也就是说，分布良好的坐标用于重要变量，而其他分布不太均匀的坐标用于极不重要的变量。这大大提高了QMC集成的准确性。然而，这种技术并不总能提高QMC方法的效率，例如forCliquet选项：在这种情况下，GSA表明，对于SD，所有输入都同等重要，而且它们之间没有相互作用，这是应用Sobol’低差异序列的理想情况；另一方面，BBD倾向于使用更高的指数变量，这会破坏引入相互作用的输入的依赖性，从而导致更高的DSD和dA值。因此，我们观察到QMC方法的性能下降。4.3性能分析在本节中，我们比较了MC和QMC技术的相对性能。这一分析对于确定QMC是否优于MC以及在何种意义上优于MC至关重要。首先，根据[Jac01]第14.4节的建议，我们分析了prices和Greens的收敛图，显示了MC模拟误差对MC路径数的依赖性。这四种支付方式的结果如图9-12所示。0 2 4 6 8 10 x 1041313.0513.113.1513.213.2513.313.3513.413.4513.5（a）价格0 2 4 6 8 10 x 1040.5920.5940.5960.5980.6020.6040.6060.6080.61（b）德尔塔2 4 8 10 x 1040.0120.01250.0135（c）Gamma0 2 6 8 10 x 10437.838.838.438.938（b）欧洲看涨期权（b）和欧洲看涨期权（IGURE）239 AFC（b），（d）带有对偶变量s（蓝色实线）、QMC+SD（绿色实线）和QMC+BBD（红色实线）的MC+SD的收敛图和模拟路径数。阴影a代表相应运行（实线）周围的3西格玛误差。1%和0.1%的精度区域分别用水平黑色实线和虚线标记。尺寸的数量为D=32。

移位参数为=10-3.0 0.5 1 1.5 2x 1056.946.966.9877.027.047.067.087.17.127.14（a）价格0.5 1 1 1.5 2x 1050.5280.530.5320.5340.5360.5380.540.5420.5440.546（b）Delta0 0 0.5 1 1 1 1 1 1 1 1.5 2x 1050.0200.0200.0250.0250.0220.02250.0230.02350.0240.0245（c）Gamma0.1 1 1 1 1 1 1 1 1 1 1 1 1 1 1.219.519亚洲VEGUR.419亚洲期权（b）买入期权。 = 5 × 10-3.图9.0 0.5 1 1.5 2x 1055.55.555.65.655.75.755.85.855.95.956（a）价格0.5 1 1.5 2x 1050.380.3850.390.3950.40.405（b）德尔塔0.5 1 1 1.5 2x 1050.01150.0120.0130.01350.014（c）伽马0.5 1 1 1 1 1.5 2x 105-26-25-24-23-22-21-20-19-18-17-16（d）VegaFigure 11：双重淘汰看涨期权。详情如图1 0.0 0.5 1 1.5 2x 1050.61150.6120.61250.6130.61350.6140.61450.6150.6155（a）价格0.5 1 1.5 2x 1051.371.3711.3721.3731.3741.3751.3761.3771.3781.3791.38（b）VegaFigure 12：Cliquet选项。细节如图10所示。我们观察接下来的情况。1.Eu ropean选项（图9）：QMC+BBD在所有情况下都优于QMC+SD和MC+SD（QMC+BBD的3西格玛区域系统性地更小）。我们还注意到，对于price、delta和vega，QMC+BBD收敛实际上是单调的，这使得在线误差近似成为可能。对于gamma，QMC+BBD收敛比MC+SD收敛的振荡小得多。2.亚洲期权（图10）：在Price和vega方面，QMC+BBD优于QMC+SD和MC+SD。对于delta，同时使用SD和BBD的QMC略优于MC+SD。对于gamma，同时使用SD和BBD的QMC与MC+SD的效率几乎相同。对于price、delta和vega，QMC+BBD收敛也更平滑。3.双KO选项（图11）：QMC+BBD在所有情况下都优于QMC+SD和MC+SD。4.

