量化分析师的Python日记【第11天 Q Quant兵器谱之偏微分方程2】
来源:https://uqer.io/community/share/5534ad3ff9f06c8f33904689
这是量化分析师的偏微分方程系列的第二篇,在这一篇中我们将解决上一篇显式格式留下的稳定性问题。本篇将引入隐式差分算法,读者可以学到:
- 隐式差分格式描述
- 三对角矩阵求解
- 如何使用
scipy
加速算法实现在完成两天的基础学习之后,在下一天中,我们将把已经学到的知识运用到金融定价领域最重要的方程之一:Black - Shcoles - Merton 偏微分方差
from matplotlib import pylab
import seaborn as sns
import numpy as np
np.set_printoptions(precision = 4)
font.set_size(20)
def initialCondition(x):
return 4.0*(1.0 - x) * x
1. 隐式差分格式
像上一天一样,我们从差分格式的数学表述开始。隐式格式与显式格式的区别,在于我们时间方向选择的基准点。显式格式使用k
,而隐式格式选择k+1
:
剩下的推到过程我完全一样,我们看到无论隐式格式还是显式格式,它们的截断误差是一样的:
用离散值Uj,k
替换uj,k
,我们得到差分方程:
最后,到这里我们得到一个迭代方程组:
其中。
N = 500 # x方向网格数
M = 500 # t方向网格数
T = 1.0
X = 1.0
xArray = np.linspace(0,X,N+1)
yArray = map(initialCondition, xArray)
starValues = yArray
U = np.zeros((N+1,M+1))
U[:,0] = starValues
dx = X / N
dt = T / M
kappa = 1.0
rho = kappa * dt / dx / dx
1.1 矩阵求解(TridiagonalSystem
)
虽然看上去形式只是变了一点,但是求解的问题有很大的变化。在每个时间点上,我们需要求解如下的一个线性方程组:
这里A
为:
幸运的是,这个是个三对角矩阵,可以很简单的利用Gauss消去法求解。我们这里不会详细讨论算法的描述,细节都可以在下面的python类TridiagonalSystem
中了解到:
class TridiagonalSystem:
def __init__(self, udiag, cdiag, ldiag):
'''
三对角矩阵:
udiag -- 上对角线
cdiag -- 对角线
ldiag -- 下对角线
'''
assert len(udiag) == len(cdiag)
assert len(cdiag) == len(ldiag)
self.udiag = udiag
self.cdiag = cdiag
self.ldiag = ldiag
self.length = len(self.cdiag)
def solve(self, rhs):
'''
求解以下方程组
A \ dot x = rhs
'''
assert len(rhs) == len(self.cdiag)
udiag = self.udiag.copy()
cdiag = self.cdiag.copy()
ldiag = self.ldiag.copy()
b = rhs.copy()
# 消去下对角元
for i in range(1, self.length):
cdiag[i] -= udiag[i-1] * ldiag[i] / cdiag[i-1]
b[i] -= b[i-1] * ldiag[i] / cdiag[i-1]
# 从最后一个方程开始求解
x = np.zeros(self.length)
x[self.length-1] = b[self.length - 1] / cdiag[self.length - 1]
for i in range(self.length - 2, -1, -1):
x[i] = (b[i] - udiag[i]*x[i+1]) / cdiag[i]
return x
def multiply(self, x):
'''
矩阵乘法:
rhs = A \dot x
'''
assert len(x) == len(self.cdiag)
rhs = np.zeros(self.length)
rhs[0] = x[0] * self.cdiag[0] + x[1] * self.udiag[0]
for i in range(1, self.length - 1):
rhs[i] = x[i-1] * self.ldiag[i] + x[i] * self.cdiag[i] + x[i+1] * self.udiag[i]
rhs[self.length - 1] = x[self.length - 2] * self.ldiag[self.length - 1] + x[self.length - 1] * self.cdiag[self.length - 1]
return rhs
1.2 隐式格式求解
for k in range(0, M):
udiag = - np.ones(N-1) * rho
ldiag = - np.ones(N-1) * rho
cdiag = np.ones(N-1) * (1.0 + 2. * rho)
mat = TridiagonalSystem(udiag, cdiag, ldiag)
rhs = U[1:N,k]
x = mat.solve(rhs)
U[1:N, k+1] = x
U[0][k+1] = 0.
