蒙特卡洛模拟器：鸿蒙 Canvas 上的大数定律与中心极限定理实证

YM52e

110人浏览 · 2026-08-18 22:58:32

YM52e · 2026-08-18 22:58:32 发布

在这里插入图片描述

实例：蒙特卡洛模拟器（Monte Carlo Simulator）｜技术：几何布朗运动路径模拟、Box-Muller 正态随机数、直方图分箱、正态拟合曲线、分位数风险度量（VaR）
系列定位：K 线图（36 课）的数学分支之一——把"随机游走"从一根 K 线序列，放大为"成千上万条路径"的统计实验

一、为什么选蒙特卡洛模拟

1.1 从 K 线图的随机游走说起

36 课我们实现了股票 K 线图。当时的数据生成只有一句话：

const change = (Math.random() - 0.48) * 4;   // 轻微上涨偏置

这一行代码背后是一个深刻的数学模型——随机游走（Random Walk）：价格每一步的变化是一系列独立同分布的随机变量。36 课只用了它来"造出好看的行情"。但随机游走的数学世界远不止于此：

单条路径是随机的——你无法预测下一次涨跌；
大量路径的统计规律却是确定的——这正是概率论两大基石定理的用武之地；
把"单个随机过程"升级为"成千上万个并行随机过程"，就构成了蒙特卡洛方法（Monte Carlo Method）。

本课把 36 课的一维视角（一根 K 线序列）升级为二维视角（N 条并行路径的终值分布），用 Canvas 可视化两大定理：

定理	通俗表述	本课证据
大数定律	试验次数越多，样本均值越接近期望	路径数 N 增大，终值均值稳定在 100×(1+μ)^M 附近
中心极限定理	大量独立同分布随机量之和近似正态	终值直方图随 N 增大，从杂乱趋向钟形曲线

1.2 蒙特卡洛方法是什么

蒙特卡洛是摩纳哥的赌城。20 世纪 40 年代，冯·诺依曼与乌拉姆在曼哈顿计划中用它命名"用随机抽样解决确定性问题"的方法。核心思想极其朴素：

当问题太难直接求解时，就用大量随机试验来"数"出答案。

求积分 ∫f(x)dx？随机撒点，数落在曲线下的比例；
求期权价格？模拟上万条价格路径，取终值期望；
求风险？模拟上万条路径，看 5% 的最坏情况。

本课模拟"从 100 元出发，每日波动 σ、漂移 μ，走 M 天"的 300 条路径，统计终值的均值、标准差、5% 分位——这就是金融行业估值与风控的标准姿势。

1.3 功能清单

编号	功能	技术要点
1	几何布朗运动路径生成	迭代乘法：P(t+1)=P(t)×(1+μ+σ·Z)
2	Box-Muller 正态随机数	均匀分布 → 正态分布变换
3	路径图（最多 60 条半透明叠加）	半透明 stroke 展示"路径束"
4	终值直方图（20 箱）	分箱统计 + 柱状图
5	正态拟合曲线	期望计数 = 密度 × N × 箱宽
6	统计指标	均值 / 标准差 / VaR95%
7	参数调节	N / M / σ / μ 四滑块实时重算

二、数学模型：几何布朗运动

2.1 连续世界的模型

金融数学中，资产价格最经典的连续模型是几何布朗运动（Geometric Brownian Motion）：

dS = μ·S·dt + σ·S·dW

μ：漂移率（长期趋势）；
σ：波动率（随机扰动强度）；
dW：布朗运动增量（正态分布）。

2.2 离散化的迭代公式

设备时间步长为"一天"，把微分方程离散化：

S(t+1) = S(t) × (1 + μ + σ·Z)，Z ~ N(0,1)

一行代码对应数学世界的一步。核心在 Z：它是一个标准正态随机数，mean=0、std=1。为什么用正态？因为每日收益率通常假设为独立同分布，而中心极限定理保证大量微小扰动之和近似正态——所以直接用 Z~N(0,1) 作为单日扰动的模型，是自洽的。

2.3 为什么要 (1+μ+σZ) 而不是 (1+μ)+σZ

乘法 vs 加法的差别在于价格的几何特性：价格 100 元涨 2% 和 10 元涨 2% 都是"×1.02"，用乘法保证百分比收益与价格水平无关（对数收益可加性）。如果用加法，价格越低波动越小，不符合真实市场。

代码实现：

price = price * (1 + this.mu + this.sigma * this.gauss());

2.4 参数的直觉

参数	默认值	直觉含义
N 路径数	300	试验规模，越大统计越稳定
M 步数	100	模拟 100 天
σ 波动率	0.02	每日 ±2% 左右的波动
μ 漂移	0.001	每日 +0.1% 的上涨趋势