Cliquet选项（图12）：QMC+SD在所有情况下都优于QMC+BBD和MC+SD。QMC+BBD仅在价格上优于MC+SD。接下来，我们分析了QMC和MC在收敛速度方面的相对性能。我们在图13-16中绘制了均方根误差，等式（2.24），与对数刻度中MCN的数量。在所有OUR测试中，我们为N选择了一个合适的范围，因此，在计算希腊语时，偏差项相对于方差项可以忽略不计（详见附录A）。因此，观测到的关系是线性的，精度很高，因此证实了幂律（2.23），并且可以将收敛速率α提取为回归线的斜率。此外，回归线的截距也提供了有关QMC和MC方法效率的有用信息：事实上，截距越低意味着模拟值越接近准确值。线性回归得到的斜率和截距在表格中显示。4和d 5适用于所有测试用例。价格价格（0.3±0.0±0.1±0.0 0.1±0.1 0.0 0.1±0.4±0.4±0.1±0.1±0.1）0.1±0.1）0.0±0.1）0.0±0.1）0.1±0.1±0.1±0.1±0.0.1±0.0 0 0.1±0.4±0.4±0 0 0.4±0.4±0.4±0.4±0.4±0.4±0±0.4±0.4±0.4±0.1±0.1±0±0.1±0 0.1±0.1±0.1±0 0.1±0.1±0 0.1±0.1±0.1±0 0 0.1±0.1.1±0 0 0 0.1.1）0.1-0 0 0.1.1-0 0 0 0 0 0.0±0.1织女星0.1±0.1-0.1±0.1-0.4±0.1双倍价格-0.4±0.1-0.3±0.1-0.7±0.1德尔塔-1.8±0.1-1.6±0.1-2.1±0.1伽马-2.4±0.12.1±0.1-2.9±0.1维加1.1±0.1 1 1.3±0.1.3±0.2液体价格-2.4±0.1-3.2.2±0.1-2.5±0.3维加-2.0.0.1±0.7±0.1-1.7：可截取的回归，其变量为SD+QMC+BB=30和QMC+BB=30的线性回归。

显示了N=102.5路径的结果。价格，价格，价格，价格，价格（0.46±0.3）0.3-0.3-0.0±0.3-0.45±0.45±0.45±0.0±0.3-0.3-0.3-0.3-0.3）0.3-0.3-0.3-0.3-0.3-0 0.3-0.3-0.3-0.3-0.0.3-0.3-0.3-0.3-0.0.3-0.0.0 0.0.0.0.0 0.0.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0 0 0 0 0 0 0 0.0.3-0 0 0 0 0 0 0 0 0 0 0.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3-0 0 0 0 0 0 0 0 0 0 0.3-0.3-0 0 0 0 0 0 0 0 0 0 0 0 0 0.03-0.50±0.03织女星-0.49±0.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.51±0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0他们的错误，如表4所示。在少数情况下，由于MC误差较低，我们显示了三位小数。2.5 3 3.5 4 4.5 5 5.5-3.5-3.-2.5-2.-1.5-1.-0.5（a）价格2。5 3 3.5 4 4.5 5 5.5-5.5-5.-4.5-4.-3.5-3.-2.5-2.-1.5（b）三角洲2。5 3 3.5 4 4.5 5 5.5-5.5-5.-4.5-4.-3.5-3.-2.5（c）Gamma2。5 3 3.5 4 4.5 5 5.5-2.5-2.-1.5-1.-0.50（d）VegaFigure 13：欧洲看涨期权价格（a）和希腊（b）、（c）、（d），模拟路径N=2p，p=9，18，D=32，=10-3，L=30次运行：带对偶变量的MC+SD（蓝色）、QMC+SD（绿色）、QMC+BBD（品红）。线性回归线也是如此。2.5 3 3.5 4 4.5 5 5.5-3.5-3.-2.5-2.-1.5-1.-0.5（a）价格2。5 3 3.5 4 4.5 5 5.5-3.8-3.6-3.4-3.2-3.-2.8-2.6-2.4-2.2-2.-1.8（b）三角洲2。5 3 3.5 4 4.5 5 5.5-3.6-3.4-3.2-3.-2.8-2.6-2.4-2.2（c）Gamma2。5 3 3.5 4 4.5 5 5.5-3.-2.5-2.-1.5-1.-0.500.5（d）VegaFigure 14：亚洲看涨期权。 = 5 × 10-3.