U[N][k+1] = 0.
from lib.utilities import plotLines
plotLines([U[:,0], U[:, int(0.10/ dt)], U[:, int(0.20/ dt)], U[:, int(0.50/ dt)]], xArray, title = u'一维热传导方程', xlabel = '$x$',
ylabel = r'$U(\dot, \tau)$', legend = [r'$\tau = 0.$', r'$\tau = 0.10$', r'$\tau = 0.20$', r'$\tau = 0.50$'])
from lib.utilities import plotSurface
tArray = np.linspace(0, 0.2, int(0.2 / dt) + 1)
tGrids, xGrids = np.meshgrid(tArray, xArray)
plotSurface(xGrids, tGrids, U[:,:int(0.2 / dt) + 1], title = u"热传导方程 $u_\\tau = u_{xx}$,隐式格式($\\rho = 50$)", xlabel = "$x$", ylabel = r"$\tau$", zlabel = r"$U$")
2. 继续组装
像我们在显示格式那一节介绍的同样做法,我们把之前的代码整合起来,归集与一个完整的类ImplicitEulerScheme
中:
from lib.utilities import HeatEquation
上面的代码(使用library
功能,关于该功能的具体介绍请见帮助 — Library是干什么的)导入我们在上一期中已经定义过的类HeatEquation
,避免代码重复。
class ImplicitEulerScheme:
def __init__(self, M, N, equation):
self.eq = equation
self.dt = self.eq.T / M
self.dx = self.eq.X / N
self.U = np.zeros((N+1, M+1))
self.xArray = np.linspace(0,self.eq.X,N+1)
self.U[:,0] = map(self.eq.ic, self.xArray)
self.rho = self.eq.kappa * self.dt / self.dx / self.dx
self.M = M
self.N = N
def roll_back(self):
for k in range(0, self.M):
udiag = - np.ones(self.N-1) * self.rho
ldiag = - np.ones(self.N-1) * self.rho
cdiag = np.ones(self.N-1) * (1.0 + 2. * self.rho)
mat = TridiagonalSystem(udiag, cdiag, ldiag)
rhs = self.U[1:self.N,k]
x = mat.solve(rhs)
self.U[1:self.N, k+1] = x
self.U[0][k+1] = self.eq.bcl(self.xArray[0])
self.U[self.N][k+1] = self.eq.bcr(self.xArray[-1])
def mesh_grids(self):
tArray = np.linspace(0, self.eq.T, M+1)
tGrids, xGrids = np.meshgrid(tArray, self.xArray)
return tGrids, xGrids
然后我们可以使用下面的三行简单调用完成功能:
ht = HeatEquation(1.,X, T)
scheme = ImplicitEulerScheme(M,N, ht)
scheme.roll_back()
scheme.U
array([[ 0.0000e+00, 0.0000e+00, 0.0000e+00, ..., 0.0000e+00,
0.0000e+00, 0.0000e+00],
[ 7.9840e-03, 7.2843e-03, 6.9266e-03, ..., 3.8398e-07,
3.7655e-07, 3.6926e-07],
[ 1.5936e-02, 1.4567e-02, 1.3852e-02, ..., 7.6795e-07,
7.5308e-07, 7.3851e-07],
...,
[ 1.5936e-02, 1.4567e-02, 1.3852e-02, ..., 7.6795e-07,
7.5308e-07, 7.3851e-07],
[ 7.9840e-03, 7.2843e-03, 6.9266e-03, ..., 3.8398e-07,
3.7655e-07, 3.6926e-07],
[ 0.0000e+00, 0.0000e+00, 0.0000e+00, ..., 0.0000e+00,
0.0000e+00, 0.0000e+00]])
3. 使用 scipy
加速
软件工程行业里有句老话,叫做:“不要重复发明轮子!”。实际上,之前的代码里面,我们就造了自己的轮子:TridiagonalSystem
。三对角矩阵作为最最常见的稀疏矩阵,关于它的线性方程组求解算法实际上早已为业界熟知,也已经有很多库内置了工业级别强度实现。这里我们取scipy
作为例子,来展示使用外源库实现的好处:
- 更加稳健的算法: 知名库算法由于使用者广泛,有更大的概率发现一些极端情形下的bug。库作者可以根据用户反馈,及时调整算法;
- 更高的性能: 由于库的使用更为广泛,库作者有更大的动力去使用各种技术去提高算法的性能:例如使用更高效的语言实现,例如C。scipy中的情形就是一例。
- 持续的维护: 库的受众范围广,社区的力量会推动库作者持续维护。
下面的代码展示,如何使用scipy
中的solve_banded
算法求解三对角矩阵:
import scipy as sp
from scipy.linalg import solve_banded
A = np.zeros((3, 5))
A[0, :] = np.ones(5) * 1. # 上对角线
A[1, :] = np.ones(5) * 3. # 对角线
A[2, :] = np.ones(5) * (-1.) # 下对角线
b = [1.,2.,3.,4.,5.]