漂移 μ=0.001 意味着 100 天后终值期望约 100×(1.001)^100 ≈ 110.5——这正是大数定律的"靶心"。

三、核心数学：Box-Muller 变换

3.1 问题：只有均匀分布怎么办

所有编程语言的 Math.random() 都只给 [0,1) 均匀分布。但几何布朗运动需要 N(0,1)。Box-Muller 变换用两个独立均匀随机数造出一个标准正态随机数：

Z = √(-2·ln U₁) · cos(2π·U₂)

其中 U₁、U₂ 是 [0,1) 独立均匀随机数。这个变换的几何直觉：把两个均匀数映射到极坐标，R² = -2ln U₁ 服从指数分布（对应 χ²₂），θ = 2πU₂ 在圆上均匀——极坐标下半径平方与角度独立，转换回笛卡尔坐标 (R·cosθ, R·sinθ) 的两个分量恰好独立标准正态。

3.2 代码与防御

private gauss(): number {
  let u1 = Math.random();
  while (u1 < 1e-12) {
    u1 = Math.random();   // 防止 log(0)
  }
  const u2 = Math.random();
  return Math.sqrt(-2 * Math.log(u1)) * Math.cos(2 * Math.PI * u2);
}

防御细节：ln(0) 是负无穷，Math.log(u1) 在 u1=0 时返回 -Infinity，开方后 NaN。所以 while 循环把 u1 限制在 1e-12 以上——概率论上 u1=0 的概率是 0，但浮点数世界里它不是不可能事件，防御是必要的（与 36 课 range<=0 的防御同一哲学）。

3.3 验证正态性

用 gauss() 生成 10000 个数，均值应≈0、标准差应≈1。本课应用中，300 条路径、每条 100 步共 30000 次调用——生成的 Z 序列将驱动全部路径的形状。正态随机数的质量直接决定模拟的统计可信度，Box-Muller 是经典且高效的选择（对比：拒绝采样效率只有 ~78%，逆变换需要误差函数反解）。

四、蒙特卡洛主循环

4.1 模拟生成

private simulate(): void {
  const N = this.pathCount;
  const M = this.stepCount;
  const paths: Path[] = [];
  const ends: number[] = [];
  for (let i = 0; i < N; i++) {
    let price = 100;                    // 起点 100
    const pts: number[] = [price];
    for (let j = 0; j < M; j++) {
      price = price * (1 + this.mu + this.sigma * this.gauss());
      pts.push(price);
    }
    paths.push({ points: pts, end: price });
    ends.push(price);
  }
  this.paths = paths;
  ...
}

两层循环：外层 N 条路径，内层 M 步。每条路径从 100 出发，逐日迭代，同时记录整条路径（绘图用）与终值（统计用）。

复杂度：O(N×M)。默认 300×100 = 3 万次迭代，Canvas 重绘毫秒级完成。若 N=1000、M=300 则 30 万次——仍是纯计算，无 I/O，移动端可承受。

4.2 大数定律的第一个证据

大数定律说：样本均值依概率收敛于期望。对终值序列 ends[]：

let sum = 0;
for (const e of ends) {
  sum += e;
}
this.mean = sum / N;

E[S_M] = 100×(1+μ)^M。默认 μ=0.001、M=100 → E ≈ 110.5。无论 N 取多少，均值都稳定在 110 附近——这就是大数定律。你可以把 N 滑到 50（样本小）看均值抖动，再滑到 1000（样本大）看均值收敛——Canvas 上的滑块就是大数定律的演示器。

4.3 中心极限定理的预演

中心极限定理说：大量独立同分布随机变量之和（标准化后）近似正态。M=100 步的收益率之积取对数后是 100 个独立增量之和——所以终值 S_M 近似对数正态，其对数近似正态。直方图（后文）将直观展示：N 越大，直方图越像钟形。

五、直方图分箱：频率分布的可视化

5.1 分箱算法

把 [minEnd, maxEnd] 均匀切成 20 箱，统计每个终值落入的箱：

const binCount = 20;
const range = this.maxEnd - this.minEnd;
this.bins = [];
for (let i = 0; i < binCount; i++) {
  this.bins.push(0);
}
for (const e of ends) {
  let idx = Math.floor(((e - this.minEnd) / range) * binCount);
  if (idx >= binCount) idx = binCount - 1;
  this.bins[idx]++;
}

分箱三步：① 归一化 (e-min)/(max-min) 得到 0~1；② 乘箱数得箱序号；③ 计数加一。边界防御：e=maxEnd 时归一化为 1，乘 20 得 20，下标越界——idx>=binCount 时强制为 19。这与 36 课坐标变换的防御如出一辙。

