。我曾经因为种子没设好，导致回测结果无法复现，被风控部门追着问了一下午。
常见的坑有这几个：
- 种子设在了循环里——每次循环都重置种子，生成的都是同一个「随机数」
- 多线程环境下种子冲突——每个线程需要独立的随机数流
- 不同版本的numpy种子行为不同——numpy 1.x和2.x的随机数算法有变化
# 正确的做法
np.random.seed(42) # 只在程序开头设一次
# 错误的做法
for i in range(100):
np.random.seed(42) # 每次循环都重置，结果都一样
print(np.random.randn())避坑指南：我曾经在写回测框架时，把种子设在了策略类的__init__方法里。结果每个策略实例都用了相同的随机数序列，回测结果完全不可信。后来改成在程序入口统一设种子，问题才解决。
知识体系结构图
下面这张图，帮你理清随机数生成的核心脉络：
实际应用中的选择策略
说了这么多，到底该用哪个？我整理了一个对比表，你直接照着选就行：
| 场景 | 推荐模块 | 原因 |
|---|---|---|
| 简单模拟（<10万条路径） | random | 够用，无需额外依赖 |
| 大规模模拟（>10万条路径） | numpy.random | 速度快，支持向量化 |
| 需要复现结果 | 两者皆可 | 记得设种子 |
| 多线程环境 | numpy.random.SeedSequence | 避免种子冲突 |
| 生产环境/回测框架 | numpy.random | 性能稳定，社区支持好 |
总结一下：伪随机数不是缺陷，而是特性。它让我们能在确定性和随机性之间找到平衡。做量化金融，你不需要真正的随机，你需要的是可控的随机。
嗯，关于随机数生成器的基础就聊到这儿。种子设置这个看似简单的问题，其实藏着不少细节。我建议你每次写模拟代码前，先问问自己：这个结果，我明天还能复现吗？