x = solve_banded ((1,1), A,b)
print 'x = A^-1b = ',x
x = A^-1b = [ 0.1833 0.45 0.8333 0.95 1.9833]
我们使用上面的算法替代我们之前的TridiagonalSystem
,
import scipy as sp
from scipy.linalg import solve_banded
for k in range(0, M):
udiag = - np.ones(N-1) * rho
ldiag = - np.ones(N-1) * rho
cdiag = np.ones(N-1) * (1.0 + 2. * rho)
mat = np.zeros((3,N-1))
mat[0,:] = udiag
mat[1,:] = cdiag
mat[2,:] = ldiag
rhs = U[1:N,k]
x = solve_banded ((1,1), mat,rhs)
U[1:N, k+1] = x
U[0][k+1] = 0.
U[N][k+1] = 0.
plotLines([U[:,0], U[:, int(0.10/ dt)], U[:, int(0.20/ dt)], U[:, int(0.50/ dt)]], xArray, title = u'一维热传导方程,使用scipy', xlabel = '$x$',
ylabel = r'$U(\dot, \tau)$', legend = [r'$\tau = 0.$', r'$\tau = 0.10$', r'$\tau = 0.20$', r'$\tau = 0.50$'])
同样的我们定义一个新类ImplicitEulerSchemeWithScipy
使用scipy
的算法:
class ImplicitEulerSchemeWithScipy:
def __init__(self, M, N, equation):
self.eq = equation
self.dt = self.eq.T / M
self.dx = self.eq.X / N
self.U = np.zeros((N+1, M+1))
self.xArray = np.linspace(0,self.eq.X,N+1)
self.U[:,0] = map(self.eq.ic, self.xArray)
self.rho = self.eq.kappa * self.dt / self.dx / self.dx
self.M = M
self.N = N
def roll_back(self):
for k in range(0, self.M):
udiag = - np.ones(self.N-1) * self.rho
ldiag = - np.ones(self.N-1) * self.rho
cdiag = np.ones(self.N-1) * (1.0 + 2. * self.rho)
mat = np.zeros((3,self.N-1))
mat[0,:] = udiag
mat[1,:] = cdiag
mat[2,:] = ldiag
rhs = self.U[1:self.N,k]
x = solve_banded((1,1), mat, rhs)
self.U[1:self.N, k+1] = x
self.U[0][k+1] = self.eq.bcl(self.xArray[0])
self.U[self.N][k+1] = self.eq.bcr(self.xArray[-1])
def mesh_grids(self):
tArray = np.linspace(0, self.eq.T, M+1)
tGrids, xGrids = np.meshgrid(tArray, self.xArray)
return tGrids, xGrids
下面的代码,比较了两种做法的性能。可以看到仅仅简单的替代三对角矩阵算法,我们就获得了接近8倍的性能提升
import time
startTime = time.time()
loop_round = 10
# 不使用scipy
for k in range(loop_round):
ht = HeatEquation(1.,X, T)
scheme = ImplicitEulerScheme(M,N, ht)
scheme.roll_back()
endTime = time.time()
print '{0:<40}{1:.4f}'.format('执行时间(s) -- 不使用scipy.linalg: ', endTime - startTime)
# 使用scipy
startTime = time.time()
for k in range(loop_round):
ht = HeatEquation(1.,X, T)
scheme = ImplicitEulerSchemeWithScipy(M,N, ht)
scheme.roll_back()
endTime = time.time()
print '{0:<40}{1:.4f}'.format('执行时间(s) -- 使用scipy.linalg: ', endTime - startTime)
执行时间(s) -- 不使用scipy.linalg: 12.1589
执行时间(s) -- 使用scipy.linalg: 1.6224
4. 尾声
到这里为止,我们已经结束了偏微分方差差分格式的基础学习。这是一个很大的学科,这两天也只能做到“管中窥豹”。但是有了以上的基础知识,读者已经有了足够的积累,可以处理一些金融工程中会实际遇到的方程。在下一天中,我们将把这两天学习到的知识运用到金融工程史上最重要的方程:Black - Scholes - Merton 偏微分方程。