其他细节如图13.2.5 3.5 4.5.5所示-2.5-2.-1.5-1.-0.50（a）价格2。5 3 3.5 4 4.5 5 5.5-3.6-3.4-3.2-3.-2.8-2.6-2.4-2.2-2.-1.8-1.6（b）三角洲2。5 3 3.5 4 4.5 5 5.5-4.5-4.-3.5-3.-2.5（c）Gamma2。5 3 3.5 4 4.5 5 5.5-0.4-0.200.20.40.60.811.2（d）素食图15：双重淘汰看涨期权。详情如图14.2.5 3.5 4.5.5所示-6.-5.5-5.-4.5-4.-3.5-3.-2.5（a）价格2。5 3 3.5 4 4.5 5 5.5-5.-4.5-4.-3.5-3.-2.5-2.-1.5（b）VegaFigure 16：Cliquet选项。细节如图14所示。我们观察接下来的情况。1.Eu-ropean期权（图13）：QMC+BBD优于其他方法，具有较高的收敛速度α和最小的截距。price和vega h的QMC+SD是收敛α的高误差率，但也比MC+SD的截距略高。就α值而言，delta和gamma的性能相当于MC+SD。2.亚洲期权（图14）：对于price和vega，QMC+BBD和QMC+SD的α值高于MC+SD，其中QMC+BBD的效率最高。对于delta，它们的α也略高，但两者的截距都比MC低。对于gamma，所有方法都显示出类似的收敛性。3.双KO期权（图15）：QMC+BBD具有最高的α，尽管其最高值α=0.61（对于gamma），低于欧洲和亚洲期权的α（除了亚洲期权的gamma）。在所有方法中，其价格截距、增量和伽马截距的值也是最低的。QMC+SD与MC一样有效。Cliquet选项（图16）：QMC+SD的α值最高，接近1.0。在所有方法中，它的截获率也是最低的。

QMC+BBD具有较高的α，但与MC+SD相比，截获率相似。我们强调，前面的图13-16中显示的斜率和截距不取决于模拟的细节，尤其是MC种子或LDS起点，因为我们的平均值为L=30次。总之，QMC+BBD通常优于其他方法，除了asian Gamma，所有方法都具有相似的收敛性和Cliquet选项，其中Q MC+SDD是最有效的方法。4.4加速分析蒙特卡罗模拟的一个典型问题是“需要多少场景才能达到给定的精度？”。当比较两种数值模拟方法时，典型的问题是“在保持相同精度的情况下，使用方法B而不是方法A可以节省多少场景？”。衡量两种数值方法相对计算性能的一个有用方法是eso，称为加速S*（a） [KMRZ98a，PT96]。它被定义为驴（i，j）*（a） =N（j）*（a） N（i）*（a） ，（4.6）其中，在我们的上下文中，N（i）*（a） 使用第i种计算方法（MC+SD、QMC+SD或QMC+BBD）达到并保持给定精度所需的场景数是w.r.t.精确或几乎精确的结果。因此，加速速度是*（a） 量化方法i w.r.t.方法j的计算增益。加速N*可以通过直接模拟进行评估，但这在计算上非常昂贵。因此，我们采用附录B中描述的更简单的算法。我们在表6中显示了所有方法和前面章节中描述的分配类型的加速分析结果。加速测量清楚地显示了每种情况下所考虑方法的相对效率。总体而言，QMC+BBD在很大程度上优于其他方法，其加速系数高达10（欧洲和屏障伽马）和少数例外（亚洲德尔塔和伽马，Cliquet）。

