蒙特卡洛模拟股票价格走势

❶ 怎么用Excel做蒙特卡洛模拟

进行频度复统计。首先选中与总工期相制对应的频度下面的单元格D2:D23，然后输入公式“=FREQUENCY(A2:A101,C2:C23)”，然后按下Ctrl+Shift+Enter。如此会计算出模拟出来各个总工期的发生次数。

❷ 风险和不确定性的区别

二者的主要区别：
1、决策者能否预知事件发生最终结果的概率分布的不同：风险用来表示已知损益概率分布的情况，而不确定性表示不知损益概率分布的情况。

2、信息量的拥有状况不同：建立在投资者的主观认知能力和认知条件（主要是信息量的拥有状况）的基础上的，具有明显的主观色彩。

3、性质不同：风险性质多样，具有客观性、普遍性、必然性、可识别性、可控性、损失性、不确定性和社会性。

在经济学中， 风险和不确定性都是决策理论的研究对象，经济学家主要是通过preference来研究这两者带来的效用。不确定性是指对于未来的收益和损失等经济状况的分布范围和状态不能确知， 而风险是指当知道分布的时候面临的选择。

(2)蒙特卡洛模拟股票价格走势扩展阅读：

一、风险

风险就是生产目的与劳动成果之间的不确定性，大致有两层含义：一种定义强调了风险表现为收益不确定性；而另一种定义则强调风险表现为成本或代价的不确定性，若风险表现为收益或者代价的不确定性，说明风险产生的结果可能带来损失、获利或是无损失也无获利，属于广义风险，所有人行使所有权的活动，应被视为管理风险，金融风险属于此类。

风险表现为损失的不确定性，说明风险只能表现出损失，没有从风险中获利的可能性，属于狭义风险。风险和收益成正比，所以一般积极进取的投资者偏向于高风险是为了获得更高的利润，而稳健型的投资者则着重于安全性的考虑。

企业在实现其目标的经营活动中，会遇到各种不确定性事件，这些事件发生的概率及其影响程度是无法事先预知的，这些事件将对经营活动产生影响，从而影响企业目标实现的程度。这种在一定环境下和一定限期内客观存在的、影响企业目标实现的各种不确定性事件就是风险。

简单来说，所谓风险就是指在一个特定的时间内和一定的环境条件下，人们所期望的目标与实际结果之间的差异程度。

二、不确定性

不确定性。由于无形资产的作用是潜在的、间接的，且无法预知科学技术的更新速度,这种不确定性就表现在无形资产所能提供的未来经济效益及其自身成本价值均难以准确计量。指的是经济主体对于未来的经济状况尤其是收益与损失的分布范围以及状态不能确知。

不确定性指经济行为者在事先不能准确地知道自己的某种决策的结果.或者说，只要经济行为者的一种决策的可能结果不止一种，就会产生不确定性。不确定性，经济学中关于风险管理的概念，指经济主体对于未来的经济状况（尤其是收益和损失）的分布范围和状态不能确知。

在量子力学中，不确定性指测量物理量的不确定性，由于在一定条件下，一些力学量只能处在它的本征态上，所表现出来的值是分立的，因此在不同的时间测量，就有可能得到不同的值，就会出现不确定值，也就是说，当你测量它时，可能得到这个值，可能得到那个值，得到的值是不确定的。只有在这个力学量的本征态上测量它，才能得到确切的值。

在经典物理学中，可以用质点的位置和动量精确地描述它的运动.同时知道了加速度，甚至可以预言质点接下来任意时刻的位置和动量，从而描绘出轨迹。在微观物理学中，不确定性告诉我们，如果要更准确地测量质点的位置，那么测得的动量就更不准确。

也就是说，不可能同时准确地测得一个粒子的位置和动量，因而也就不能用轨迹来描述粒子的运动，可与宏观世界一样微观世界同样具有客观规律，独立于意识之外，这就是不确定性原理的具体解释

参考资料来源：风险-网络不确定性-网络

❸ 对历史股票价格做蒙特卡洛模拟

你先用5年前的数据模拟一下现在股票的价格，看准不准再说吧

❹ 怎么用 Excel 做蒙特卡洛模拟

excel有一个add-in，叫做“@risk”，我上课时就是用这个做的蒙特卡洛，很好用。但这个add in好像价格很高（250刀？），palisade公司出的，package里还有其他的插件工具，比如说树状图之类的，也挺好用。