5.2 柱状图绘制

let maxCount = 1;
for (const c of this.bins) {
  if (c > maxCount) maxCount = c;
}
for (let i = 0; i < this.bins.length; i++) {
  const h = (this.bins[i] / maxCount) * plotH;
  this.ctx.fillStyle = 'rgba(16, 185, 129, 0.55)';
  this.ctx.fillRect(padL + i * binW + 1, bottom - h, binW - 2, h);
}

柱高 = 计数/最大计数 × 绘图区高——把频数归一化到像素。绿色半透明柱，间隔 2px 留缝更清爽。maxCount 先求最大值再归一化，避免手写除法溢出。

六、正态拟合曲线：中心极限定理的视觉证明

6.1 期望计数公式

直方图展示的是"频率"，而中心极限定理的预言是"正态"。要把理论曲线画在柱状图之上，必须把概率密度换算成期望计数：

期望计数(x) = f(x) × N × Δx

f(x)：正态密度，f(x) = e^(-z²/2) / (σ√(2π))，z = (x-μ)/σ；
N：总路径数；
Δx：箱宽（价格范围 / 20）。

为什么乘 N×Δx？因为 f(x)·Δx 是"x 落在该小区间的概率"，乘以试验次数 N 就是期望落点数——频率 ≈ 概率 × N，这正是大数定律的又一体现。

6.2 代码实现

const range = this.maxEnd - this.minEnd;
const binWidthVal = range / this.bins.length;
this.ctx.strokeStyle = '#EF4444';
this.ctx.lineWidth = 1.5;
this.ctx.beginPath();
let started = false;
for (let px = 0; px <= plotW; px += 2) {
  const t = px / plotW;
  const price = this.minEnd + t * range;
  const z = (price - this.mean) / this.std;
  const density = Math.exp(-0.5 * z * z) / (this.std * Math.sqrt(2 * Math.PI));
  const expectCount = density * this.pathCount * binWidthVal;
  const y = bottom - (expectCount / maxCount) * plotH;
  ...
}

逐像素扫描：每 2px 取一个采样点（性能与平滑的平衡），逆归一化得到价格，算 z 值，算密度，算期望计数，映射到 Y。红色曲线叠在绿色柱上——柱顶与曲线贴合程度就是"中心极限定理成立程度"。

6.3 观察指南（教学实验设计）

实验	操作	预期现象
基线	N=300, M=100, σ=0.02, μ=0.001	柱状图与红色钟形大致贴合
小样本	N 滑到 50	柱顶参差，与曲线偏差明显——样本不足
大样本	N 滑到 1000	柱顶平滑，贴合度显著提升——频率收敛于概率
大波动	σ 滑到 0.05	钟形变宽变矮（σ 决定展宽）
零漂移	μ 滑到 0	钟形中心回到 100 附近，均值≈100
负漂移	μ 滑到 -0.005	钟形整体左移，均值<100——趋势的数学体现

七、VaR：分位数风险度量

7.1 什么是 VaR

VaR（Value at Risk，风险价值）是金融风控最常用的指标之一。VaR95% = “有 95% 的把握，损失不超过该值”。数学上是5% 分位数：

P(S_M < VaR) = 5%

7.2 排序取分位

const sorted = ends.slice().sort((a, b) => a - b);
this.var95 = sorted[Math.floor(N * 0.05)];

三步：① slice() 拷贝数组（避免 sort 原地修改影响原始数据）；② 升序排序；③ 取 5% 位置的下标 Math.floor(N*0.05)。

为什么是排序而非解析：正态假设下 VaR 可以解析计算（μ-1.645σ），但蒙特卡洛的优势就是不需要分布假设——直接用经验分布取分位，对任何分布（厚尾、偏斜）都适用。这正是"用随机试验数出答案"的精髓。

7.3 与 36 课的呼应

36 课的 priceToY 做归一化，本课的直方图分箱也做归一化——归一化是数据可视化的通用第一步。VaR 则是从"画图"到"决策"的跨越：图表展示分布形状，分位数给出决策数字。

八、完整源码逐段解读

8.1 数据模型

interface Path {
  points: number[];   // 每步价格
  end: number;        // 终值
}

Path = 整条轨迹 + 终值：points 供路径图绘制，end 供统计与直方图。一个对象同时承载"过程"与"结果"，避免两套数组。

8.2 坐标变换（与 36 课同源）

private pathY(price: number): number {
  const range = this.allMax - this.allMin;
  if (range <= 0) {
    return 130;
  }
  return 6 + (1 - (price - this.allMin) / range) * 248;
}

归一化 → 翻转 → 平移三步与 36 课 priceToY 完全一致，只是留白参数不同。防御：range<=0（所有路径价格相同）时返回中间值 130，避免除以零。

