# Simulate Stochastic Process

> 模拟随机过程（马尔可夫链、随机游走、随机微分方程、MCMC），包括收敛诊断、方差 缩减和可视化。适用于生成用于估计、预测或可视化的样本路径；当解析解不可得时； 运行需要收敛保证的蒙特卡洛估计；对比解析结果与经验模拟进行验证；或通过 MCMC 从复杂后验分布中采样时。

- Skill: `pjt222/simulate-stochastic-process-4` (Agent Skill)
- Install (CLI): `npx get-skill add pjt222/simulate-stochastic-process-4`
- Raw SKILL.md: https://api.skillmd.com/api/skills/pjt222/simulate-stochastic-process-4/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- License: MIT
- Author: pjt222 (https://skillmd.com/u/pjt222)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/pjt222/simulate-stochastic-process-4

---


# 随机过程模拟

模拟随机过程的样本路径——包括离散马尔可夫链、连续时间过程、随机微分方程和 MCMC 采样器——并进行收敛诊断、方差缩减技术和轨迹可视化。

## 适用场景

- 需要从随机过程生成用于估计、预测或可视化的样本路径
- 解析解不可得，模拟是唯一可行的方法
- 正在运行蒙特卡洛估计，需要收敛保证和不确定性量化
- 想要对比解析结果（平稳分布、命中时间）与经验模拟进行验证
- 需要使用 MCMC 从复杂后验分布中采样
- 在承诺进行完整解析处理之前对随机模型进行原型验证

## 输入

### 必需

| 输入 | 类型 | 描述 |
|---|---|---|
| `process_type` | string | 过程类型：`"dtmc"`、`"ctmc"`、`"random_walk"`、`"brownian_motion"`、`"sde"`、`"mcmc"` |
| `parameters` | dict | 过程特定参数（转移矩阵、漂移/扩散系数、目标密度等） |
| `n_paths` | integer | 独立样本路径数量 |
| `n_steps` | integer | 每条路径的时间步数（或 MCMC 总迭代数） |

### 可选

| 输入 | 类型 | 默认值 | 描述 |
|---|---|---|---|
| `initial_state` | scalar/vector | 过程特定 | 每条路径的起始状态或分布 |
| `dt` | float | 0.01 | 连续时间离散化的时间步长 |
| `seed` | integer | random | 用于可重复性的随机种子 |
| `burn_in` | integer | `n_steps / 10` | 要丢弃的初始步数（MCMC） |
| `thinning` | integer | 1 | 保留每第 k 个样本以减少自相关 |
| `variance_reduction` | string | `"none"` | 方法：`"none"`、`"antithetic"`、`"stratified"`、`"control_variate"` |
| `target_function` | callable | none | 沿路径评估的用于蒙特卡洛估计的函数 |

## 步骤

### 第 1 步：定义过程模型和参数

1.1. 识别过程类型并收集所有必需参数：
   - **DTMC**：转移矩阵 `P` 和状态空间。验证 `P` 是行随机的。
   - **CTMC**：速率矩阵 `Q`。验证行和为 0 且非对角线元素非负。
   - **随机游走**：步长分布（例如 `{-1, +1}` 等概率），边界（如有）。
   - **布朗运动**：漂移 `mu`，波动率 `sigma`，维度 `d`。
   - **SDE（伊藤）**：漂移函数 `a(x,t)`，扩散函数 `b(x,t)`。
   - **MCMC**：目标对数密度，提议机制（随机游走 Metropolis、Hamilton、Gibbs 分量）。

1.2. 验证参数一致性：
   - 矩阵维度与状态空间大小匹配。
   - SDE 系数满足增长和 Lipschitz 条件（至少非正式地）以适应所选求解器。
   - MCMC 提议在目标分布的支撑上有良好定义。

1.3. 设置随机种子以确保可重复性。

**预期结果：** 一个完全指定的随机模型，参数已验证，随机状态可重复。

**失败处理：** 如果参数不一致（例如非随机矩阵），在继续之前修正。如果 SDE 系数具有病理性，考虑使用不同的离散化方案。

### 第 2 步：选择模拟方法

2.1. 根据过程类型选择适当的算法：

| 过程 | 方法 | 关键性质 |
|---|---|---|
| DTMC | 从转移行直接采样 | 精确 |
| CTMC | Gillespie 算法 (SSA) | 精确，事件驱动 |
| CTMC（近似） | Tau-leaping | 近似，高速率时更快 |
| 随机游走 | 直接采样增量 | 精确 |
| 布朗运动 | 高斯增量的累积和 | 固定 `dt` 时精确 |
| SDE（一般） | Euler-Maruyama | 强收敛 0.5 阶，弱收敛 1.0 阶 |
| SDE（高阶） | Milstein | 强收敛 1.0 阶（标量噪声） |
| SDE（刚性） | 隐式 Euler-Maruyama | 刚性漂移稳定 |
| MCMC（一般） | Metropolis-Hastings | 渐近精确 |
| MCMC（梯度） | Hamilton 蒙特卡洛 (HMC) | 高维混合更好 |
| MCMC（条件） | Gibbs 采样器 | 条件分布可得时精确 |

