---

name: simulate-stochastic-process locale: wenyan-lite source_locale: en source_commit: 82c77053 fence_basis_commit: 82c77053 translator: "Julius Brussee homage — caveman" translation_date: "2026-05-03" description: > Simulate stochastic processes (Markov chains, random walks, SDEs, MCMC) with convergence diagnostics, variance reduction, and visualization. Use when generating sample paths for estimation, prediction, or visualization; when analytical solutions are intractable; running Monte Carlo estimation needing convergence guarantees; validating analytical results against empirical simulation; or sampling from complex posteriors via MCMC. license: MIT allowed-tools: Read Write Edit Bash Grep Glob metadata: author: Philipp Thoss version: "1.0" domain: stochastic-processes complexity: advanced language: multi tags: stochastic, simulation, mcmc, convergence, monte-carlo

模擬隨機過程

模擬隨機過程之樣本路徑——含離散馬可夫鏈、連續時間過程、隨機微分方程與 MCMC 取樣器——附收斂診斷、變異數縮減技巧與軌跡視覺化。

適用時機

• 須為估計、預測或視覺化從隨機過程生成樣本路徑
• 解析解不可行而模擬為唯一可行進路
• 執行蒙地卡羅估計而需收斂保證與不確定性量化
• 欲以經驗模擬驗證解析結果（穩態分布、命中時間）
• 須以 MCMC 自複雜後驗分布取樣
• 於投入完整解析處理前先構造隨機模型雛形

輸入

必要

Input	Type	Description
process_type	string	Type of process: "dtmc", "ctmc", "random_walk", "brownian_motion", "sde", "mcmc"
parameters	dict	Process-specific parameters (transition matrix, drift/diffusion coefficients, target density, etc.)
n_paths	integer	Number of independent sample paths to simulate
n_steps	integer	Number of time steps per path (or total MCMC iterations)

選擇性

Input	Type	Default	Description
initial_state	scalar/vector	process-specific	Starting state or distribution for each path
dt	float	0.01	Time step size for continuous-time discretization
seed	integer	random	Random seed for reproducibility
burn_in	integer	n_steps / 10	Number of initial steps to discard (MCMC)
thinning	integer	1	Keep every k-th sample to reduce autocorrelation
variance_reduction	string	"none"	Method: "none", "antithetic", "stratified", "control_variate"
target_function	callable	none	Function to evaluate along paths for Monte Carlo estimation

步驟

步驟一：定義過程模型與參數

1.1. 識別過程類型並收集所有必要參數：

• DTMC：轉移矩陣 P 與狀態空間。驗證 P 為列隨機。
• CTMC：速率矩陣 Q。驗證列和為 0 且非對角項非負。
• 隨機漫步：步長分布（如 {-1, +1} 機率均等）、邊界（如有）。
• 布朗運動：漂移 mu、波動率 sigma、維度 d。
• SDE（伊藤）：漂移函式 a(x,t)、擴散函式 b(x,t)。
• MCMC：目標對數密度、提案機制（隨機漫步 Metropolis、Hamiltonian、Gibbs 分量）。

1.2. 驗證參數一致性：

• 矩陣維度與狀態空間大小相符。
• SDE 係數於所選求解器下滿足成長與 Lipschitz 條件（至少非形式地）。
• MCMC 提案於目標分布之支撐上有良定義。

1.3. 設隨機種子以求可重現。

預期： 完整指明之隨機模型，參數已驗證且隨機狀態可重現。

失敗時： 若參數不一致（如非隨機矩陣），先修正再進。若 SDE 係數病態，考慮另一離散化方案。

步驟二：選擇模擬方法

2.1. 依過程類型選擇合適演算法：

Process	Method	Key Property
DTMC	Direct sampling from transition row	Exact
CTMC	Gillespie algorithm (SSA)	Exact, event-driven
CTMC (approx.)	Tau-leaping	Approximate, faster for high rates
Random walk	Direct sampling of increments	Exact
Brownian motion	Cumulative sum of Gaussian increments	Exact for fixed dt
SDE (general)	Euler-Maruyama	Order 0.5 strong, order 1.0 weak
SDE (higher order)	Milstein	Order 1.0 strong (scalar noise)
SDE (stiff)	Implicit Euler-Maruyama	Stable for stiff drift
MCMC (general)	Metropolis-Hastings	Asymptotically exact
MCMC (gradient)	Hamiltonian Monte Carlo (HMC)	Better mixing for high dimensions
MCMC (conditional)	Gibbs sampler	Exact conditionals when available

2.2. SDE 方法中，選 dt 須小至數值穩定。經驗法則：自 dt = 0.01 起並折半，直至結果穩定。

2.3. MCMC 中，調提案尺度以達約以下接受率：

• 高維隨機漫步 Metropolis：23.4%
• 一維目標：57.4%
• HMC：65-90%（依軌跡長度而定）

2.4. 若請求變異數縮減，配置之：

• 對偶變數：對每路徑之隨機增量 Z，亦以 -Z 模擬。
• 分層取樣：劃分機率空間，於每層內取樣。
• 控制變數：識別具已知期望之相關量以縮減變異數。

預期： 已選妥配對過程類型之模擬演算法及其調參。

失敗時： 若所選方法不穩（如 Euler-Maruyama 發散），轉至隱式方法或降 dt。

步驟三：實作並執行模擬

3.1. 為 n_paths 條軌跡分配儲存空間，每條長 n_steps（或對如 Gillespie 之事件驅動方法動態分配）。

3.2. 對每路徑 i = 1, ..., n_paths：

DTMC／隨機漫步：

• 設 x[0] = initial_state
• 對 t = 1, ..., n_steps：依給定 x[t-1] 之轉移分布取樣 x[t]

CTMC（Gillespie）：

• 設 x[0] = initial_state、time = 0
• 當 time < T_max：
  • 計算總速率 lambda = -Q[x, x]
  • 取樣保持時間 tau ~ Exp(lambda)
  • 對 j != x，依轉移機率 Q[x, j] / lambda 取樣下一狀態
  • 更新 time += tau、記錄轉移

SDE（Euler-Maruyama）：

• 設 x[0] = initial_state
• 對 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）：

• 設 x[0] = initial_state
• 對 t = 1, ..., n_steps：
  • 提議 x' ~ q(x' | x[t-1])
  • 計算接受比 alpha = min(1, p(x') * q(x[t-1]|x') / (p(x[t-1]) * q(x'|x[t-1])))
  • 以機率 alpha 接受：接受則 x[t] = x'，否則 x[t] = x[t-1]
  • 記錄接受決定

3.3. 若提供 target_function，於每路徑之每狀態評估之並儲存其值。

3.4. 套用稀疏化：保留每 thinning 之第 k 樣。

3.5. 自每路徑開頭丟棄 burn_in 樣（主要對 MCMC）。

預期： n_paths 條完整軌跡儲存於記憶體，附選擇性之函式評估。MCMC 接受率於目標範圍內。

失敗時： 若模擬產生 NaN 或 Inf，對 SDE 方法降 dt 或檢查參數有效性。若 MCMC 接受率近 0% 或 100%，調整提案尺度。

步驟四：套用收斂診斷

4.1. 追蹤圖：對部分路徑繪每分量之值隨時間之變化。視覺檢查穩態（無趨勢、變異數穩定）。

4.2. Gelman-Rubin 診斷（R-hat）：對含多鏈之 MCMC：

• 計算鏈內變異數 W 與鏈間變異數 B。
• R_hat = sqrt((n-1)/n + B/(n*W))
• 收斂示為 R_hat < 1.01（嚴格）或 R_hat < 1.1（寬鬆）。

4.3. 有效樣本數（ESS）：

• 估計遞增滯後之自相關。
• ESS = n_samples / (1 + 2 * sum(autocorrelations))
• 經驗法則：ESS > 400 為可靠後驗摘要。

4.4. Geweke 診斷：比對每鏈前 10% 與後 50% 之均值。z 分數應於 [-2, 2] 內以示收斂。

4.5. 對非 MCMC 過程：驗證時間平均統計（均值、變異數）隨路徑長度增而穩定。繪走動均值。

4.6. 報告摘要表：

Diagnostic	Value	Threshold	Status
R-hat (max)	...	< 1.01	...
ESS (min)	...	> 400	...
Geweke z (max abs)	...	< 2.0	...
Acceptance rate	...	0.15-0.50	...