注意 allMin/allMax 的计算：不是终值的 min/max，而是所有路径所有点的 min/max——因为路径图要展示全过程，若只按终值缩放，中间过程会超出画布。这是 36 课没有的新细节（36 课只需按 OHLC 缩放）。

8.3 路径束绘制

const show = Math.min(this.paths.length, 60);   // 最多画 60 条防糊
...
this.ctx.strokeStyle = 'rgba(59, 130, 246, 0.18)';

为什么只画 60 条：300 条不透明线会糊成一团黑。用低透明度（0.18）叠加，路径密集处颜色加深——形成"路径束"的视觉效果，同时性能保护（300 条×100 点 = 3 万次 moveTo/lineTo，移动端 Canvas 每帧重绘有压力）。

半透明叠加 = 密度可视化：这是数据可视化的经典技巧——透明度的累积反映"该区域有多少路径经过"。数学上等价于核密度估计的粗略版本。

8.4 滑块参数驱动

Slider({ value: this.pathCount, min: 50, max: 1000, step: 50 })
  .onChange((value: number) => {
    this.pathCount = value;
    this.simulate();
  })

@State 参数 + onChange 重算：滑块变化 → 更新状态 → 重新 simulate → 重绘。"参数 → 模拟 → 可视化"的响应式闭环，让用户像操作仪器一样探索统计规律。

8.5 数据流全景：从参数到像素

本课代码的完整数据流是一条清晰的单向管线：

参数（N/M/σ/μ）
  ↓ simulate() 两层循环
路径数组 Path[]（points + end）
  ↓ 统计
均值 / 标准差 / VaR / 直方图 bins
  ↓ redraw() 绘制
路径束（上半区） + 直方图柱 + 正态曲线（下半区）

这条管线与 36 课 K 线图的管线同构：数据 → 统计 → 坐标变换 → 绘制。36 课的统计只有 maxPrice/minPrice（坐标变换输入），本课新增了均值/标准差/VaR（业务输出）——从"画得对"到"算得准"，是图表应用从展示层走向分析层的分水岭。

单向数据流的好处：每个环节纯函数化（输入确定输出确定），调试时从参数逐步检查即可定位问题。比如发现直方图异常，先查 bins 是否正确，再查坐标映射——管线清晰，bug 无处可藏。

8.6 Canvas 状态管理细节

与 36 课相同的 Canvas 状态管理三要点在本课复用：

绘制前 clearRect 全清：redraw() 开头清屏，避免残影叠加；
setLineDash 用完即还原：均值虚线画完立刻 setLineDash([])，否则后续绘制（直方图、曲线）都带虚线；
fillStyle/strokeStyle 每次绘制显式设置：Canvas 的绘制状态是"粘性"的，不显式设置就沿用上一次的值——路径束用了 rgba 半透明色，如果不重置，直方图柱会变成半透明蓝。

这些细节在 36 课已系统讲过，本课是"纪律的复利"：同一套纪律连续四课实践，就内化为肌肉记忆。

九、模拟实验的数值验证与常见误区

9.1 三个可复现的数值实验

为了验证实现是否正确，我们设计三个可以"肉眼验收"的实验，每个实验都能立刻看出代码与数学是否一致：

实验一：零波动率应得到确定性结果

把 σ 滑到 0（滑块最小值 0.005，但可以用代码把 σ 直接置 0 验证）。此时 P(t+1) = P(t)×(1+μ)，是纯确定性增长：所有路径完全重合，直方图退化为"单根柱子"，标准差应为 0，均值 = 100×(1.001)^100 ≈ 110.5。如果看到多条发散路径或非零标准差，说明随机数生成或参数传递有 bug——这个实验是"烟雾测试"，用退化情形验证代码链路。

实验二：对称性检验

把 μ 设为 0、σ 固定，模拟两次（不同随机种子），两次的直方图形状应该"统计上对称"——均值都在 100 附近，只是随机波动不同。这是可重复性的检验：蒙特卡洛结果每次不同是正常的，但统计量（均值/标准差）的波动应该小且围绕真值。

实验三：大样本稳定性

N 从 300 提到 1000，均值的变化应该远小于 N=50 时的变化。记录 N=50 和 N=1000 各跑 5 次的标准差——你会发现 N=1000 的均值抖动约为 N=50 的 √(50/1000)=0.22 倍。这直接验证了大数定律的收敛速率 ~1/√N，也是后面置信区间公式的实证。

9.2 常见误区清单

误区	错误理解	正确理解
“模拟一次就能得到答案”	单次路径就是预测	单条路径毫无预测力，统计量才有
“N 越大一定越准”	线性提升	精度只随 √N 提升，代价非线性
“正态分布假设多余”	直接画柱状图即可	拟合曲线用于验证理论，非装饰
“σ 大就是风险大”	只看波动	还要看 μ 的漂移与 VaR 分位
“VaR 保证不超”	5% VaR 是上限	5% 概率仍会超过，VaR 只是分位点

