看来X=(mu-0.5*sigma**2)*t+(sigma*W) ###geometric brownian motion####

而不是X=(mu-0.5*sigma**2)*dt+(sigma*sqrt(dt)*W)

因为T代表时间范围，我认为t应该是t = np.linspace(0, T, N)

现在，根据这些Matlab示例(here和here)，它出现了W = np.random.standard_normal(size = N)

W = np.cumsum(W)*np.sqrt(dt) ### standard brownian motion ###

不是W=(standard_normal(size=Steps)+mu*t)

请检查一下数学，不过，我可能错了。

所以，把它们放在一起：import matplotlib.pyplot as plt

import numpy as np

T = 2

mu = 0.1

sigma = 0.01

S0 = 20

dt = 0.01

N = round(T/dt)

t = np.linspace(0, T, N)

W = np.random.standard_normal(size = N)

W = np.cumsum(W)*np.sqrt(dt) ### standard brownian motion ###

X = (mu-0.5*sigma**2)*t + sigma*W

S = S0*np.exp(X) ### geometric brownian motion ###

plt.plot(t, S)

plt.show()

收益率