欢迎来到模拟的世界！
在 FRM 的课程中，我们经常讨论如何计算风险价值 (VaR) 或为复杂衍生工具定价。有时，数学模型非常复杂，我们无法单靠代入一个公式就得出答案，这时就是模拟 (Simulation) 与自助法 (Bootstrapping) 发挥作用的时候了。
你可以把模拟想象成一台“假设性情境”机器。与其试图通过单一步骤来解开难题，我们不如通过不同的随机结果，将过程重复执行 10,000 次，观察通常会发生什么情况。本章属于数量分析 (Quantitative Analysis) 部分，将教导你如何利用计算机和历史数据来建立不确定性的模型。
如果初看这些数学内容觉得有点吓人，不用担心！我们会一步步拆解，让你掌握这些数字背后的逻辑。
1. 蒙地卡罗模拟 (Monte Carlo Simulation, MCS)
蒙地卡罗模拟是一种用于理解金融模型中风险与不确定性影响的技术，它依赖重复的随机抽样来获得数值结果。
运作原理：一个简单的类比
想象你想知道自己上班会不会迟到。与其胡乱猜测，你不如在脑海中模拟 1,000 次通勤过程。有些日子会遇到车祸（随机冲击），有些日子会下雨（另一种冲击），而有些日子则一切顺利。最后，你发现有 5% 的情况会迟到。这 5% 就是你的风险指标！
运作流程
要在金融领域进行蒙地卡罗模拟，我们通常遵循以下步骤：
- 设定模型： 选择一个描述资产价格变动的数学公式（例如：几何布朗运动）。
- 生成随机变量： 利用计算机选取随机数字（通常来自标准正态分布）。
- 计算结果： 将这些随机数字代入模型，得出资产价格最终的落点。
- 重复执行： 重复上述步骤数千次，以建立未来价格可能出现的分部。
- 分析： 找出平均值（期望值）或最差的 5%（即 VaR）。
快速回顾： 蒙地卡罗模拟是参数化 (Parametric) 的。这意味着我们必须对随机冲击做出特定的分布假设（例如正态分布）。
2. 模拟资产路径：几何布朗运动 (Geometric Brownian Motion, GBM)
在 FRM 考试中，你经常会看到资产价格是使用几何布朗运动 (GBM) 来建模的。这听起来很专业，其实只是假设价格的变动由稳定的趋势（漂移项，Drift）和一些随机的“杂讯”（波动率，Volatility）所组成。
公式
在极短时间内，股票价格的变动表示为：
\( \Delta S = S \times (\mu \Delta t + \sigma \epsilon \sqrt{\Delta t}) \)
其中：
\( S \) = 当前股票价格。
\( \mu \) = 预期回报（漂移项）。
\( \sigma \) = 股票的波动率。
\( \Delta t \) = 时间步长（例如一天）。
\( \epsilon \) = 从标准正态分布 \( N(0,1) \) 中抽取的随机数。
为什么要用这个模型？
我们使用 GBM 是因为它能确保股价不会跌至零以下（这符合现实情况），并且它考虑了回报率通常是基于百分比的事实。
你知道吗？ 公式中的 \( \epsilon \sqrt{\Delta t} \) 部分正是你在股票图表上看到的“随机漫步 (Random Walk)”特征。如果没有它，股价只会是一条乏味的直线！
3. 准确性与标准误 (Standard Error)
学生常问的一个问题是：“我需要多少次模拟？”答案是：越多越好！
蒙地卡罗模拟的准确性由标准误 (SE) 来衡量。公式为：
\( SE = \frac{\sigma}{\sqrt{n}} \)
其中 \( \sigma \) 是模拟结果的标准差，\( n \) 是模拟的次数。
关键见解
要将误差减半，你需要增加四倍的模拟次数（因为有平方根的关系）。这使得蒙地卡罗模拟在运算上成本很高——需要强大的计算机算力才能获得精确的结果。
常见错误： 以为将模拟次数 (\( n \)) 加倍就能将误差减半。这是不对的！你需要将 \( n \) 增加至四倍，误差才会减半。
4. 降低误差：方差缩减技术 (Variance Reduction Techniques)
由于执行数百万次模拟非常耗时，我们使用一些“技巧”来以更少的实验次数获得更高的准确度，这些被称为方差缩减技术。
对偶变量法 (Antithetic Variates)
这是最常见的技术。对于每个使用随机数 \( \epsilon \) 生成的路径，你同时执行一个使用 \( -\epsilon \) 的路径。
为什么？ 这样可以平衡随机抽样带来的“运气”成分。如果某次模拟“运气太好”（出现极高的正向冲击），对偶路径就会“运气太差”，从而让平均值更快趋近于真实值。
控制变量法 (Control Variates)
你使用一个有已知解析解（存在现成公式）的相关资产，来“校正”你正在模拟的复杂资产估计值。这就像是使用一张已知城市的地图，来帮助你导航附近稍微不同但未知的城市。
重点总结： 方差缩减技术帮助我们在不需要超级计算机的情况下，得到更稳定且准确的答案。
5. 自助法 (Bootstrapping)
自助法 (Bootstrapping) 是蒙地卡罗的“表亲”，但有一个主要区别：它不假设任何分布。
运作原理
自助法不是使用数学公式来生成随机数，而是查看真实的历史数据。
想象你有过去 100 天的股票回报数据。为了模拟接下来的 10 天，你实际上是从这 100 天的数据中“从帽子里抽出一组回报”，记下后放回，再抽一次。这称为有放回抽样 (Sampling with replacement)。
自助法的优点：
- 不需分布假设： 你不必猜测数据是否为“正态”。如果过去数据有“肥尾”（极端事件），自助法会自然地将它们包含在内。
- 简单： 你只是在重复使用现有的数据。
自助法的缺点：
- 过去不等于未来： 如果“黑天鹅”事件在你的历史样本中从未发生过，自助法永远无法预测它。
- 数据质量： 如果你的历史数据杂乱或长度不足，你的模拟效果就会很差。
记忆小撇步： 把 Bootstrapping 想象成 Backward-looking（回顾过去的数据），而 Monte Carlo 是 Model-based（基于模型/公式）。
6. 方法比较
在 FRM 考试中，你可能会被要求为特定情境选择最佳方法。以下是一个简单的对照表：
蒙地卡罗模拟 (Monte Carlo Simulation)：
- 适用场景： 无现成公式的复杂期权。
- 优点： 可以模拟任何未来情境。
- 缺点： 高度“模型风险”（如果公式错误，结果就是错的）。
自助法 (Bootstrapping)：
- 适用场景： 不知道基础分布的情况。
- 优点： 能捕捉真实世界的异常状况（肥尾效应）。
- 缺点： 受限于历史数据样本。
7. 总结检查清单
在继续往下学习之前，请确认你能回答以下问题：
- 我能解释蒙地卡罗模拟的基本步骤吗？
- 我理解标准误会随着 \( \sqrt{n} \) 的增加而降低吗？
- 我知道对偶变量法涉及使用 \( \epsilon \) 和 \( -\epsilon \) 吗？
- 我能解释为什么自助法是“有放回抽样”吗？
- 我清楚参数化方法 (MCS) 和非参数化方法 (Bootstrapping) 的区别吗？
恭喜你！你刚刚掌握了模拟与自助法的精华。持续练习 GBM 公式，你将为 FRM Part I 考试中的数量挑战做好充分准备！