Numpy随机模拟为何每次返回相同结果?如何修改生成不同路径
核心问题原因
你观察到每次运行生成相同路径的根本原因,是函数内部的固定种子重置逻辑:
- 代码中
np.random.seed(seed=777)会直接把numpy全局随机数生成器的状态,强制重置为seed=777对应的初始固定状态。 - 每次调用这个函数,就会执行一次重置操作,相当于每次生成随机数之前都把“随机起点”拉回同一个位置,后续调用
np.random.normal()得到的正态分布序列完全一致,最终输出的利率路径自然没有任何区别。 - 这种硬编码的种子重置,和“不设固定种子时每次生成不同随机数”的机制是冲突的——你不是没有设种子,是每次进函数都强制把种子切回固定值,清空了之前积累的随机状态。
代码修改方案
基础修改版:支持按需固定复现,默认生成不同路径
调整函数内部的种子判断逻辑,只有显式传入固定种子时才重置随机状态,否则直接使用当前全局随机状态生成数,保证每次调用的输出独立:
import numpy as np import matplotlib.pyplot as plt def vasicek(r0, K, theta, sigma, T, N, seed=None): # 仅当用户显式传入seed时,才重置随机状态实现复现 if seed is not None: np.random.seed(seed) dt = T / float(N) rates = [r0] for i in range(N): dr = K * (theta - rates[-1]) * dt + sigma * np.random.normal() rates.append(rates[-1] + dr) return np.linspace(0, T, N+1), rates
修改后的调用逻辑:
- 不传
seed参数时,每次调用函数都会顺着全局随机数流生成新的随机冲击,输出完全不同的利率路径。 - 需要复现某条固定路径时,手动传入
seed=你要的固定值即可。
多路径对比示例(课程作业常用场景)
循环调用函数生成多条独立路径,一次性展示不同随机冲击下的利率走势:
plt.figure(figsize=(10, 6)) # 生成5条不同的模拟路径 for path_idx in range(5): t, r = vasicek(r0=0.03, K=0.2, theta=0.05, sigma=0.01, T=5, N=200) plt.plot(t, r, linewidth=1.2, label=f'路径{path_idx+1}') plt.xlabel('时间(年)') plt.ylabel('短期无风险利率') plt.title('Vasicek模型下的多条利率模拟路径') plt.legend() plt.grid(alpha=0.3) plt.show()
更推荐的工程化写法:使用独立随机数生成器实例
全局随机数生成器的缺点是容易被代码其他部分的随机调用影响状态,更稳定的写法是使用独立的随机数生成器实例,完全隔离不同模拟过程的随机状态,避免互相干扰:
def vasicek(r0, K, theta, sigma, T, N, rng=None): # 未传入指定的生成器时,自动创建一个带随机初始化的独立生成器 if rng is None: rng = np.random.default_rng() dt = T / float(N) rates = [r0] for i in range(N): dr = K * (theta - rates[-1]) * dt + sigma * rng.normal() rates.append(rates[-1] + dr) return np.linspace(0, T, N+1), rates
这种写法的优势:
- 每次调用函数默认生成完全独立的随机路径,不会和代码其他位置的随机计算冲突。
- 需要复现特定路径时,只需要传入带固定种子初始化的生成器即可,不会影响全局随机状态。
高效批量生成路径的优化写法
如果需要一次性生成几十上百条路径做统计分析,可以一次性把所有随机冲击全部生成,比循环中逐次调用随机函数的效率高得多:
def vasicek_batch(r0, K, theta, sigma, T, N, n_paths, rng=None): if rng is None: rng = np.random.default_rng() dt = T / N # 一次性生成所有步长的随机冲击,形状为 (时间步长数, 路径数) shocks = rng.normal(size=(N, n_paths)) rates = np.zeros((N+1, n_paths)) rates[0, :] = r0 for i in range(N): rates[i+1, :] = rates[i, :] + K*(theta - rates[i, :])*dt + sigma*shocks[i, :] t = np.linspace(0, T, N+1) return t, rates
避坑提示
- 不要在函数内部硬编码固定值的
np.random.seed(),这是导致模拟路径完全重复的最常见原因。 - 对比多条路径时,不要每次调用都传入同一个固定种子,否则所有路径会完全重合。
- 旧版的
np.random.seed()是全局状态的写法,新版numpy推荐的default_rng()实例写法稳定性、随机数质量都更好。
内容的提问来源于stack exchange,提问作者arnavlohe15
相关产品推荐
相关产品推荐

