几何布朗运动代码返回大量np.complex128(0j)值的问题排查

嘿，我来帮你揪出问题所在！你的代码里有两个关键问题导致了大量0值（甚至复数0j）的出现，咱们一步步拆解：

1. 核心逻辑错误：递推公式误用 #

几何布朗运动（GBM）的核心是每个时刻的价格依赖于前一时刻的价格，正确的递推公式应该是：
$$S_t = S_{t-1} \times \exp\left( \left(\mu - \frac{1}{2}\sigma^2\right)dt + \sigma\sqrt{dt} \times W_{t-1} \right)$$

但你的代码里，每次计算S_temp时都固定用S[0]（也就是初始值S0），而不是前一个时刻的S[i-1]。这就意味着你不是在模拟连续的价格路径，而是反复从初始值出发计算独立的“瞬间价格”——当指数项的结果非常小时，多次用初始值乘这个极小的数，很快就会数值下溢到0，甚至因为精度问题变成0j。

2. 初始值获取的小隐患 #

如果你传入的是pandas Series，data[len(data)-1]可能会出错（比如Series的索引不是连续整数时），换成data.iloc[-1]能兼容Series和numpy array两种数据类型，更稳妥。

修正后的代码 #

import numpy as np
import pandas as pd

def geometric_brownian_motion(data):
    mu = data.mean()
    sigma = data.std()
    # 兼容pandas Series和numpy array的初始值获取方式
    S0 = data.iloc[-1] if isinstance(data, pd.Series) else data[-1]
    T = 1
    n = len(data)
    dt = T / n

    t = np.linspace(0, T, n)
    W = np.random.standard_normal(size=n)
    S = [S0]
    for i in range(1, n):
        # 用前一时刻的价格S[i-1]代替固定初始值S[0]，实现正确递推
        S_temp = S[i-1] * np.exp((mu - 0.5 * sigma ** 2) * dt + sigma * np.sqrt(dt) * W[i - 1])
        S.append(S_temp)
    S = np.array(S)
    return S

测试验证 #

你可以用一组简单数据测试，比如：

test_data = pd.Series([100, 102, 98, 101, 103])
result = geometric_brownian_motion(test_data)
print(result)

现在输出应该是一条连续波动的路径，不会再出现批量0值了。

备注：内容来源于stack exchange，提问作者Puhtooie