9.3 蒙特卡洛 vs 解析解的工程选择

维度	解析解	蒙特卡洛
精度	精确	近似（误差 ~1/√N）
假设	需要分布假设	几乎任意分布
高维	指数级困难	维度无关（每维随机抽样）
实现	数学推导成本	代码成本

金融行业真实的期权定价（如奇异期权）、风险模拟，几乎全部用蒙特卡洛——因为现实分布根本不正态，解析解的前提不成立。本课的代码是这一工程选择的缩影。

9.4 数学史注脚：为什么概率论"迟到"了几千年

蒙特卡洛方法能在 1946 年才诞生，不是因为思想难，而是因为算力缺位。布丰 1777 年就提出投针实验（本系列 42 课），但手工投针一万次需要数小时，且人眼判读误差大——随机实验的"数据采集"成本太高，导致频率方法在统计实践中长期边缘化。

20 世纪 40 年代电子计算机出现，每秒百万次的伪随机数生成让大规模随机试验第一次成为现实。今天手机上的 Math.random() 每秒可生成数百万个均匀随机数——本课 300 路径 × 100 步 = 3 万次随机调用，在 1946 年的 ENIAC 上要算几分钟，在今天不到一毫秒。算力的指数级增长，让"笨办法"（大量随机试验）从不可行变成最优解——这是计算思维对数学方法论的反哺，也是本课最值得玩味的历史注脚。

9.5 伪随机数的隐患：为什么"随机"可能不随机

所有编程语言的 Math.random() 都是伪随机数生成器（PRNG）：由种子出发，按确定算法产生看似随机的序列。隐患有两个：

周期有限：LCG 类生成器周期约 2^48，模拟超过周期后序列重复——本课规模远低于此，无碍；
统计缺陷：劣质 PRNG 在随机游走模拟中会产生"网格图案"或相关性，导致直方图失真。诊断方法：把 N 设为 50、M 设为 20，连续模拟 10 次，若直方图形状高度相似（“太整齐”），怀疑 PRNG 相关性。

工程建议：生产级蒙特卡洛用 Math.random() 之外的高质量 PRNG（如 xorshift128+、PCG），或加密安全随机数。本课用 Math.random() 足够教学——知道它的边界，是专业与业余的分界线。

十、完整源码解读补充：状态管理与重绘时机

10.1 @State 与普通字段的分工

本课代码里有两类成员：

@State pathCount: number = 300;   // 需要驱动 UI 更新的参数
private paths: Path[] = [];       // 仅绘制用，不需要 UI 联动

@State 装饰的字段变化会触发组件重绘（标题文本、滑块位置）；普通 private 字段只被 Canvas 读取，不触发 UI 更新。"UI 状态"与"绘图数据"分离是 Canvas 应用的最佳实践——避免了大量无意义的组件重绘。36 课的 touchIndex 用 @State（因为要更新 infoText），而 data 数组用普通字段（只画不显）。

10.2 重绘时机

aboutToAppear()：首次进入页面，先模拟再等 Canvas onReady 绘制；
滑块 onChange：参数变化 → simulate() → redraw()；
按钮"开始模拟"：同上。

注意 onReady 只触发一次（画布尺寸确定时），之后所有重绘都手动调用 redraw()。如果画布尺寸变化（横竖屏切换），需要重新在 onReady 中处理——本课未处理屏幕旋转，这是教学裁剪，生产环境可用 onAreaChange 监听。

10.3 性能边界

最坏情况 N=1000、M=300：30 万次迭代 + 3 万次 gauss() 调用 + 全量重绘。实测在移动端约 20~50ms，可接受。如果 N 到 10000（10 万次 gauss + 10 万次乘加），重绘路径束 60 条 × 300 点依然轻松，瓶颈在统计循环而非绘制。把绘制与计算解耦（先算完再一次性绘制）是保证流畅的关键。

十一、运行效果与操作剧本

打开页面：自动完成一次默认模拟（300 路径 × 100 步）——上半区蓝色路径束从 100 出发发散，红色虚线标出终值均值；下半区绿色直方图 + 红色正态曲线。
查看统计：标题下方显示 N=300 · 终值均值 110.38 · 标准差 22.51 · VaR95% 75.12——均值贴近理论值 110.5。
演示大数定律：把 N 滑到 50，均值可能在 105~115 抖动；滑到 1000，均值稳定在 110.4 附近——样本量越大，样本均值越贴近期望。
演示中心极限定理：N=50 时柱顶参差；N=1000 时柱顶平滑贴合红曲线——频率分布收敛于正态密度。
改变波动率：σ 从 0.02 滑到 0.05，钟形变宽、均值线不变——σ 只影响展宽不影响位置。
改漂移：μ 从 0.001 滑到 -0.005，整个钟形左移，均值 <100——趋势改变分布的"中心"。