2.2. 对于 SDE 方法，选择足够小的 `dt` 以确保数值稳定性。一个有用的启发式方法：从 `dt = 0.01` 开始，减半直到结果稳定。

2.3. 对于 MCMC，调整提议尺度以达到大约以下接受率：
   - 高维随机游走 Metropolis：23.4%
   - 一维目标：57.4%
   - HMC：65-90%（取决于轨迹长度）

2.4. 如果请求方差缩减，进行配置：
   - **对偶变量**：对于每条具有随机增量 `Z` 的路径，同时模拟 `-Z`。
   - **分层采样**：将概率空间分区并在每层中采样。
   - **控制变量**：识别一个具有已知期望的相关量以减少方差。

**预期结果：** 选定的模拟算法匹配过程类型，具有适当的调参。

**失败处理：** 如果所选方法不稳定（例如 Euler-Maruyama 发散），切换到隐式方法或减小 `dt`。

### 第 3 步：实现并运行模拟

3.1. 为 `n_paths` 条轨迹分配存储，每条长度为 `n_steps`（或对事件驱动方法如 Gillespie 动态分配）。

3.2. 对每条路径 `i = 1, ..., n_paths`：

   **DTMC / 随机游走：**
   - 设置 `x[0] = initial_state`
   - 对 `t = 1, ..., n_steps`：根据 `x[t-1]` 从转移分布中采样 `x[t]`

   **CTMC (Gillespie)：**
   - 设置 `x[0] = initial_state`，`time = 0`
   - 当 `time < T_max` 时：
     - 计算总速率 `lambda = -Q[x, x]`
     - 采样停留时间 `tau ~ Exp(lambda)`
     - 从转移概率 `Q[x, j] / lambda`（`j != x`）采样下一状态
     - 更新 `time += tau`，记录转移

   **SDE (Euler-Maruyama)：**
   - 设置 `x[0] = initial_state`
   - 对 `t = 1, ..., n_steps`：
     - `dW = sqrt(dt) * N(0, I)`（Wiener 增量）
     - `x[t] = x[t-1] + a(x[t-1], t*dt) * dt + b(x[t-1], t*dt) * dW`

   **MCMC (Metropolis-Hastings)：**
   - 设置 `x[0] = initial_state`
   - 对 `t = 1, ..., n_steps`：
     - 提议 `x' ~ q(x' | x[t-1])`
     - 计算接受率 `alpha = min(1, p(x') * q(x[t-1]|x') / (p(x[t-1]) * q(x'|x[t-1])))`
     - 以概率 `alpha` 接受：如果接受则 `x[t] = x'`，否则 `x[t] = x[t-1]`
     - 记录接受决策

3.3. 如果提供了 `target_function`，在每条路径的每个状态上评估它并存储结果。

3.4. 应用稀疏化：保留每第 `thinning` 个样本。

3.5. 丢弃每条路径开头的 `burn_in` 个样本（主要用于 MCMC）。

**预期结果：** `n_paths` 条完整轨迹存储在内存中，带有可选的函数评估。MCMC 接受率在目标范围内。

**失败处理：** 如果模拟产生 NaN 或 Inf 值，对 SDE 方法减小 `dt` 或检查参数有效性。如果 MCMC 接受率接近 0% 或 100%，调整提议尺度。

### 第 4 步：应用收敛诊断

4.1. **轨迹图**：为路径子集绘制每个分量随时间的值。对平稳性进行目视检查（无趋势、方差稳定）。

4.2. **Gelman-Rubin 诊断 (R-hat)**：对于多链 MCMC：
   - 计算链内方差 `W` 和链间方差 `B`。
   - `R_hat = sqrt((n-1)/n + B/(n*W))`
   - `R_hat < 1.01`（严格）或 `R_hat < 1.1`（宽松）表示收敛。

4.3. **有效样本量 (ESS)**：
   - 估计递增滞后处的自相关。
   - `ESS = n_samples / (1 + 2 * sum(autocorrelations))`
   - 经验法则：`ESS > 400` 用于可靠的后验总结。

4.4. **Geweke 诊断**：比较每条链前 10% 和后 50% 的均值。z 分数应在 [-2, 2] 范围内表示收敛。

4.5. **非 MCMC 过程**：验证时间平均统计量（均值、方差）随路径长度增加而稳定。绘制运行平均值。

4.6. 报告汇总表：

| 诊断指标 | 值 | 阈值 | 状态 |
|---|---|---|---|
| R-hat（最大） | ... | < 1.01 | ... |
| ESS（最小） | ... | > 400 | ... |
| Geweke z（最大绝对值） | ... | < 2.0 | ... |
| 接受率 | ... | 0.15-0.50 | ... |

