相关矩阵缩减导致蒙特卡洛模拟矩阵乘法失败的解决咨询

问题根源 #

你当前的PCA用法有误：直接对10×10相关矩阵做fit_transform得到的是降维后的3×10数据，再计算相关系数得到3×3矩阵，但这个矩阵无法直接和原10维随机变量相乘——两者维度完全不兼容。我们需要的是通过低维主成分重构出保留核心相关性的10维随机变量，而非直接用低维相关矩阵去乘原高维随机变量。

修正方案 #

正确思路是利用PCA提取原相关矩阵的主成分变换矩阵，先生成低维独立随机变量，再通过变换矩阵映射回10维空间，既实现维度缩减（用3维计算代替10维），又能得到符合要求的10维相关随机变量。

修改后的代码 #

import numpy as np
from sklearn.decomposition import PCA

num_stocks = 10
# 生成原10×10相关矩阵
correlation_matrix = np.zeros((num_stocks, num_stocks))
for i in range(num_stocks):
    for j in range(num_stocks):
        correlation_matrix[i, j] = 0.9 ** abs(i - j)

# 对原相关矩阵做PCA，提取3个主成分
pca = PCA(n_components=3)
pca.fit(correlation_matrix)

# 步骤1：生成3维独立标准正态随机变量（对应缩减后的维度）
low_dim_vars = np.random.normal(0, 1, 3)

# 步骤2：通过PCA变换矩阵映射回10维空间，得到保留核心相关性的随机变量
# 用特征值平方根缩放变换矩阵，保证方差匹配原数据的主成分特征
scaled_components = pca.components_.T * np.sqrt(pca.explained_variance_)
correlated_random_vars = scaled_components @ low_dim_vars

# 现在correlated_random_vars是10维数组，符合蒙特卡洛模拟需求
print(correlated_random_vars.shape)  # 输出 (10,)

关键说明 #

• pca.components_：形状为(3,10)，每个行向量代表一个主成分由原10个变量的线性组合构成，转置后变成(10,3)的变换矩阵。
• np.sqrt(pca.explained_variance_)：对主成分特征值开平方，用于缩放变换矩阵，确保重构后的随机变量方差与原数据的主成分方差匹配。
• 该方法通过低维随机变量生成高维相关变量，既简化计算（仅需生成3个随机数），又保留了原相关矩阵的核心相关性结构，完全满足蒙特卡洛模拟的要求。

内容的提问来源于stack exchange，提问作者LuckyStarr