十二、技术要点对照表

技术点	实现方式	生产价值
几何布朗运动	迭代乘法 S(t+1)=S(t)(1+μ+σZ)	金融建模标准
正态随机数	Box-Muller 变换	任意概率模拟的基础
随机游走	N 条独立路径	蒙特卡洛核心
大数定律	样本均值收敛于期望	统计推断依据
中心极限定理	直方图 vs 正态拟合	分布形态验证
直方图分箱	归一化→乘箱数→计数	频率分布可视化
VaR	排序取 5% 分位	风险度量
路径束	半透明叠加	密度可视化
防御	log(0)、range<=0、越界	数学边界安全

十三、文章小结

本篇完成了蒙特卡洛模拟器的完整实现：Box-Muller 生成正态随机数 → 几何布朗运动迭代生成 N 条路径 → 终值统计（均值/标准差/VaR）→ 直方图 + 正态拟合可视化。数学上验证了两大定理：大数定律（均值收敛于期望）、中心极限定理（频率分布收敛于钟形）。工程上复用了 36 课的归一化坐标变换，新增了分箱统计与分位数计算。

回顾本课的知识坐标：它位于"K 线图随机游走"与"概率论极限定理"的交叉点——36 课教我们"怎么画一条随机路径"，本课教我们"成百上千条随机路径合起来会呈现什么规律"。这个"从个体到群体"的视角跃迁，是蒙特卡洛方法区别于普通数据可视化的本质：单条路径是噪声，群体统计是信号。

给读者的行动建议：动手操作一遍 9.1 节的三个实验，比读十遍本文收获更大。特别是"大样本稳定性"实验——当你亲眼看到 N=50 的抖动 vs N=1000 的平稳，大数定律就不再是课本上的公式，而是手中的触感。下一篇将把这个随机游走模型放到"生死边界"上，研究它的吸收概率。

核心收获：蒙特卡洛方法把"不可解析"的问题转化为"大量随机试验"——这正是概率论从"理论"到"工具"的跨越。下一课《赌徒破产问题》将用同一个随机游走模型，研究一个更尖锐的问题：随机游走何时"死亡"。

十四、深度扩展

1. 对数收益率视角

本课用价格 S(t+1)=S(t)(1+μ+σZ) 迭代。金融实务更常用对数收益率：r = ln(S(t+1)/S(t))，累加而非累乘。改造：r += (μ - σ²/2) + σ·Z，价格 = 100×e^r。好处：对数收益率的分布假设更干净（正态），且 μ 的漂移校正 σ²/2（伊藤引理）让模拟的期望终值 = 100×(1+μ)^M 精确成立。乘法模型 vs 加法对数模型是金融模拟的第一个分叉点。

2. 置信区间

均值 ± 1.96σ/√N 是 95% 置信区间。演示：N=50 时区间宽 ±6.2，N=1000 时 ±1.4——区间宽度与 √N 成反比。这是"要 10 倍精度就要 100 倍样本"的数学来源。

3. 期权定价（Black-Scholes 蒙特卡洛）

给期权写 2~3 行扩展：终值 > 行权价 K 时 payoff = max(S_M-K, 0)，均值贴现 = 期权价格。蒙特卡洛期权定价是金融行业标准方法，本课代码只需加一个 payoff 统计。

4. 历史波动率校准

真实场景中 σ 从历史数据估计：σ = std(每日对数收益率)×√252（年化）。模拟参数的实证来源——从"拍脑袋"到"数据驱动"。

5. FAQ

Q1：为什么终值分布不是严格正态而是"近似"？
A：价格是收益率的乘积，乘积的对数才是正态（对数正态分布）。本课直方图画的是价格，曲线用的是"用价格均值和标准差拟合的正态"——两种分布接近（σ 小时尤其），但理论上是近似。中心极限定理给的是极限下的正态，有限样本是近似。

Q2：Box-Muller 的 cos 能换成 sin 吗？
A：能。cos 和 sin 只是把极坐标 (R,θ) 转回笛卡尔坐标的两个分量，两者独立同分布。选 cos 只是约定，sin 版本效果完全相同。

Q3：为什么防御 u1<1e-12 而不是 u1==0？
A：Math.random() 返回 [0,1)，理论上有 0 的可能；1e-12 阈值同时防止 log 产生极端负值导致开方溢出（u1 越小 -2ln u1 越大）。防御留出数值余量，比精确判 0 更稳健。

Q4：路径束为什么是 60 条而非 N 条？
A：60 条足以展示"发散形态"，再多会糊。但统计用的是全部 N 条——绘制子集、统计全集，视觉与数学解耦，是数据可视化的工程智慧。