QMC+SD是Cliquet的最佳方法。Wepayoff功能QMC+SD QMC+BBD QMC+BBDvs MC+SD vs MC+SD vs QMC+SDa=1%a=0.1%a=1%a=0.1%a=1%a=0.1%欧洲价格36301401020 0德尔塔0.30.5202002000伽马0.50.52000000VEGA 5010200亚洲价格51000德尔塔0.2 0.5 0.5 0.5 0.4 0.4 2 5Gamma 0.5-0.5-0.5-0.5-1织女星6 10100双倍KO价格0.5伽马2050.5德尔塔0.5150 500维加0.50.5 1.5 1.5 3 3液体价格10 100 1 10 0.1 0.1维加20 100 0.5 1 0.02 0.01表6：增加*（a） 在不同的数值方法中，不同类型的数值方法相互交叉。有限差异的移位与前面章节中使用的相同。缺失的价值*意味着无法达到要求的精度，因为它小于bia s。特别注意，在大多数情况下，精度a增加十倍会导致s速度增加两倍*（a） 。然而，在少数情况下（gamma适用于欧式和Cliquet选项），这样的增加可能会导致S增加10倍*（a） 。速度加快的困难在于agiven数值方法的收敛图可能是非单调的。不幸的是，我们在附录B中估算速度的算法无法捕捉到收敛图的意外变化，这可能导致低估N*（a） 。然而，我们认为，在等式（B.1）中选择3西格玛置信区间，使我们的加速分析可靠，至少当与下一节4.5.4.5稳定性分析中描述的稳定性分析结合时，我们已经观察到QMC收敛通常比MC更平滑（见图9-12）：这种单调性和稳定性保证了给定路径数N的更好收敛性。

为了量化各种数值技术的单调性和稳定性，我们使用了以下策略：我们将路径模拟的范围N划分为10个等长的窗口，然后计算每个窗口i的样本平均值m和样本标准偏差（“波动性”）。然后，log返回log（mi/mi）-1） 挥发性si，对于i=2，10分别用于衡量单调性和稳定性：“单调”收敛将显示非振荡对数收益收敛到零，“稳定”收敛将显示低且几乎剧烈的波动性。我们对MC和QMC方法进行了稳定性分析。对于QMC，我们使用了两种不同的生成器：带有Broda生成器的纯QMC和带有Matlab生成器的随机拟蒙特卡罗（rQMC）。结果如图17-20所示。使用MatousekAffineOwen置乱法的Matlab函数sobolset。1 2 3 4 5 6 7 8 9-0.0100.010.020.031 2 3 4 6 7 8 900.050.10.150.20.25（a）价格1 2 3 4 6 7 8 9-50510x10-312345678901234x10-3（b）三角洲123456789-0.2-0.100.10.212345678902468x10-3（c）Gamma1 2 3 4 5 6 7 8 9-0.0200.020.041 2 3 4 5 6 7 8 900.511.5（d）VegaFigure 17：欧洲看涨期权价格（a）和希腊（b）、（c）、（d）的对数回报率（上图）和波动率（下图），对于d=32，=1 0-3、MC+SD（蓝色）、r QMC+BBD（绿色）和纯QMC+B BD（红色）。模拟路径的数量从100到10000，分为10个窗口，每个窗口包含10个样本（x轴）。1 2 3 4 5 6 7 8 9-0.0100.010.020.030.041 2 3 4 5 6 7 8 900.050.10.150.2（a）价格1 2 3 4 6 7 8 9-0.0100.010.021 2 3 4 5 6 7 8 90123x 10-3（b）三角洲123456789-0.4-0.200.20.41 23 4 5 6 7 8 90246x 10-3（c）Gamma1 2 3 4 5 6 7 8 9-0.0100.010.020.030.041 2 3 4 5 6 7 8 900.20.40.60.8（d）VegaFigure 18：亚洲看涨期权。 = 5 × 10-3.

