拟蒙特卡洛方法 (Quasi-Monte Carlo Methods)

拟蒙特卡洛方法（Quasi-Monte Carlo Methods，简称QMC）是一种用于数值积分和数值计算的高效方法。与传统蒙特卡洛方法（MC）不同，QMC不依赖伪随机数序列，而采用精心设计的确定性低差异序列来系统性地覆盖积分区域。其核心优势在于收敛速度理论上可达 O(N^{-1} ($\log$ N)^d)，实际应用中常接近 O(N^{-1})，远快于经典蒙特卡洛方法的 O(N^{-1/2})，且结果完全可复现，不存在随机波动问题。

背景与动机

高维数值积分问题普遍存在于金融工程、计算物理和机器学习等前沿领域。当问题维度升高时，传统网格型求积方法（如梯形法则、辛普森法则）所需计算量呈指数级增长，这被称为"维度灾难"（Curse of Dimensionality）。以梯形法则为例，在一维中达到10^{-4}的误差需要大约一万个网格点，而在十维中则需要10^{40}个点，这在计算上完全不可行。维度灾难的本质是网格点数量随维度呈指数增长，这是任何确定性网格方法都无法回避的根本性困难。

经典蒙特卡洛方法由冯·诺伊曼和乌拉姆于1940年代在洛斯阿拉莫斯国家实验室提出，其收敛速度 O(N^{-1/2}) 与维度无关，成功突破了维度灾难的束缚。然而经典MC存在两个固有缺陷：其一是随机误差收敛缓慢，样本量需要扩大四倍才能使误差减半，这意味着即便增加大量计算资源，精度提升也十分有限；其二是结果具有随机性，两次独立运行得到不同结果，在需要严格可复现的应用场景中构成显著隐患。QMC正是为克服这些缺陷而设计的替代方案。

核心原理与数学基础

QMC的核心概念是低差异序列。"差异"（Discrepancy）是衡量点集在空间中分布均匀程度的数学指标。最常用的星差异（Star Discrepancy）定义为：

该公式衡量了点集落入任意轴对齐子矩形的比例与该矩形体积的最大偏差。差异越小，点集的分布越均匀，积分逼近效果越好。直观地说，低差异序列在单位超立方体中的分布比独立同分布的随机点更加均匀，不会出现随机采样中常见的聚集和空隙现象。

Koksma-Hlawka不等式是QMC误差分析的理论基石：

其中 V(f) 是被积函数的Hardy-Krause变差，D^* 是点集的星差异。该不等式揭示了积分误差可分解为两个独立因子的乘积：函数本身的复杂程度，以及所选点集的均匀程度。这意味着即使被积函数非常复杂，只要选用差异极小的点集，仍然可以获得高精度的积分结果。这一性质为QMC误差控制提供了严谨的数学保证。

常用低差异序列

常用的低差异序列包括以下几种：

Sobol序列由俄国数学家索博尔于1967年提出，基于二进制展开和方向数构造，通过精心选择的生成矩阵确保各维度的均匀分布。Sobol序列是当前应用最广泛的低差异序列，尤其适用于金融衍生品定价中的高维积分问题。MATLAB的统计工具箱和NumPy的随机模块均提供内置支持。现代实现中常配合Owen随机化使用，以进一步提升鲁棒性。

Halton序列基于互质基数构造，通常对第k个维度使用第k个素数作为基数，实现简单且直观。但高维时不同维度之间可能出现伪相关性，因为大素数基对应的维度需要更多样本才能填满空间，这限制了该序列在高维问题中的应用。

Faure序列基于组合数学中的帕斯卡三角形构造，使用不小于维度的最小素数作为单一基数。该序列在高维中表现良好，但实现相对复杂，生成速度也较慢。

格点法（Lattice Rules）基于有限域上的代数结构构造，对周期函数有特别优异的积分效果，是QMC研究的重要分支之一。格点法的等分布性质使其在某些特定函数类中表现极为出色。

随机化拟蒙特卡洛方法

QMC的一个重要缺陷是不提供内建的误差估计——因为序列是确定性的，无法直接计算方差。为弥补这一不足，研究者提出了随机化拟蒙特卡洛方法（Randomized Quasi-Monte Carlo, RQMC）。其基本思路是对低差异序列施加随机扰动，同时保留序列的低差异性质。常见的随机化技术包括Cranley-Patterson旋转（在单位超立方体上生成均匀随机偏移向量，对每个点做加法后取小数部分）和数字洗牌（对二进制展开中的数字进行随机排列）。通过多次独立运行RQMC实验，即可获得无偏估计和统计置信区间，兼具QMC的高效率和经典MC的可信度评估能力。

应用场景

在金融工程中，QMC广泛用于期权定价、风险价值计算和信用风险建模，可比经典MC提速数十倍。在计算物理中用于粒子输运模拟和配分函数计算；在计算机图形学中用于全局光照渲染；在机器学习领域用于贝叶斯推断和超参数调优。实际应用中需注意：QMC在中等维度（d ≤ 50）时优势最为明显；被积函数越光滑加速效果越显著；低差异序列的初始点可能分布不均，实践中常跳过前若干点。

总结

拟蒙特卡洛方法通过确定性低差异序列在高维数值积分中实现了超越经典蒙特卡洛方法的收敛速度，结合随机化技术可弥补误差估计的缺失。随着金融工程、计算科学和机器学习等领域中高维问题的日益增多，QMC已成为不可或缺的标准数值工具。