Q5：VaR 用经验分位和正态解析哪个准？
A：若分布真正态，解析更精确；若分布厚尾（真实市场），经验分位更稳健——不假设分布是蒙特卡洛的最大优势。

Q6：为什么默认 σ=0.02 时终值标准差能到 22？
A：日波动 2%，100 天累积，标准差按 √100=10 倍放大：σ·√M = 0.02×10 = 0.2（20%），终值 100×1.2 ≈ 120 的量级，而终值标准差 22 正落在 20% 附近。波动率随时间的平方根累积，这是金融数学最反直觉也最重要的结论之一（年化波动率 = 日波动率×√252）。

Q7：路径束里能看到"趋势反转"吗？
A：不能——几何布朗运动的增量独立，没有"记忆"，昨天跌不代表今天反弹。路径束的发散是波动累积，不是趋势。真正有趋势的是 μ 的漂移（长期均值移动）。很多人把"波动"误读为"趋势"，这是 K 线技术分析最常见的方法论错误，本课的直方图正好用来破除这个迷思：μ=0 时直方图中心永远在 100，涨跌只是随机游走的对称噪声。

Q8：为什么直方图分 20 箱而不是 10 或 50？
A：箱数 = 视觉粒度与统计噪声的平衡。10 箱太平滑（丢细节），50 箱太碎（每箱样本少、柱顶锯齿）。经验法则：箱数 ≈ √N，N=300 时 √300≈17，20 箱正合适。数据可视化中"分箱数选择"本身是一个小方法论，常见有 Sturges 法则（1+log₂N）。

Q9：模拟结果每次都不一样，如何保证实验可复现？
A：蒙特卡洛天然带随机性，可复现性靠随机种子（seed）：固定种子后，Math.random() 序列确定，两次运行结果一致。本课为教学未引入种子（每次都是"新实验"），生产环境用带种子的伪随机数生成器（如 Mulberry32、PCG）即可。教学要"活"，生产要"稳"。

Q10：真实金融风控的 VaR 会这样算吗？
A：会，但更复杂：历史模拟法（用真实历史收益重采样）、方差-协方差法（假设正态解析计算）、蒙特卡洛法（本课方法）是三大标准 VaR 算法。真实场景还叠加压力测试（极端行情模拟）与回测（验证 VaR 预测是否准确）。本课是蒙特卡洛 VaR 的最小可运行版本——从最小版本到生产系统的距离，就是真实世界的复杂度。

6. 完整数学推导：终值的对数正态性

为了理解"为什么直方图是钟形但又不完全是正态"，我们推导终值的分布。对迭代公式两边取对数：

ln S(t+1) = ln S(t) + ln(1 + μ + σZ)

当 σ 较小时，用泰勒展开 ln(1+x) ≈ x - x²/2：

ln S(t+1) ≈ ln S(t) + (μ - σ²/2) + σZ

从 0 累加到 M：

ln S(M) ≈ ln S(0) + (μ - σ²/2)·M + σ·ΣZ

ΣZ 是 M 个独立标准正态之和，由中心极限定理（或正态可加性）知 ΣZ ~ N(0, M)。因此：

ln S(M) ~ N(ln S(0) + (μ-σ²/2)·M, σ²·M)

这就是对数正态分布：价格的对数服从正态，价格本身服从对数正态。密度函数右偏（长尾在右），这正是直方图与对称正态拟合"近似但不重合"的数学根源。σ²/2 项（伊藤引理修正）说明：即使 μ=0，由于几何平均 < 算术平均（Jensen 不等式），长期期望收益率也低于算术平均——这是"波动损耗"的数学表达。

7. 置信区间实验的完整设计

实验目标：验证"样本均值 ± 1.96σ/√N 覆盖真值 110.5"。

操作：固定 M=100、σ=0.02、μ=0.001，N 分别取 50/200/1000，各重复模拟 20 次，记录每次的均值。

预期结果：

N	均值波动范围	1.96σ/√N
50	±6.2	±6.2
200	±3.1	±3.1
1000	±1.4	±1.4

结论：区间宽度与 √N 成反比——样本量×4，精度×2。这就是"蒙特卡洛方法收敛慢"的数学本质（误差 O(1/√N)），也是方差缩减技术（对偶变量、分层抽样、准随机序列）存在的根本原因。

8. 界面构建详解：build 结构逐层解读

页面 UI 采用四层结构，每一层都有明确的职责：

build() {
  Column() {                    // ① 根容器：垂直布局
    Row() {                     // ② 标题栏：标题 + 按钮
      Column() { ... }          //    左：标题 + 统计文本
      Button('开始模拟') ...    //    右：重跑按钮
    }
    Canvas(this.ctx) ...        // ③ 图表画布：全部分析图形
    Column() { ... }            // ④ 参数区：四个 Slider
    Text('数学说明') ...        //    底部数学公式摘要
  }
}

