二十三、欧式期权定价 这个例子主要讲述如何生成并使用服从几何布朗运动的随机数 我们假设当前时点为 0，股价为S0，股票波动率σ，无红利，一个欧式看涨期权(call option) 的 striking price 为 K，到期日迄今时间长度为 T, 市场无风险利率为 r，注意上述所有变量的 时间单位要一致。由 Black-Scholes 公式 可以计算此欧式期权的价值。 用 Monte Carlo 怎样做呢？这里 重要的是依据 Black-Scholes 公式的假设：股票价格服 从几何布朗运动，从而依照在前一章讲述的方法推导出时间 T 时股价的概率分布。 详细推导见视频教程中的 PPT 讲解。 此例子同样也有两个版本的 m 文件——eg31.m 和 eg32.m，请参照视频教程逐句学习这 两个代码文件。 二十四、计算亚式期权 这个例子主要讲述如何生成路径。 这里，我们以一个算术平均、离散时间盯市的亚式看涨期权作为例子。参数假设继承自 前一个例子：我们假设当前时点为 0，股价为 S0，股票波动率σ，无红利，一个亚式看涨期

JMbayes：贝叶斯方法下纵向和生存数据的联合模型 描述 该存储库包含R包JMbayes的源文件。 该软件包适用于使用MCMC的贝叶斯方法下的纵向数据和事件时间数据的联合模型。 这些模型主要适用于两种设置。 首先，当重点放在生存结果上时，我们希望说明误差测量的内源性（又称内部）时间相关协变量的影响。 其次，当重点放在纵向结果上时，我们希望纠正非随机辍学现象。 该软件包包含两个主要的联合模型拟合函数， jointModelBayes()和mvJointModelBayes() ，它们的语法相似，但功能不同。 基本功能jointModelBayes() 它可以拟合单个纵向结果和事件发生时间结果的联合模型。 用户可以使用参数densLong （默认值为正常pdf）为纵向响应指定自己的密度函数。 除其他外，这允许对具有分类和左删截纵向响应的联合模型以及具有Student-t误差项的鲁棒联合

关于MCMC的一份不错的代码 很不错 可用于马尔可夫场图像分割

mcmcstat：Matlab的MCMC工具箱

从GitHub发布页面下载最新的预建READY-TO-USE ParaMonte :: MatDRAM库： https://github.com/cdslaborg/paramonte/releases/latest/download/libparamonte_matdram.zip 有关该库的许多强大功能以及串行和并行示例仿真的说明，请参见： https://www.cdslab.org/paramonte/notes/examples/matlab/mlx/sampling_multivariate_normal_distribution_via_paradram.html 有关更多示例，请参见： https://www.cdslab.org/paramonte/notes/examples/matlab/mlx/ 有兴趣接收更新吗？ 在GitHub上加注星标并观看该库的

预测模型是科学制定应急处置措施的基础.为快速准确地构建突发水污染事件预测模型,将预测模型参数的率定问题视为贝叶斯估计问题,并根据有限差分方法和贝叶斯推理得到参数的后验概率密度函数,再通过改进的Metropolis-Hastings抽样方法得到较为合理的参数值.以发生在某明渠段的突发水污染事件为例,分析讨论等容量控制非均匀流和非等容量控制非均匀流两种情景下不同观测噪声对参数率定值的影响,并与由贝叶斯-马尔科夫链蒙特卡罗方法得到的参数值和真实值进行对比.结果表明:改进Bayesian-MCMC方法在计算精度、适用性和抗噪声等方面优于贝叶斯-马尔科夫链蒙特卡罗方法,能较好地率定模型参数,并为构建突发水污染事件预测模型提供了新思路.

马尔可夫链蒙特卡洛-0/1背包问题 该资料库引用了该学科的最终：《蒙特卡洛算法和马尔可夫链中的特殊主题》 ，PESC / COPPE / UFRJ ，由 教授在2018年第一学期教授。 学生们： 关于 该存储库的目的是为0/1背包问题建立解决方案，也就是说，每个元素都可以或不可以不经过重复就出现在解决方案中。 开发的代码旨在评估涉及Markov Chains Monte Carlo的不同算法的结果和性能。 与伪多项式求解算法和贪婪算法（称为“爬山”）相比，本文涵盖的技术涉及不同冷却和过渡策略下的随机游走，Metropolis Hastings，模拟退火算法。 此外，该存储库还试图提出可能的场景，在这些场景中，马尔可夫链蒙特卡洛算法比确定性算法更具优势。 运行算法 所有算法都是使用编写的，并且在src目录中可用。 在data目录中，您可以找到一些可以由算法执行的问题。 涉及Mark

一个 GUI 演示了 MCMC 如何估计损坏信号中的正弦参数（幅度、频率、化合物数量）

SurrDAMH 贝叶斯反演的代理加速马尔可夫链蒙特卡罗方法的Python实现 从后验分布π提供样品（U | y）的α˚Fη（γ - G（U））π0（U），其中y是观测的给定矢量，G是一个观测算子中，fη是概率密度函数高斯噪声观测的（PDF），π0（u）为高斯先验的PDF。 要求 麻木 科学的 大熊猫 json mpi4py petsc4py（用于“达西”示例） MyFEM（针对“达西”示例） github的： : pcdeflation（在“达西”示例中使用自己的通缩基础） make -C examples/solvers/pcdeflation clean make -C examples/solvers/pcdeflation build cython（用于pcdeflation构建） 跑步 conf_name 准备的玩具示例：“简单”，“简单_MPI”，“达西”

介绍MCMC方法及WinBUGS的应用。MCMC可以用于处理复杂Bayesian分析，求取后验密度