🧩 一、总体思路：为什么要做方差降低？
Monte Carlo 方法估计：
方差为：
→ 只能靠增大样本数 (n) 来降方差，收敛速度 ()。
但如果我们能设计更聪明的采样或估计方式，就能在同样样本数下显著降低方差。
📊 二、五大方差降低方法对比总览表
方法 | 核心思想 | 典型应用场景 | 方差降低机制 | 方差降低程度 | 需要先验信息 | 主要优点 | 局限性 |
Antithetic Variables 对偶变量 | 用负相关样本配对 (U,1−U) | 对称函数、单调函数、期权定价等 | 负相关抵消波动 | 中等（约 30–70%） | 无 | 实现简单，不影响无偏性 | 仅适用于“单调函数”或对称结构 |
Control Variates 控制变量 | 引入一个相关、期望已知的变量作修正 | 金融定价（相关基础资产）、队列系统 | 利用协方差结构抵消误差 | 高（可能>90%） | 需已知相关变量的期望 | 效果显著、理论完备 | 需找到“合适的控制变量” |
Conditional Monte Carlo (CMC) 条件蒙特卡洛 | 对部分随机性取条件期望 | 分层结构模型、几何Brownian路径 | 解析消去一层随机性 | 高（50–95%） | 需能解析计算条件期望 | 通常效果极好 | 条件期望可能难求 |
Stratified Sampling 分层抽样 | 将样本空间分层、每层独立采样 | 积分估计、分布均匀采样 | 保证各区域被代表 | 中高（20–80%） | 需能分层 | 通用、直观 | 高维时难以划层 |
Importance Sampling 重要性采样 | 改变采样分布，提高重要区域样本密度 | 罕见事件、尾部概率、期权定价 | 在目标区域更密集采样 | 极高（可>1000×） | 需知道 f/g 比 | 稀有事件最强法 | g(x)选择不当方差反增 |
🧠 三、核心逻辑小结
方法 | 方差减少来源 |
Antithetic | 样本之间负相关 |
Control Variate | 利用协方差结构（线性修正） |
CMC | 减少随机维度（解析条件期望） |
Stratified | 减少抽样不均匀性 |
Importance Sampling | 改变分布，让“有用区域”多采样 |
⚙️ 四、简单图像式直觉
概念 | 图像理解 |
Antithetic | “成对抵消波动” → 一高一低平均更稳定 |
Control Variate | “用已知量拉回中心” |
Conditional MC | “先平均掉能算的随机性” |
Stratified | “每个区域都取样代表，不让某区太少” |
Importance Sampling | “往目标区域多撒样本，权重修正” |
📘 五、各方法典型应用
方法 | 金融类应用 | 概率/模拟类应用 |
Antithetic | 欧式看涨/看跌期权（路径对称） | 队列模拟、可靠性系统 |
Control Variate | 使用已知封闭解的标的资产或希腊字母 | 复杂系统与简化模型比较 |
Conditional MC | 看涨期权条件在 (S_T) 上取期望 | 事件分解、马尔可夫链模拟 |
Stratified | 确保不同价格区间均有样本 | Monte Carlo积分、光线追踪 |
Importance Sampling | 稀有事件 (e.g., (Z>6))、VaR估计 | 稀有事故概率、尾部模拟 |
🔍 六、方差降低程度示意
方法 | 方差降低（相对朴素MC） | 稳定性 |
Antithetic | 约 30%–70% | 稳定中等 |
Control Variate | 50%–95%（取决于相关性） | 稳定高 |
CMC | 通常可减少 >90% | 稳定高 |
Stratified | 20%–80% | 稳定中等 |
Importance Sampling | 可数百倍甚至千倍 | 效果强但需小心 g(x) 选择 |
🚀 七、其他方差降低方法（扩展）
方法 | 思想 | 特点 |
Latin Hypercube Sampling (LHS) | 多维变量分层抽样（高维版 Stratified） | 在工程仿真中常用 |
Moment Matching | 调整样本以匹配理论均值/方差 | 用于路径模拟稳定化 |
Quasi–Monte Carlo (QMC) | 用低差异序列代替随机样本（Sobol, Halton） | 方差极低，近似确定性 |
Splitting / Subset Simulation | 稀有事件中逐步放大条件概率 | 极端稀有事件模拟神器 |
Control Functionals | 使用光滑函数逼近 h(x)，减少残差 | 高维积分、贝叶斯计算中 |