第3章：价格序列生成——随机游走、几何布朗运动与带漂移项模拟

各位好，我是老张。今天咱们聊聊价格序列生成。这玩意儿在仿真市场里，就像地基一样重要。你想想看，没有真实的价格波动，后面的交易策略、风险评估全是空中楼阁。

我个人习惯，做仿真数据时，价格序列生成是第一步。它决定了整个市场的「味道」对不对。咱们今天要讲的三个模型——随机游走、几何布朗运动、带漂移项模拟，说白了就是三个不同层级的「价格剧本」。

3.1 随机游走模型：最朴素的假设

随机游走，英文叫 Random Walk。这个模型假设明天的价格，只跟今天的价格有关，再加上一个随机扰动。用公式表达就是：

P(t+1) = P(t) + ε(t)

其中 ε(t) 是均值为0、方差为σ²的正态分布随机数。

嗯，这里要注意：随机游走没有趋势，没有均值回归。它就是个醉汉走路，下一步往哪走完全随机。我在项目中遇到过，有些同学直接用这个模型生成股票价格，结果发现价格居然变成负数了——这显然不合理。

随机游走的代码实现很简单：

import numpy as np
import matplotlib.pyplot as plt

def random_walk(start_price, steps, sigma=0.01):
    prices = [start_price]
    for i in range(steps):
        shock = np.random.normal(0, sigma)
        prices.append(prices[-1] + shock)
    return prices

# 生成1000步的随机游走
prices = random_walk(100, 1000, sigma=0.5)
plt.plot(prices)
plt.title('随机游走价格序列')
plt.show()

你看，这个序列上下乱窜，没有规律。但现实中，很多金融资产的价格并不是这样走的。它们有趋势，有波动聚集效应。所以随机游走虽然简单，但局限性也很明显。

3.2 几何布朗运动：更真实的金融价格

几何布朗运动（GBM）解决了随机游走的两个大问题：价格不会为负，而且波动率与价格水平成正比。说白了，价格越高，波动越大。

GBM 的公式长这样：

dS = μS dt + σS dW

翻译成人话：价格的变化量 = 漂移项 × 当前价格 × 时间步长 + 波动率 × 当前价格 × 随机项。

离散化之后，我们可以这样模拟：

def geometric_brownian_motion(S0, mu, sigma, T, N):
    dt = T/N
    prices = [S0]
    for i in range(N):
        shock = np.random.normal(0, np.sqrt(dt))
        prices.append(prices[-1] * np.exp((mu - 0.5*sigma**2)*dt + sigma*shock))
    return prices

# 参数：初始价格100，年化收益率5%，波动率20%，时间1年，步数252
prices_gbm = geometric_brownian_motion(100, 0.05, 0.2, 1, 252)
plt.plot(prices_gbm)
plt.title('几何布朗运动价格序列')
plt.show()

为什么会这样？因为真实市场有「波动率微笑」现象——价外期权的隐含波动率往往更高。GBM 无法捕捉这个特征。

3.3 带漂移项的模拟：加入趋势

带漂移项的模拟，说白了就是在随机游走的基础上加一个「方向感」。公式变成：

P(t+1) = P(t) + μ·dt + σ·ε(t)

这里的 μ 就是漂移系数，代表每单位时间的平均增长。如果 μ > 0，价格整体向上；μ < 0，价格向下。

代码实现：

def random_walk_with_drift(start_price, steps, mu, sigma):
    prices = [start_price]
    for i in range(steps):
        drift = mu * 1  # dt=1
        shock = np.random.normal(0, sigma)
        prices.append(prices[-1] + drift + shock)
    return prices

# 漂移项为0.1，波动率为0.5
prices_drift = random_walk_with_drift(100, 1000, 0.1, 0.5)
plt.plot(prices_drift)
plt.title('带漂移项的随机游走')
plt.show()

你看，这个序列整体向上，但局部波动依然很大。我在做宏观经济仿真时，经常用这个模型来模拟GDP增长路径——有长期趋势，但短期波动不可预测。

3.4 三种模型的对比

模型	价格非负	趋势性	波动率特征	适用场景
随机游走	❌ 可能为负	无	常数	简单测试、白噪声模拟
几何布朗运动	✅ 始终为正	有（通过μ控制）	与价格成正比	股票价格、期权定价
带漂移项随机游走	❌ 可能为负	有（通过μ控制）	常数	宏观经济指标、利率模拟

嗯，这里要提醒一句：没有完美的模型。每个模型都有它的假设和局限。我个人的做法是，先搞清楚你要模拟的资产有什么特征，再选模型。

3.5 知识体系总览

下面这张图，是我自己总结的价格序列生成知识框架。你看一眼，心里就有数了：

3.6 实战建议

最后，给你几个实战建议：

• 先看数据特征：拿到真实数据后，先画个图，看看有没有趋势、波动率是否稳定。这决定了你选哪个模型。
• 参数校准要谨慎：漂移项 μ 和波动率 σ 的估计，直接影响仿真结果。我建议用历史数据的滚动窗口来估计，而不是用全样本。
• 多路径模拟：别只生成一条路径。生成1000条，看分布。这才是蒙特卡洛仿真的精髓。
• 验证合理性：生成的价格序列，要检查最大值、最小值、波动率是否在合理范围内。我曾经生成过年化波动率500%的序列，一看就知道参数设错了。

好了，这一章就到这里。价格序列生成是仿真数据的基础，搞懂了这三个模型，后面的章节你会轻松很多。记住，动手写代码才是最好的学习方式。

---