数学金融数学公司数值分析实习报告

数学金融数学公司数值分析实习报告一、摘要2023年7月1日至2023年8月31日，我在一家数学金融公司担任数值分析师实习生。核心工作成果包括开发并优化了两个定价模型，分别将期权定价误差降低了18%，波动率曲面拟合误差减少了23%；运用MATLAB和Python实现了蒙特卡洛模拟，完成5000个路径模拟，计算速度提升40%。专业技能应用方面，通过finitedifferencemethods解决了偏微分方程离散化问题，并将AdamsBashforth方法应用于数值积分，提高了计算精度。提炼出的可复用方法论包括模块化代码设计以提升效率，以及使用并行计算加速大规模模拟。二、实习内容及过程1.实习目的我主要是想看看自己学的那些数学模型和编程技能在金融行业怎么用，实际工作跟课本上差多少。想了解真实世界里做数值分析是干啥的，学点实际经验。2.实习单位简介那家公司主要做量化交易和衍生品定价，团队不大但人都挺懂行。他们用Python和C++做核心系统，我实习那段时间正好在帮他们搞模型验证和优化。3.实习内容与过程开头几周跟着导师熟悉业务，主要是看他们怎么用蒙特卡洛模拟做美式期权定价。我负责跑一些测试数据，发现他们的代码跑起来特别慢，后来才知道是采样点设得太密了。我就用Numpy的向量化操作把Python那部分改了，速度直接快了快一半。后来接了个活儿，要做个波动率曲面拟合的项目。他们以前用的是传统样条插值，但我发现拟合误差老是不太对。后来学了Christie模型，发现用B样条插值效果更好，误差能降一截。具体来说，之前定价误差是0.12，改完之后降到0.085。4.实习成果与收获最大的成就是帮他们优化了两个模块。一个是期权定价模型，我把蒙特卡洛模拟的步长从256调整到512，路径数不变的情况下误差能少18%。另一个是波动率曲面，用Christie模型加B样条插值，拟合误差从23%降到17%。还写了个自动测试脚本，每天能省出大半天时间。最大的收获是学到了怎么用AdamsBashforth方法做数值积分，之前一直用欧拉法。导师说在长时间模拟里欧拉法误差累积太快，AdamsBashforth更稳当。我还把MATLAB的并行计算用上了，5000个路径模拟从8小时缩到5小时。5.问题与建议最大的困难是初期对业务不熟，有些术语听不懂。比如做波动率曲面的时候，导师提Christie模型我一脸懵，后来自己熬夜查文献才搞明白。另一个问题是他们培训机制有点弱，刚来一周才给一份流程图，很多细节都是自己问出来的。我建议他们可以搞个新人手册，把常用模型和工具的文档放共享盘。还有岗位匹配度上，我有时候觉得分配的任务跟我学的数学方向不太搭，比如要花不少时间改Python代码。要是能多给我接触模型开发的机会就好了。三、总结与体会1.实习价值闭环这8周实习让我把学校学的理论真正用上了。记得刚开始做波动率曲面拟合时，试了半天都拟合不好，数据对不上。后来回过头去看课本里关于Christie模型的推导，突然明白了问题出在权重函数设置不对。改完之后误差从23%直接降到17%，那一刻感觉特别踏实。这让我明白，真金白银的东西，半点马虎不得。学校里搞对答案就行，工作中要追求极致准确。2.职业规划联结这段经历让我更坚定了做量化方向的决心。以前觉得数学金融就是搞搞模型，现在知道实际工作还包括代码优化、性能测试这些。我在实习中练出的并行计算能力和数值积分技巧，准备下学期去考个CFA一级，先把衍生品这块补上。导师跟我说过，做量化的人数学要硬，编程要快，业务要懂，这几点我还有很大进步空间。3.行业趋势展望在实习最后两周，参与了一个项目复盘会，发现他们几个老员工都在用Python写策略回测，但效率不高。我私下琢磨了一下，感觉用C++做高频部分，Python跑回测应该能提速不少。现在看行业趋势确实是C++打底，Python上层的模式。我在学校自学了Pandas和Numpy，这次实习直接用上了，感觉很有价值。4.心态转变最明显的变化是抗压能力。刚来那会儿，遇到bug半夜查资料查到凌晨是常事。有次优化代码跑了3天，最后发现是逻辑一个小错误，当时真想砸电脑。现在想想，这种经历比学校考试难多了，但真学到了东西。做数值分析的人，得有耐心，得能扛事。这8周让我从学生思维变成职场人思维，责任感直接拉满了。5.未来计划下学期打算把实习中用到的Christie模型和波动率模型再系统学一遍，争取写本书面总结。导师说要是能独立开发个定价模型，回来直接给加实习鉴定优秀。现在每天下班都会去实验室待一会，把上次改的代码再跑几遍，生怕哪天要用又忘了。这种状态挺好的，比单纯打游戏看电影充实多了。四、致谢1.感谢公司提供这次实习机会，让我见识了真实的数值分析工作环境。2.特别感谢