随机数生成：伪随机数原理、Python中的random库、numpy.random模块

做Monte Carlo模拟，说白了就是跟随机数打交道。你想想看，我们要模拟成千上万条资产价格路径，每一步都得靠随机数来驱动。所以随机数生成这件事，是整个模拟的基石。

我个人习惯把随机数生成比作「炒菜的盐」——用量不大，但少了它整道菜就废了。今天我们就来聊聊这个「盐」到底是怎么来的。

伪随机数原理：计算机真的能「随机」吗？

先问个问题：计算机能生成真正的随机数吗？

答案是：不能。至少普通计算机不行。

计算机是确定性的机器。给它同样的输入，它永远给你同样的输出。所以它没法「凭空」产生随机数。那怎么办？

嗯，这里有个巧妙的方法——用算法模拟随机性。这就是伪随机数生成器（PRNG）的核心思想。

最常见的算法叫线性同余生成器（LCG）。公式很简单：

X_{n+1} = (a * X_n + c) mod m

其中：

• X_n 是当前随机数
• a 是乘数
• c 是增量
• m 是模数

说白了，就是拿上一个数做一顿数学运算，然后取余数。这个余数看起来就像随机数。

我在项目中遇到过一个问题：用默认的随机数生成器跑100万次模拟，结果发现某些极端场景出现的频率异常高。排查了半天，原来是随机数生成器的周期太短，导致序列重复了。所以选对生成器很重要。

Python中的random库：入门级选手

Python自带的random库，用的是梅森旋转算法（Mersenne Twister）。这个算法周期长达2^19937-1，质量相当不错。

常用的函数就这几个：

函数	说明	示例
random.random()	返回[0,1)的浮点数	0.3745
random.uniform(a, b)	返回[a,b]的均匀分布	3.1415
random.gauss(mu, sigma)	返回正态分布	0.0234
random.seed(n)	设置随机种子	random.seed(42)

举个例子，模拟一次标准正态随机数：

import random

# 设置种子，保证结果可复现
random.seed(42)

# 生成10个标准正态随机数
for _ in range(10):
    z = random.gauss(0, 1)
    print(f"{z:.4f}")

但说实话，random库有个缺点——慢。你要生成几百万个随机数，它就不太行了。而且它不支持向量化操作，一次只能生成一个数。

numpy.random模块：专业选手的武器

做金融模拟，我几乎只用numpy.random。为什么？

• 速度快：底层用C实现，批量生成效率极高
• 向量化：一次生成整个数组，配合numpy的广播机制
• 分布全：正态、对数正态、泊松、卡方……应有尽有

来看看怎么用：

import numpy as np

# 设置种子
np.random.seed(42)

# 生成10000个标准正态随机数
z = np.random.standard_normal(10000)

# 生成10000个均值为0.05，标准差为0.2的正态随机数
returns = np.random.normal(0.05, 0.2, 10000)

# 生成1000x252的随机矩阵（模拟1000条路径，每条252天）
paths = np.random.standard_normal((1000, 252))

你看，一行代码就能生成上万个随机数。这在Monte Carlo模拟里太关键了。

新API的用法：

from numpy.random import default_rng

# 创建生成器
rng = default_rng(42)

# 生成随机数
z = rng.standard_normal(10000)
uniform = rng.uniform(0, 1, 5000)

我曾经踩过一个坑：用旧API在多线程环境下生成随机数，结果不同线程拿到了相同的序列。换成新API的default_rng后，每个线程独立生成器，问题就解决了。

知识体系一览

下面这张图，帮你理清随机数生成的核心脉络：

选哪个？我的建议

简单总结一下：

• 小规模测试（几百个随机数）：用random库就行，简单直接
• 大规模模拟（几万到几百万）：必须用numpy.random，性能差距是数量级的
• 需要可复现：永远记得设种子，np.random.seed(42) 或 default_rng(42)
• 多线程/多进程：用新API的default_rng，每个线程独立生成器

好了，随机数这块就聊到这儿。记住一句话：伪随机数不是真随机，但用对了，它就是真随机的完美替身。

---