其他细节如图17.1 2 3 4 5 6 7 8 9所示-0.03-0.02-0.0100.010.021 2 3 4 5 6 7 8 900.050.10.150.2（a）价格1 2 3 4 5 6 7 8 9-0.0100.010.021 2 3 4 5 6 7 8 90246x 10-3（b）三角洲123456789-0.2-0.100.10.21 2 3 4 5 6 7 8 901234x 10-3（c）Gamma1 2 3 4 5 6 7 8 9-1.-0.500.51 2 3 4 5 6 7 8 90246810（d）VegaFigure 19：双重淘汰看涨期权。详情如图18.1 2 3 4 5 6 7 8 9所示-50510x10-312345678900.511.52x10-3（a）价格1 2 3 4 5 6 7 8 9-10-505x10-31234567890246x10-3（b）VegaFigure 20：Cliquet选项。这里使用的是QMC和rQMC以及SD。其他细节如图18.1 2 3 4 5 6 7 8 9所示-0.0200.020.040.061 2 3 4 6 7 8 900.050.10.150.2（a）价格1 2 3 4 6 7 8 9-0.02-0.0100.010.021 2 3 4 5 6 7 8 902468x 10-3（b）三角洲123456789-0.2-0.100.10.21234567890246x10-3（c）Gamma1 2 3 4 5 6 7 8 9-0.0200.020.040.060.081 2 3 4 5 6 7 8 900.20.40.60.8（d）VegaFigure 21：d=252，=5×10的亚洲看涨期权-3.显示rQMC+SD+Matlab（绿色）和rQMC+BBD+Matlab（品红）以及QMC+SD+Broda（蓝色）和QMC+BBD+Broda（红色）的结果。我们观察到，总体而言，QMC+Broda和rQMC+Matlab作为数据表比MC+SD更单调。然而，这一事实在亚洲的delta和gamma中不太明显，其中Q MC缺乏单调性和稳定性w.r.t.MC，QMC+BRODA比rqmc+Matlab稍微稳定一些。正如我们从GSA对这种情况的结果中所知，存在高阶相互作用，并且有效维度很大（见表3）。为了理解维度D对单调性和稳定性的影响，我们使用QMC和RQMC以及SD和BBD对D=252的亚洲期权进行了类似的实验。结果如图21所示。

我们观察到，对于包括delta和gamma在内的所有情况，使用Broda生成器的纯QMC比基于Matlab生成器的随机QMC更能保持单调性和稳定性，QMC+BBD+Broda表现出最好的稳定性。值得注意的是，尺寸的增加导致BBD（但不包括SD）的有效尺寸减小。我们的结论是，好的高维LDS生成器对于在高有效维问题中获得Monte Carlo模拟的光滑单调和稳定收敛是至关重要的。5结论在这项工作中，我们介绍了准蒙特卡罗（QMC）和全球敏感性分析（GSA）方法在金融领域应用的最新概况，即w.r.t.标准蒙特卡罗（MC）方法。特别是，我们考虑了复杂度和路径依赖性不断增加的选择性支付（欧洲看涨期权、几何看涨期权、双屏障淘汰期权、Cliquet期权）的价格和希腊（delta、gamma、vega）。我们比较了底层随机微分过程的标准离散化（SD）和布朗桥离散化（BBD）方案，以及使用ps eudo random和高维Sobol低差异序列对底层分布进行的不同采样。

我们应用GSA，对不同MC和Q MC模拟的收敛图、误差估计、性能、加速和稳定性进行了详细和系统的分析。第4.2节中的GSA结果显示，与Q MC+BBD模拟相关的有效维度通常低于与MC+SD模拟相关的有效维度，以及这种维度缩减在不同的支付和支付中的作用（图1-8和表2-3）。与方差分析分解结构（重要输入的数量、高阶相互作用的重要性）相关的有效维度充分解释了由于Sobol’序列和BBD的特殊性，QMC+BBD的优越性。BBD通常比SD更有效，但有一些例外，尤其是Cliquet选项。第4.3节中的性能分析结果表明，QMC+BBD在大多数情况下都优于MC+SDD，表现出更快、更稳定的收敛速度，达到精确或几乎精确的结果（图9-12、13-16和表4-5），但也有一些例外，如亚式期权gamma，其中所有方法都表现出相似的收敛特性。第4.4节中的加速分析结果证实，QMC+BBD的优越性能可以显著减少场景数量，以达到给定的精度，从而显著降低计算效率（表6）。