**预期结果：** 所有收敛诊断通过其阈值。轨迹图显示稳定、良好混合的链。

**失败处理：** 如果 R-hat > 1.1，运行更长的链或改进提议。如果 ESS 非常低，增加稀疏化或切换到更好的采样器（例如 HMC）。如果 Geweke 失败，延长预热期。

### 第 5 步：计算带置信区间的汇总统计量

5.1. 对每个感兴趣的量（状态占用、函数期望、命中时间）：
   - 计算点估计为路径间的样本均值（预热和稀疏化之后）。
   - 使用有效样本量计算标准误：`SE = SD / sqrt(ESS)`。

5.2. 构造置信区间：
   - 正态近似：`estimate +/- z_{alpha/2} * SE`
   - 对偏斜分布，使用百分位 bootstrap 或批次均值。

5.3. 如果应用了方差缩减，计算方差缩减因子：
   - `VRF = Var(朴素估计量) / Var(缩减估计量)`
   - 报告有效加速比。

5.4. 对蒙特卡洛积分估计：
   - 报告估计值、标准误、95% CI、ESS 和函数评估次数。

5.5. 对分布估计：
   - 计算经验分位数（中位数、2.5 百分位、97.5 百分位）。
   - 连续量的核密度估计。

5.6. 将所有汇总统计量及其不确定性制表。

**预期结果：** 点估计及其标准误和置信区间。方差缩减（如已应用）产生 VRF > 1。

**失败处理：** 如果置信区间太宽，增加 `n_paths` 或 `n_steps`。如果方差缩减恶化了估计（VRF < 1），禁用它——控制变量或对偶方案可能不适合该问题。

### 第 6 步：可视化轨迹和分布

6.1. **轨迹图**：绘制样本路径的代表性子集（5-20 条路径）随时间的变化。使用透明度处理重叠路径。

6.2. **集合统计**：叠加所有路径的平均轨迹和逐点 95% 置信带。

6.3. **边际分布**：在选定的时间点，绘制跨路径的状态分布直方图或密度估计。

6.4. **平稳分布比较**：如果有解析平稳分布可用，将其叠加在最终时间切片的经验直方图上。

6.5. **自相关图**：对 MCMC，绘制每个分量到合理滞后的自相关函数 (ACF)。

6.6. **诊断仪表板**：将轨迹图、ACF 图、运行均值图和边际密度组合成单一多面板图形，进行综合评估。

6.7. 将所有图形保存为矢量格式（PDF/SVG）和光栅格式（PNG），用于文档记录。

**预期结果：** 出版质量的图形，展示轨迹行为、分布收敛和诊断摘要。解析解（如可用）与经验结果匹配。

**失败处理：** 如果可视化揭示了模型未预期的非平稳性或多模态，回到第 1-2 步检查参数或方法错误。如果图形杂乱，减少显示的路径数量或增加图形尺寸。

## 验证清单

- 所有模拟轨迹保持在有效状态空间内（无越界值、无 NaN/Inf）
- 对 DTMC/CTMC：经验平稳分布收敛到解析分布（在预期蒙特卡洛误差范围内）
- 对 SDE：将 `dt` 减半不会定性地改变结果（收敛阶检查）
- 对 MCMC：R-hat < 1.01，ESS > 400，Geweke z 分数在 [-2, 2] 范围内
- 置信区间宽度按 `1/sqrt(n_paths)` 比例减小（中心极限定理）
- 方差缩减技术产生 VRF > 1（估计改善而非恶化）
- 可重复性：使用相同种子重新运行产生相同结果

## 常见问题

- **MCMC 预热不足**：从不良初始状态开始需要长时间预热，样本才能代表目标分布。始终检查轨迹图并使用收敛诊断，而不是猜测预热长度
- **刚性 SDE 的 Euler-Maruyama 不稳定性**：如果漂移项有大梯度，显式 Euler-Maruyama 可能发散。切换到隐式方法或使用自适应步长
- **混淆 SDE 的强收敛和弱收敛**：强收敛衡量逐路径误差（对单个轨迹重要）；弱收敛衡量分布误差（对期望足够）。Euler-Maruyama 弱阶 1.0 但强阶 0.5
- **伪随机数生成器质量**：对于非常长的模拟，低质量 RNG 可能产生相关样本。使用经过良好测试的生成器（Mersenne Twister、PCG 或 Xoshiro）并验证独立性
- **忽略 MCMC 中的自相关**：将自相关的 MCMC 样本视为独立会低估不确定性。始终使用有效样本量而非原始样本数来计算标准误
- **非单调函数的对偶变量**：对偶采样仅在估计量是底层均匀分布的单调函数时减少方差。对非单调函数，它可能增加方差
- **大规模模拟的内存**：存储许多长路径的所有时间步可能耗尽内存。当不需要完整轨迹用于可视化时，使用在线统计（运行均值、方差）

## 相关技能

- [马尔可夫链建模](../model-markov-chain/SKILL.md) — 提供模拟验证的转移矩阵和解析解
- [拟合隐马尔可夫模型](../fit-hidden-markov-model/SKILL.md) — 从拟合的 HMM 进行模拟实现后验预测检验和合成数据生成

