### 使用Python实现基于历史股票价格数据的蒙特卡洛模拟 #### 准备工作 为了执行蒙特卡洛模拟，需要先获取所需的历史股价数据。这可以通过多种方式完成，例如使用`yfinance`库来下载Yahoo Finance上的公开数据。 ```python import yfinance as yf import numpy as np import pandas as pd from datetime import datetime ticker = 'AAPL' # 苹果公司作为例子 start_date = '2018-01-01' end_date = datetime.now().strftime('%Y-%m-%d') data = yf.download(ticker, start=start_date, end=end_date)['Adj Close'] ``` #### 计算参数 接下来计算每日收益率以及其均值和标准差，这两个统计量分别代表了预期回报率\( \mu \)和波动率\( \sigma \)[^1]。 ```python returns = data.pct_change() mean_return = returns.mean() std_deviation = returns.std() # 假设交易日每年有大约252天 annual_factor = np.sqrt(252) daily_volatility = std_deviation * annual_factor print(f"年化波动率为 {daily_volatility:.2%}") ``` #### 构建蒙特卡洛路径 定义函数用于生成未来的可能路径。这里采用几何布朗运动模型\[ S_t=S_{t-\Delta t}e^{(\mu-\frac{1}{2}\sigma^2)\Delta t+\sigma\sqrt{\Delta t}Z}, Z\sim N(0,1) \]。 ```python def monte_carlo_simulation(prices, days=252, simulations=1000): last_price = prices[-1] simulation_df = pd.DataFrame() for _ in range(simulations): daily_returns=np.random.normal(mean_return,daily_volatility/days**(1/2),days)+1 price_list=[last_price] for x in daily_returns: price_list.append(price_list[-1]*x) simulation_df[_]=pd.Series(price_list[1:]) return simulation_df ``` #### 执行模拟并可视化结果 调用上述构建好的方法来进行实际的模拟过程，并绘制图表展示不同情景下的潜在走势[^2]。 ```python mc_simulated_prices = monte_carlo_simulation(data.values) plt.figure(figsize=(16,8)) plt.plot(mc_simulated_prices.T) plt.title('Monte Carlo Simulation of Stock Price', fontsize=18) plt.xlabel('Days') plt.ylabel('Price ($)') plt.show() ``` 通过这种方式可以得到一系列未来股价发展的可能性分布情况，从而帮助评估投资风险或制定相应的策略。