① 根容器 Column：垂直排列所有子组件，背景 #F8FAFC（浅灰蓝，与 36 课一致）。padding({ top: 8 }) 让内容不贴顶。

② 标题栏 Row：左侧 Column 内两行文本（大标题 + 统计行），layoutWeight(1) 让标题区占据剩余宽度，右侧按钮自然靠右。layoutWeight 是 ArkUI 布局的核心——权重分配剩余空间，替代传统 flex 的繁琐写法。

③ Canvas：width('94%') 居中、height(540) 固定高度、圆角 + 边框（与 36/37 课完全同款视觉）。onReady 回调里读取 ctx.width/height（注意：画布逻辑尺寸与 vp 尺寸可能不同，必须从 ctx 读取），随后首次 redraw。

④ 参数区 Column：四个 Row 各含一个 76 宽 Text 标签 + 一个 Slider。Slider 的 min/max/step 是数据模型的一部分——step 决定参数分辨率：σ 的 step=0.005、μ 的 step=0.0005，保证用户滑动的精度够用又不至于太碎。

为什么 Slider 在 Canvas 之外：ArkUI 的 Slider 是系统组件，手感与无障碍支持远好于自绘。Canvas 负责"数据可视化"，系统组件负责"交互输入"——各司其职，这是 Canvas 应用架构的成熟分工。

9. 从教学演示到生产风控系统

本课代码是"教学最小版"，到生产风控系统还差四步：

步骤	教学版	生产版
随机数	Math.random()	加密安全 / 带种子 PRNG
数据源	内置参数	行情 API 真实数据
分布假设	正态 Z	学生 t / 真实分布拟合
计算	主线程同步	异步任务 / 并行模拟
验证	目测	统计检验 + 回测

其中"异步计算"最关键：HarmonyOS 中长时间计算会阻塞 UI，生产级模拟用 @ohos.taskpool 或 worker 线程跑 N=10 万条路径，主线程只负责接收结果重绘。计算与渲染分离是本课代码就可以预演的原则——simulate() 纯计算、redraw() 纯渲染，两个函数解耦，天然适合迁移到后台线程。

10. 蒙特卡洛在鸿蒙应用中的真实场景

游戏掉率平衡：抽卡概率、掉落率用蒙特卡洛模拟测试数值平衡性；
路径规划：快递派送、导航的随机扰动模拟；
智能体决策：强化学习中蒙特卡洛树搜索（MCTS）是 AlphaGo 的核心；
物理引擎：粒子系统的随机扰动。

本课的"模拟 → 统计 → 可视化"三件套，是所有这些场景的公共骨架——换掉模拟对象，骨架不变。

11. 蒙特卡洛方法的历史渊源

"蒙特卡洛"得名于摩纳哥公国的赌城。1946 年，数学家冯·诺依曼（von Neumann）与物理学家乌拉姆（Ulam）在参与曼哈顿计划时，需要用随机抽样解决中子输运问题——手算随机试验显然不现实，他们想到了电子计算机。乌拉姆的同事尼古拉斯·梅特罗波利斯（Metropolis）建议用赌城命名这个方法，于是"Monte Carlo Method"诞生。

三个关键时间点：

时间	事件
1777	布丰投针实验（几何概率，本系列 42 课）——蒙特卡洛思想的雏形
1946	冯·诺依曼用 ENIAC 计算机做蒙特卡洛模拟——方法正式命名
1970s	Black-Scholes 期权定价公式 + 计算机普及——金融蒙特卡洛爆发

为什么叫"方法"而不是"定理"：它不是某一条数学定理，而是一套"用随机抽样解决确定性问题"的通用策略。底层支撑是大数定律（收敛性）与中心极限定理（收敛速率）——本课恰好把这两个支撑都可视化了出来。理解这段历史有助于把握方法论的定位：蒙特卡洛是"工程方法"，大数定律与中心极限定理是它的"数学根基"。

12. 动手练习

练习一（简单）：把正态拟合曲线换成"只画直方图"，观察 N=50 与 N=1000 的差异——体会拟合曲线的"参照系"作用；
练习二（中等）：新增一个统计量"终值中位数"，与均值对比——理解偏斜分布下均值与中位数的差异（对数正态右偏，均值 > 中位数）；
练习三（进阶）：给 simulate() 加随机种子参数（如 seed: number），用带种子的 LCG 生成器替换 Math.random()，验证"同种子同结果"；
练习四（挑战）：把几何布朗运动换成"跳跃-扩散模型"（价格偶尔跳变 5%），观察直方图出现厚尾——理解真实市场的极端风险。