除少数例外（亚洲德尔塔和伽马，克里奎特），还原的规模可达10（欧洲和双KO伽马）。最后，4.5中的稳定性分析结果证实，QMC+BBD模拟通常比MC+SD更稳定、更单调，亚洲德尔塔和伽马除外（图17-21）。我们得出结论，本文提出的方法基于Qu asi Monte Carlo、高密度的obol低差异生成器、有效的离散化方案、全局敏感性分析、详细的收敛图、误差估计、性能、加速和稳定性分析，对于更复杂的金融问题是一种非常有前途的技术，尤其是，信用/债务/融资/资本估值调整（CVA/DVA/FVA/KVA）以及市场和交易对手风险度量，基于大型交易组合的多维、多步骤蒙特卡罗模拟。这种模拟可以在典型的真实情况下运行，~ 10次模拟步骤，~ 10个（可能相关的）风险因素，~ 10-10MC场景，~ 10-10次交易，60年到期，导致订单D的名义维度~ 10个，总共10个-10.评估。不幸的是，一小部分~ 1%的异国情调交易可能需要不同的MC模拟进行评估，并嵌套另一组~ 10-10MC场景，最多可阅读10次评估。最后，对冲CVA/DVA/FVA/KVA估值调整SW。r、 t.对于其潜在风险因素（通常为信贷/融资曲线），还需要计算每个期限结构节点对应的w.r.t.，再加上另一个~ 10个模拟。这就是为什么业界一直在寻找减少计算时间的先进技术的原因：网格计算、GPU计算、ad联合算法差异（AAD）等。

[She15]）。我们认为，如实际投资组合的初步结果所示，使用QMC抽样（而非MC）生成潜在风险因素的情景，并为异国交易定价，可能会显著提高此类怪物模拟的准确性、性能和稳定性[BKS4]。此外，GSA应建议如何根据风险因素的相对重要性排序，从而降低有效维度。这种应用还需要进一步研究。附录A有限差近似中的误差优化当MC/QMC模拟通过有限差计算时，均方根误差有两个贡献：方差和偏差[Gla03]。不确定性的第一个来源是，我们通过模拟一系列情景来计算价格，而后者是由于衍生工具的近似值与具体差异。为了最小化方差，我们使用同一组（准）随机数来计算V（θ）、V（θ+h）和V（θ）- h） ，其中V是期权价格，参数θ是delta和gamma的现货，或vega的波动率，h是θ上的增量。为了最大限度地减少有限差的偏差，我们使用中心差，因此它是有序的。例如，增量h被选为h=S 对于V，对于给定的“移位参数”。选择合适的遵循以下考虑。有限差的MC/QMC均方根误差估计由[Gla03]：ε=rcN2αhβ+bh给出。（A.1）平方根中的第一项是与方差c相关的“统计”误差。它取决于n和。α=0.5表示MC，通常，0.5<α<1表示QMC，而β=1表示First导数，β=3表示二阶导数。

第二项是由于有限差的偏差而产生的系统误差：它与N无关，但取决于。常数b由b给出=五、θ（θ）表示一阶（三角洲和织女星）和b的中心差异=五、θ（θ）二阶力心差（γ）。我们可以看到，当h减少时，偏差项也会减少，而方差项则会增加，因此我们在其中定义了h，其中一些指标，如EPE/ENE或预期短缺，被定义为均值或条件均值，而一些其他指标，如VaR或PFE，则被定义为适当分布的分位数。在N的相关范围内，方差项不会太高，而偏差项可以忽略不计，因此（a.1）近似遵循幂律。我们注意到，在我们测试所用的范围内，没有观察到h的最佳值随N的变化太大。事实上，它可以从（A.1）解析计算为ε：hN的最小值=βc4bN2αβ+4. （A.2）我们发现，幂和（分别对应于β=1和β=3）在很大程度上是N的函数。B加速计算我们确定了场景N（i）的数量*（a） 在式（4.6）中，使用第i种计算方法，以达到并保持给定的精度a，作为任何N>N的模拟路径的第一个数量*五、- A.≤ VN±3ε≤ V+a，（B.1），其中V和vn分别是价格或价格的精确和模拟值，ε是标准误差。阈值N*可以通过直接模拟进行评估，但这在计算上非常昂贵。提取N*无法直接应用（2.23）中定义的p地块，因为在希腊人的情况下，此类地块仅适用于有限的N值范围，即只要（a.1）中的偏差项不占主导地位。