❺ 怎么用 Excel 做蒙特卡洛模拟

下面是在Excel中模拟一只股票价格的例子。假设股票价格 的对数收益率服从正态分布，均值为0，每日变动标准差为0.1， 模拟股票价格1年的路径，过程如下： 用到两个内置函数，即用rand()来产生0到1之间的随机数，然后用norminv()来获得服从既定分布的随机数，即收益率样本=norminv(rand(), 0, 0.1)。假定股票价格的初始值是100元，那么模拟的价格就是 S=100 * exp(cumsum(收益率样本))。 其中的cumsum（）不是Excel的内置函数，其意思就是收益率样本的累积，每个时刻的值都是当前样本及此前所有样本的和，如，收益率样本从单元格C3开始，当前计算C15对应的模拟价格，则模拟价格计算公式是：100 * exp(sum($C$3:C15))。 由此可以得到股票价格的一条模拟路径。 其他非正态分布也可以通过类似方式得到分布的抽样，即分布函数的逆函数，这些函数Excel都内置了。所以，做蒙特卡洛模拟的时候，关键是先确定所需模拟的分布，然后进行抽样，然后应用层面的各种公式就可以在抽样的基础上进行计算了。 --------以下是补充的-------- 根据上面提到的思路，其实可以很便捷地为期权做定价。下面就用蒙特卡洛方法为一个普通的欧式看涨期权定价（蒙特卡洛在为普通期权plain vanilla option定价时不占优势，因为相对于解析法而言计算量很大。但是，如果要给结构比较复杂的奇异期权定价时，可能蒙特卡洛法就比较实用，有时可能成为唯一的方法）。 1）假设这个期权是欧式看涨期权，行权价格为50元，标的股票当前的价格也是50元，期权剩余时间是1天。 2）假设标的股票的价格服从对数正态分布，即股票的每日收益率服从正态分布，均值为0，每日标准差为1%。 根据分布假设，首先用rand()函数产生在0到1之间的均匀分布样本。为了提高精确度，这里抽样的数量为1000个（其实1000个是很少的了，通常需要10万个甚至50万个，但是在Excel表格中操作这么多数字，不方便，这是Excel的不足之处）。 下一步，用norminv(probability, mean, std)函数来获得股票收益率分布的1000个抽样，其中的probability参数由rand()产生的抽样逐个代入，mean=0.0, std = 0.01。注意这里抽样得到的日度收益率。也就是说，这个样本对应的下一个交易日股票价格的收益率分布。 下一步，股票价格=50×exp(收益率样本)，得到股票价格分布的抽样，有1000个样本。 根据我做的实验，这1000个样本的分布图形（histogram）跟对数正态分布是比较接近的，如下图所示： 图的横轴是股票价格，纵轴是样本中出现的频率。 得到了股票价格未来一天分布的样本之后，就可以以此样本来计算期权的价格了。 欧式看涨期权的定义为： C=max(S-K,0) 所以，根据这个计算公式可以计算出在到期那天在特定的价格下期权的价值。在Excel中，相当于 期权价值=max(股票价格样本 - 50，0)。由此就可以得到了该期权未来1天价值的样本。 然后，将未来价值贴现回来（用无风险利率贴现，假设无风险利率为0.05，则贴现公式是=exp(-0.05/360）×期权价值，得到期权价格的1000个样本。 最后，对期权价格的1000个样本求平均，Excel函数average(期权价格样本)，就可以得到期权的价格了。 我这里算出来的是：0.2015元。 而根据Black-Scholes期权定价公式算出来的理论价格则是0.2103元。二者比较接近，但是还是有差距。 而且，每次刷新Excel表格，就重新做一次模拟，得到的模拟价格变动比较大，有时是0.2043元，有时是0.1989元。由于这个抽样的数量比较小（1000个样本），所以估算的结果受到样本的影响会比较大。如果把抽样数量提高100倍甚至500倍，那么样本变动的影响可能会小一个或者两个数量级。但是计算量就大了，如果计算机性能不够高，那么利用Excel来做的话，比较困难。 这就是我的工作台： ------ 再来一个 -------- 看到有人提到利用蒙特卡洛方法来估计圆周率Pi，挺有意思，也简单，所以就在Excel中做了一个实验。 基本原理在于在直角坐标系中的第一个象限中的一个单位圆，如下图所示： 在这个面积为1的正方形中，有四分之一的圆，圆的半径与正方向的边长都是1。那么根据圆的面积公式，这个图形中阴影部分的面积应该是 Pi/4。 下面开始进入蒙特卡洛的解法。 即，如果我们对这个正方形平面中的点进行均匀地抽样，随着抽样点的增多，那么落入阴影内的点的数量与总抽样数量的比，应该基本上等于阴影的面积Pi/4与整个正方形面积1的比，即Pi/4。用数学表示，就是 阴影内的样本点数量 ÷ 总数量 = Pi/4 所以，Pi = 4 × 阴影内的样本点数量 ÷ 总数量。 下面就在Excel中进行实验。 用rand()函数生成2000个随机数，作为随机样本点的X轴坐标， 再用rand()函数生成2000个随机数，作为随机样本点的Y轴坐标。 如此就得到了2000个随机样本点，这些点的X轴坐标和Y轴坐标都大于零且小于1，所以是在前面所说的正方形之中的点。 下一步，判断样本点是否处于阴影之内，由于这个阴影就是单位圆在直角坐标系第一想象的四分之一，所以圆阴影内的点都符合如下不等式： 翻译到Excel中，就是用IF函数来判断，例如： IF(A2^2 + B2^2 <=1, 1, 0) 即，如果样本点在阴影中，得到1，否则得到0。这样就把样本点区分开来了。 最后，把所有得到的1和0加总，就知道所有样本点中处于阴影中样本点的数量了。 最后根据 Pi = 4 × 阴影内的样本点数量 ÷ 总数量 就可以算出Pi来了。 我这个试验中算出来的 Pi=3.142。 以下是样本点的散点图： 由于样本数量有限，所以计算出来的Pi的精度并不高。 以下是工作界面，挺简单的。 来源：知乎