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
注意: 下文中需要的自建库 utilities,可以从链接 https://uqer.io/community/share/568dfcbe228e5b18e3ba2980 中克隆得到。如何保存library,请见:https://uqer.io/help/faq/#什么是Library
from CAL.PyCAL import * 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 :
\begin{align}\frac{\partial u(x_j, \tau_{k+1})}{\partial\tau} &= \frac{u_{j,k+1} - u_{j,k}}{\Delta \tau} + O(\Delta \tau) \\\\\frac{\partial^2 u(x_j, \tau_{k+1})}{\partial x^2} &= \frac{u_{j-1,k+1} - 2u_{j,k+1} + u_{j+1,k+1}}{\Delta x^2} + O(\Delta x^2) \\\\\end{align}
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:
\begin{align}u_{\tau}(x_j,\tau_{k+1}) - \kappa u_{xx}(x_j,\tau_{k+1}) &= 0 \\\\\frac{u_{j,k+1} - u_{j,k}}{\Delta \tau} - \kappa \frac{u_{j-1,k+1} - 2u_{j,k+1} + u_{j+1,k+1}}{\Delta x^2} &= O(\Delta \tau) + O(\Delta x^2)\end{align}
用离散值 Uj,k 替换 uj,k ,我们得到差分方程:
\begin{align}&\frac{U_{j,k+1} - U_{j,k}}{\Delta \tau} - \kappa \frac{U_{j-1,k+1} - 2U_{j,k+1} + U_{j+1,k+1}}{\Delta x^2} &= 0, \\\\\Rightarrow& \quad U_{j,k+1} - U_{j,k} - \frac{\kappa\Delta \tau}{\Delta x^2}(U_{j-1,k+1} - 2U_{j,k+1} + U_{j+1,+1k}) &= 0, \\\\\Rightarrow& \quad U_{j,k+1} - U_{j,k} - \rho(U_{j-1,k+1} - 2U_{j,k+1} + U_{j+1,k+1}) &= 0.\end{align}
最后,到这里我们得到一个迭代方程组:
−
量化分析师的Python日记【Q Quant兵器谱之偏微分方程2】
最新推荐文章于 2025-06-14 19:00:00 发布