Question

我需要通过多次迭代实验来运行蒙特卡罗模拟。 MonteCarlo软件包的功能似乎很适合这个问题。该实验涉及每次迭代一个接一个地创建4个矩阵（a，b，c和d）。

矩阵a：

random.sample <- sample(1:100, 1000, replace = TRUE) 
a = matrix(random.sample, nrow = 10, ncol = 10, byrow = TRUE)

矩阵b：

b <- apply(a[, 1:10], 2, SMA, n=3)

Matrix c：

c <- pmax(a, b)

概率序列：

probability.sequence <- seq(0.1, 0.90, 0.1)

矩阵d：

d <- apply(c, 2, quantile, probs = probability.sequence, na.rm = TRUE)

我想在给定的时间内迭代创建矩阵 a 到 d ， n 。每次迭代都应该生成一个新的矩阵 d ，其中包含来自相应矩阵 c 的百分位计算。我想聚合迭代过程的结果，以便得到所有矩阵 d 的90％百分位数的均值，方差，置信上限和置信下限。

（近似）期望的输出：

str(monte.carlo.aggregate.results)
num [1, 1:4] 65 15 85 45 
monte.carlo.aggregate.results         
     mean variance Upper CL Lower CL
[1,]   65       15       85       45

我已阅读?MonteCarlo并且努力在函数中包含矩阵a到d的创建，以便与MonteCarlo包中包含的MonteCarlo()函数一起使用。有没有人建议设置此过程以便与MonteCarlo()一起使用，或者可能是涉及自定义for循环的替代解决方案？

Answer 1

如果你不坚持使用MonteCarlo包（这对我来说很新并且看起来很有趣），你可以将你的代码包装成一个函数。

首先，创建一个只有90％-row的随机矩阵。然后，在指定金额后，您可以执行迭代并将其打包到包含lapply()的列表中。最后，使用您的（圆形）统计信息创建另一个矩阵。

这样的事情：

set.seed(54897)  # setting seed for sake of reproducibility
probability.sequence <- seq(0.1, 0.90, 0.1)

# iteration function
mx <- function(X, n) {
  random.sample <- sample(1:1e2, 1e3, replace = TRUE) 
  a = matrix(random.sample, nrow = 10, ncol = 10, byrow = TRUE)  
  b <- apply(a[ ,1:10], 2, SMA, n = 3)
  c <- pmax(a, b)
  d <- apply(c, 2, quantile, probs = probability.sequence,  na.rm = TRUE)
  return(d[9, ])  # returns only the desired 90 % row
}

# amount of iterations
amount <- 1e3 

# iteration
mx.lst <- lapply(1:amount, mx)

# matrix for statistics
r = matrix(NA, nrow = 1, ncol = 4, 
           dimnames = list(NULL, c("mean", "variance", "Upper CL", "Lower CL")))
r[, 1] <- (mean(unlist(lapply(mx.lst, mean))))  # mean
r[, 2]  <- sqrt(var(unlist(lapply(mx.lst, mean))))  # variance
r[, 3]  <- r[, 1] - 1.96 * sqrt(r[, 2])  # lower CI 95 %
r[, 4]  <- r[, 1] + 1.96 * sqrt(r[, 2])  # upper CI 95 %

# output
(monte.carlo.aggregate.results <- round(r, 0))
#      mean variance Upper CL Lower CL
# [1,]   82        3       78       86

str(monte.carlo.aggregate.results)
# num 1, 1:4] 82 3 78 86
# - attr(*, "dimnames")=List of 2
# ..$ : NULL
# ..$ : chr [1:4] "mean" "variance" "Upper CL" "Lower CL"

# speed test
amount <- 1e4
system.time(mx.lst <- lapply(1:amount, mx))
#     user      system     elapsed 
#    48.21        0.00       48.31

注意：请检查自己使用的置信区间公式是否符合您的需求。

如何在R

1 个答案: