一、基本思想
在蒙特卡洛模拟中，我们常希望估计某个随机变量的期望：
直接取样本均值：
虽然是无偏估计，但其方差
可能非常大，导致结果不稳定。
控制变量法（Control Variates）通过引入与 (Y) 高度相关的另一个随机变量 (X)，并利用 (X) 的已知期望来抵消部分波动，从而显著降低方差。
二、构造思路
假设存在一个随机变量 (X)，满足：
- (X) 与 (Y) 有较强相关性；
- 其期望 是已知的。
则可以构造一个新的估计量：
其中：
参数 (b) 称为控制系数（control coefficient），用于调整校正强度。
三、无偏性与方差推导
由于，
可得：
→ 仍然是一个无偏估计。
其方差为：
四、最优控制系数
为了最小化方差，对 (b) 求导并令其为零：
得到最优值：
将其代入方差公式：
其中 () 为 (X) 与 (Y) 的相关系数。
方差降低比例 = ()若 ()，方差可减少 81%；若 ()，方差可减少 98%。
五、多变量推广
若存在多个控制变量 ()，
则最优系数向量为：
新的估计量为：
其方差为：
等价于回归中“去除解释部分后的残差方差”，与 (R2) 的概念相对应。
六、几何与统计直觉
- 从线性回归视角看，控制变量法相当于回归 (Y) 对 (X)，然后只保留残差部分：
即用 (X) 的已知信息解释掉 (Y) 的部分波动，使残差方差最小。
- 从几何视角看，(X) 提供了 (Y) 波动的“方向”，
减去这部分后，剩余噪声更小，估计更稳定。
七、具体示例
🌰 示例：估计 ()，其中 ()
目标：
选取控制变量：
计算：
于是：
结果：
与普通蒙特卡洛相比，方差降低约 98%。
八、代码示例
import numpy as np n = 10000 U = np.random.rand(n) # 每次同时生成 U Y = np.exp(U) # 目标变量 X = U # 控制变量 mu_X = 0.5 # E[U] b_opt = np.cov(X, Y, bias=True)[0, 1] / np.var(X) theta_cv = np.mean(Y + b_opt * (mu_X - X)) theta_mc = np.mean(Y) print(f"普通MC估计: {theta_mc:.5f}") print(f"控制变量估计: {theta_cv:.5f}")
九、方法总结
项目 | 内容 |
目标 | 利用已知期望的相关变量降低方差 |
估计量 | |
最优系数 | |
方差降低比例 | |
条件 | 需已知，且 |
典型应用 | 期权定价、积分估计、排队仿真、金融风险模拟 |