外推N*从绘图到N的高值是计算速度的必要条件，但RMSEA和N之间的关系将不再是线性的。因此，我们采用不同的程序来确定N*.方程（A.1）可以改写为logε=k- αlogn，（B.2），其中k=logchβ和α分别是通过（2.24）对εNgiven的线性回归计算的截距和斜率。因此，N*通过施加a=3se2kN2α*+ bh，（B.3）并给出了byN*（h，a）=9 e2kha- 9bh2αh.（B.4）我们写khandαhin是为了强调，在进行第4节中的测试时，它们也取决于h Madee的选择：这种对h的依赖性可能比（B.4）中的显式依赖性更强。常数b由V的导数计算得出（见方程式（A.1）后的讨论）；k和α是从图（图13-16）中获得的相应截距和斜率：这是可能的，因为这些图是在N的范围内获得的，因此（a.1）中的第二项可以忽略不计。显然，N的域*仅限于>3bh。就价格而言，方程式（B.4）简化了*（a）=3ekhaαh.（B.5）参考文献[BBG97]Phelim P.Boyle、Mark Broadie和Paul Glasserman。安全性定价的模拟方法。《经济动力与控制杂志》，21:1267-13211997。[BKS4]马可·比安切蒂、谢尔盖·库切伦科和斯特凡诺·斯科莱里。使用高维准蒙特卡罗方法进行更好的定价和风险管理。WBS第10次固定收入会议，2014年9月。[BM06]达米亚诺·布里戈和法比奥·马库里奥。利率模型——理论与实践。斯普林格，第二版，2006年。[Boyle 77]Phelim P.Boyle。选项：蒙特卡罗方法。《金融经济学杂志》，4:323-3381977。[BRO]BRODA Ltd.，高维Sobol\'序列发生器。[CMO97]R.E.Ca flish、W.Moroko ff和A.Owen。

使用布朗桥对抵押贷款支持证券进行估值，以降低有效维度。《计算金融杂志》，1（1）：27-461997。[Duf01]Darrel Duffee.动态资产定价理论。普林斯顿大学出版社，第三版，2001年。保罗·格拉斯曼。金融工程中的蒙特卡罗方法。斯普林格，2003年。[Jac01]彼得·杰克尔。金融学中的蒙特卡罗方法。威利，2001年。[KFSM11]谢尔盖·库彻·恩科、巴拉兹·费勒、尼莱·沙阿和沃尔夫冈·蒙茨。使用全局敏感性分析识别模型有效维度。可靠性工程和系统安全，96:440–4492011。[KMRZ98a]亚历山大·克里宁、列奥尼德·梅科洛维奇、丹·罗森和迈克尔·泽布斯。使用准蒙特卡罗方法测量投资组合风险。《Algo研究季刊》，1（1），1998年9月。[KMRZ98b]亚历山大·克里宁、列奥尼德·梅库洛维奇、丹·罗森和迈克尔·泽布斯。准蒙特卡罗模拟中的主成分分析。Algo Research Q uartly，1（2），1998年12月。[KP95]P.E.克洛登和E.普莱坦。随机微分方程的数值解。斯普林格，柏林，海德堡，纽约，1995年。[KS07]谢尔盖·库切伦科和尼莱·沙阿。全球化的重要性。全局敏感性分析在蒙特卡罗期权定价中的应用。威尔莫特杂志，2007年4月。[KTA12]S.库切伦科、S.塔兰托拉和P.安诺尼。因变量模型的整体敏感性指标估计。《计算机物理通讯》，183:937–9462012。[Lab66]洛斯阿拉莫斯科学实验室。费米发明在拉塞尔重新被发现。TheAtom，第7-11页，1966年10月。[LO00]C.Lemieux and d.A.Owen。Qu asi回归和函数中新成分的相对重要性。作者：方K-T，希克内尔FJ，尼德雷特H，编辑。Monte Carlo和qu asi Monte Carlo。，2000年。[LO06]R.刘和A.B.欧文。

