R语言随机资产价格路径模拟代码合理性校验与优化咨询

现有实现的基础合理性 #

你的核心建模思路是符合离散二项式资产价格演化逻辑的：

• 用伯努利随机变量映射生成±1的跳跃符号，匹配带随机方向的复利价格递推规则
• 先通过小参数集做函数可用性测试，再开展大样本蒙特卡洛模拟的实操流程，符合常规量化模拟的开发逻辑
• 对模拟结果的矩阵化存储、逐列统计的思路方向是正确的

现有实现存在的核心问题 #

• 统计逻辑存在方向性偏差：你原本要统计「路径从第2期开始所有时点价格始终不低于初始值100」的占比，但现有代码的合格判定是「路径上只要有任意一个时点价格≥100就计入合格样本」，最终输出的prob实际是「从第2期开始所有时点价格都低于100」的路径占比，和目标统计量完全相反。
• 依赖冗余：脚本加载的dplyr、dint、magrittr属于非必要依赖，其中if_else的判断逻辑用基础R就能高效实现；且stats是R启动时默认加载的内置包，手动写加载语句属于无效开销。
• 循环效率极低：外层套10000次路径循环、内层逐期生成随机数、逐次计算价格的写法，完全没有利用R的向量化计算优势，当模拟次数、路径长度提升到10万级别时，运行速度会出现明显瓶颈。
• 随机数生成方式低效：逐次调用rbinom(1,1,p)生成单个伯努利值的方式，比一次性批量生成全量随机数的速度低1-2个数量级，是循环运行慢的核心原因之一。

实操修改建议与优化方向 #

• 修正统计逻辑bug：把合格路径的判定从“至少有一个时点≥100”调整为“所有时点都≥100”。对应实现可以把原代码中comp = sum(sum_test >= 1)/length(sum_test)替换为：

  # test矩阵是16行（对应第2到17期）、10000列（对应每条路径）的逻辑矩阵
  valid_paths <- colSums(test) == nrow(test) # 所有时点都满足≥100的路径才是合格样本
  target_prob <- mean(valid_paths) # 直接得到目标概率，不需要反向计算补数
  

• 去除冗余依赖：删掉所有非必要的包加载语句，把原来的伯努利符号映射逻辑从逐次if_else判断，改成线性变换：把0/1的伯努利值通过2*z -1直接转成-1/1的符号——当伯努利返回0时得到-1，返回1时得到1，和原映射逻辑完全等价。
• 用全向量化改写替代双层循环：把原来的逐路径、逐期循环替换为全矩阵批量计算，利用R底层的C实现接口大幅提升运行效率。优化后的核心模拟逻辑参考：

  # 固定随机种子保证结果可复现
  set.seed(123)
  T <- 17
  Np <- 10000
  mu <- 0
  sigma <- 0.01
  p <- 0.5
  x0 <- 100
  # 一次性生成所有需要的伯努利符号，形状为(T-1)行Np列
  z_mat <- 2 * matrix(rbinom(n = Np*(T-1), size =1, prob = p), nrow = T-1) -1
  # 计算每期对数收益，再逐列累计
  log_ret <- mu + sigma * z_mat
  cum_log_ret <- apply(log_ret, 2, cumsum)
  # 拼接成完整价格矩阵：第一行是初始值，后面是逐期的累计价格
  price_mat <- x0 * exp(rbind(rep(0, Np), cum_log_ret))
  

• 模拟结果的交叉校验：因为当前参数下的对称随机游走有对应的解析解（比如用反射原理计算路径始终不跌破初始值的概率），模拟完成后可以和解析值做对比，避免出现系统性的模拟偏差。
• 开发流程优化：
  • 正式项目中尽量不要在脚本开头写rm(list = ls())，避免误清除工作区其他对象，推荐用R项目做环境隔离
  • 每次跑模拟前固定随机种子，保证结果可复现，方便调试bug

内容的提问来源于stack exchange，提问作者John Paris