預期： 所有收斂診斷皆過其閾值。追蹤圖示鏈穩定且混合良好。

失敗時： 若 R-hat > 1.1，跑更長之鏈或改善提案。若 ESS 甚低，增稀疏化或轉至更佳取樣器（如 HMC）。若 Geweke 失敗，延長 burn-in。

步驟五：計算摘要統計與信賴區間

5.1. 對每關注量（狀態占用、函式期望、命中時間）：

• 計算點估計為跨路徑（burn-in 與稀疏化後）之樣本均值。
• 用有效樣本數計算標準誤：SE = SD / sqrt(ESS)。

5.2. 構造信賴區間：

• 常態近似：estimate +/- z_{alpha/2} * SE
• 偏態分布用百分位 bootstrap 或批次均值。

5.3. 若已套變異數縮減，計算變異數縮減因子：

• VRF = Var(naive estimator) / Var(reduced estimator)
• 報告有效加速。

5.4. 對蒙地卡羅積分估計：

• 報告估計、標準誤、95% CI、ESS 與函式評估數。

5.5. 對分布估計：

• 計算經驗分位數（中位數、2.5、97.5 百分位）。
• 對連續量做核密度估計。

5.6. 列表所有摘要統計及其不確定性。

預期： 點估計附對應標準誤與信賴區間。變異數縮減（若已套）產生 VRF > 1。

失敗時： 若信賴區間過寬，增 n_paths 或 n_steps。若變異數縮減反惡化估計（VRF < 1），停用之——控制變數或對偶方案或不適本問題。

步驟六：視覺化軌跡與分布

6.1. 軌跡圖：繪具代表性之樣本路徑子集（5-20 條）隨時間之變化。對重疊路徑用透明度。

6.2. 集合統計：疊繪均值軌跡與跨所有路徑之點對點 95% 信賴帶。

6.3. 邊際分布：於選定時點，繪跨路徑之狀態分布之直方圖或密度估計。

6.4. 穩態分布比對：若有解析穩態分布，疊於最終時間切片之經驗直方圖上。

6.5. 自相關圖：對 MCMC，繪每分量自相關函式（ACF）至合理滯後。

6.6. 診斷儀表板：將追蹤圖、ACF 圖、走動均值圖與邊際密度合於單一多面板圖以供綜合評估。

6.7. 將所有圖以向量（PDF/SVG）與點陣（PNG）格式存檔以供文件用。

預期： 出版品質之圖示，呈現軌跡行為、分布收斂與診斷摘要。解析解（如有）與經驗結果相符。

失敗時： 若視覺化揭示模型未預期之非穩態或多模態，回看步驟一二之參數或方法錯誤。若圖過雜亂，減顯示路徑數或加大圖尺。

驗證

• 所有模擬軌跡留於有效狀態空間（無越界值、無 NaN/Inf）
• DTMC/CTMC：經驗穩態分布收斂至解析者（於預期蒙地卡羅誤差內）
• SDE：折半 dt 不對結果產生質性變化（收斂階檢查）
• MCMC：R-hat < 1.01、ESS > 400、Geweke z 分數於 [-2, 2] 內
• 信賴區間寬度依 1/sqrt(n_paths) 比例縮小（中央極限定理）
• 變異數縮減技巧產生 VRF > 1（估計改善而非惡化）
• 可重現性：同種子重跑產生相同結果

常見陷阱

• MCMC burn-in 不足：自不良初始狀態起需長 burn-in 樣本方能代表目標分布。永遠檢查追蹤圖並用收斂診斷，而非猜 burn-in 長。
• 僵硬 SDE 之 Euler-Maruyama 不穩：若漂移項梯度大，顯式 Euler-Maruyama 可能發散。轉隱式方法或用適應步長。
• 混淆 SDE 之強弱收斂：強收斂衡量逐路徑誤差（對個別軌跡重要）；弱收斂衡量分布誤差（對期望足夠）。Euler-Maruyama 弱階為 1.0 但強階為 0.5。
• 偽隨機數生成器品質：對極長模擬，低品質 RNG 可能產相關樣本。用經充分測試之生成器（Mersenne Twister、PCG 或 Xoshiro）並驗獨立性。
• 忽略 MCMC 自相關：將自相關 MCMC 樣本當獨立會低估不確定性。永遠用有效樣本數，非原始樣本數，計算標準誤。
• 對非單調函式用對偶變數：對偶取樣僅當被估量為底層均勻變數之單調函式時縮減變異數。對非單調函式可能增變異數。
• 大規模模擬之記憶體：儲存多長路徑之所有時步可能耗盡記憶體。當完整軌跡非視覺化所需時，用線上統計（走動均值、變異數）。

相關技能

• Model Markov Chain — 提供模擬所驗證之轉移矩陣與解析解
• Fit Hidden Markov Model — 自擬合 HMM 之模擬使後驗預測檢查與合成資料生成成為可能