向量化方程

我正在尋找完全向量化的模型，我有一個平均回覆波動過程 - 又名Ornstein-Uhlenbeck過程。向量化方程

我跟着代碼在這裏：http://nakamuraseminars.org/nsblog/2014/06/21/monte-carlo-in-python-an-example/它有一個相似但不同的方程。

import pandas as pd 
import numpy as np 
def OU_estimation(M=100000, N=25, T=25, sigma=.1, mu=1, lambda_est=1, S0=1): 
    dt = T/N # simulation time step 
    S = np.zeros((M,N+1)) 
    S[:,0] = S0 
    for n in range(N): 
     #Partially vectorized 
     eps = np.random.normal(0, 1, (M)) 
     S[:,n+1] = S[:,n] + lambda_est*(mu - S[:,n])*dt + sigma*eps 
    df = pd.DataFrame(S) 
    return df

由於代碼當前是部分向量化的，因此它會迭代所採取的步驟數，它已經非常快。我期待，看看它是否可以完全矢量更多的學習經驗

來源

2014-07-26 DataSwede

BTW（M）== M，構建一個元組，你需要昏迷（M，） –

我不關注。你能更好地解釋你正在指出什麼嗎？你認爲逗號需要放在哪裏？ – DataSwede

@RikPoggi是（我認爲）指的是以'eps = ...'開始的行中的'（M）'。函數'.normal'需要一個元組。爲了創建一個長度爲1的元組，你需要輸入一個逗號，如下所示：'（M，）' – Dan

你可以做一個量化的方式，如果你只計算最後一欄

def OU_lastcol(M=100000, N=25, T=25, sigma=.1, mu=1, lambda_est=1, S0=1): 
    dt = T/N 
    c = (1-lambda_est*dt) 
    cv = c**np.arange(N)[::-1] 
    R = np.random.normal(lambda_est*mu*dt, sigma, (M,N)) 
    SN = np.dot(R, cv) + S0*c**N 
    return SN

這不執行比使用默認參數的循環代碼快得多，所以你可以說在這種情況下使用循環對性能影響不大。但是對於N遠大於M循環開銷開始顯示..

來源

2014-07-30 11:26:38

回答

相關問題