估计方差分解分析的平均维数。《美国统计协会杂志》，101（474）：712-7212006。[Met87]尼古拉斯大都会。蒙特卡罗方法的开始。洛斯阿拉莫斯科学，第125-130页，1987年。特刊献给斯坦尼斯拉夫·乌拉姆。[MF99]毛里齐奥·蒙代洛和毛里齐奥·费科尼。金融风险管理中的准蒙特卡罗方法。科技黑客公司，1999年。[MN98]M.Matsumoto和T.Nishimura。梅森捻线机：623维等分布均匀伪随机数发生器。ACM建模与计算机模拟交易，8（1）：3–30，1998年。[Nie88]H.尼德雷特。低差异和低分散序列。《数字理论杂志》，30:51？70, 1988.[Oks92]B.好的，森达尔。随机微分方程：应用简介。柏林斯普林格，1992年。A.B.欧文。差异和差异与替代性混乱。ACM建模与计算机模拟学报，13:363–3781993。A.欧文。维数分布和正交测试函数。《中国统计报》，2003年13:1-17。[Pap01]A.帕帕乔治。布朗-布里奇在准蒙特卡罗积分中不具有一致的优势。《复杂性杂志》，2001年。[PP99]A.帕帕乔乔和S.帕斯科夫。风险管理的确定性模拟。《投资组合管理杂志》，第122-127页，1999年5月。[PT95]S.H.帕斯科夫和J.F.特拉布。加快金融衍生品的估值。《投资组合管理杂志》，第113-120页，1995年秋季。[PT96]A.帕帕乔乔和J.F.特拉布。金融衍生品确定性定价的新结果。1996年4月在新泽西州普林斯顿高级研究所“金融数学问题”上发表。[SAA+10]A.Saltelli、P.Annoni、I.Azzini、F.Campolongo、M.Ratto和S.Tarantola。基于方差的模型输出灵敏度分析。

总灵敏度指数的设计和估计器。《计算机物理通讯》，181:259–270，2010年。[SAKK12]伊利亚·M·S·奥波尔、丹尼尔·阿索茨基、亚历山大·克里宁和谢尔盖·库切连科。高维Sobol发电机的构造和比较。威尔莫特杂志，2012年11月64-79日。[Sal02]A.Saltelli。充分利用模型评估来计算敏感性指数。计算机。菲斯。公社。，145:280–297, 2002.[She15]纳兹尼恩·谢里夫。AAD vs GPU：随着芯片失去吸引力，银行转向数学把戏。风险，2015年1月。[SK05a]伊利亚·M·索波尔和谢尔盖·库切伦科。非线性数学模型的全局敏感性指数。回顾威尔莫特杂志，1:56-612005。[SK05b]伊利亚·M·索波尔和谢尔盖·库切伦科。关于拟蒙特卡罗算法的全局灵敏度分析。蒙特卡罗方法与应用，11（1）：1-92005。[Sobol]伊利亚·M·索波尔。关于立方体中点的分布和积分的近似计算。康普数学物理，1967年7:86-112。[Sob01]伊利亚·M·索波尔\'。非线性数学模型的全局灵敏度指数及其蒙特卡罗估计。《模拟中的数学与计算机》，55:271–280，2001年。[SS14]伊利亚·M·索波尔和鲍里斯·V·舒克曼。Qu asi Monte Carlo：高维实验。蒙特卡罗方法与应用，2014年5月167-171日。[VN51]约翰·冯·诺伊曼。蒙特卡罗方法，应用数学系列第12卷，第13章：与R和dom数字相关的各种技术，第36-38页。美国商务部，国家标准局，1951年。[Wan09]王晓群。期权定价的Qu asi蒙特卡罗方法中的降维技术。《计算机学报》，21（3）：488–504，2009年夏季。[Wil06]保罗·威尔莫特。保罗·威尔莫特谈定量金融。约翰·威利父子有限公司，第2版，2006年。