numpy.random.default_rng() · Quant Interview Prep

🧩 1. `numpy.random.default_rng()` 的参数

官方推荐：


rng = np.random.default_rng(seed)

✔ 参数说明：

`seed`（可选）

可以是：

int（常用）
None（默认）
np.random.SeedSequence
python 的 bytes-like 对象

✔ 作用：

指定生成器的初始状态，使随机数 可复现（deterministic）

如果 seed=None（默认）：

→ NumPy 使用系统熵（/dev/urandom）自动生成随机种子

→ 随机数 不可复现

示例：


rng1 = np.random.default_rng(42)
rng2 = np.random.default_rng(42)

print(rng1.random())  # 两者相同
print(rng2.random())

🧩 2. 为什么叫 `default_rng()`？

因为它返回 推荐的默认随机生成器：

不是旧版 RandomState（已不推荐）

而是新式 Generator(PCG64)

PCG64 比 Mersenne Twister 更快、更安全、质量更高。

🧩 3. `rng` 是什么？

rng 是一个实例：


rng = np.random.Generator(np.random.PCG64(seed))

Generator = 随机数生成接口（你用的所有 random 方法）

PCG64 = 后端随机算法（用来生成 bits）

🎯 4. `Generator`（rng）里的全部函数（最全、分类版）

我按照 用途分类（不是文档顺序）让你真正理解。

🟦 A. 基础随机数

1. `rng.random(size)`

Uniform[0,1) 分布。


rng.random()          # 一个数
rng.random(5)         # 向量
rng.random((3,2))     # 矩阵

2. `rng.uniform(low, high, size)`

一般的均匀分布。


rng.uniform(5, 10, 3)

3. `rng.integers(low, high, size, endpoint=False)`

整数随机数（比 randint 更强）。


rng.integers(0, 10, 5)

🟦 B. 标准分布（最重要）

✔ 1. 正态分布


rng.normal(loc=0, scale=1, size=None)

✔ 2. 二项分布


rng.binomial(n, p, size)

✔ 3. 泊松分布


rng.poisson(lam, size)

✔ 4. 指数分布


rng.exponential(scale, size)

✔ 5. 伽马分布


rng.gamma(shape, scale, size)

✔ 6. 卡方分布


rng.chisquare(df, size)

✔ 7. Beta 分布


rng.beta(a, b, size)

✔ 8. 对数正态分布


rng.lognormal(mean, sigma, size)

✔ 9. F / t 分布


rng.f(dfnum, dfden, size)
rng.standard_t(df, size)

✔ 10. 多元正态


rng.multivariate_normal(mean, cov, size)

（金融Monte Carlo 强烈常用）

🟦 C. 采样、随机排列、权重抽样

1. `rng.choice(a, size, replace=True, p=None)`

从数组里抽样。

replace=False → 不放回

p= → 权重


rng.choice([1,2,3], size=5, replace=True)

2. `rng.permutation(x)`

返回打乱后的数组。


rng.permutation(10)

3. `rng.shuffle(x)`

原地打乱。

🟦 D. 复杂随机数组

1. `rng.bytes(length)`

返回随机字节序列（密码学不安全）。

🟦 E. Beta / Dirichlet / Multinomial（机器学习常用）

1. Dirichlet


rng.dirichlet(alpha, size)

2. Multinomial


rng.multinomial(n, pvals, size)

🟦 F. 离散分布（稀有 but 完整性给你）


rng.geometric(p, size)
rng.hypergeometric(ngood, nbad, nsample, size)
rng.logseries(p, size)

🟦 G. 特殊分布（物理、统计专用）


rng.wald(mean, scale, size)
rng.vonmises(mu, kappa, size)
rng.laplace(loc, scale, size)
rng.pareto(a, size)
rng.weibull(a, size)

🟧 5. `Generator` 内部结构简图（帮助理解）


Generator
│
├── BitGenerator（e.g. PCG64）
│       └── 产生随机比特
│
└── Random API（你用的函数）
        ├── normal()
        ├── integers()
        ├── uniform()
        ├── choice()
        └── ...

🚀 6. 为什么必须使用 `rng` 而不是 `np.random`？

功能	`np.random` 旧 API	`rng = np.random.default_rng()` 新 API
随机数质量	基于 Mersenne Twister	PCG64（更好）
并行安全	❌ 不安全	✅ 可独立多个 rng
全局状态污染	❌ 可能互相影响	✅ 每个 rng 独立
多线程	差	强
推荐程度	❌ 不推荐	⭐ 官方推荐

🎯 7. 最常用蒙特卡洛组合示例

1. 生成正态随机数


z = rng.normal(0, 1, 1_000_000)

2. 模拟股票价格（GBM）


S = S0 * np.exp((mu - .5*sigma**2)*dt + sigma*np.sqrt(dt)*z)

3. 随机抽样


samples = rng.choice(data, size=1000, replace=True)

📌 最终总结（非常重要）

✔ `default_rng(seed)` 只有一个参数：seed

用于控制随机种子和 reproducibility。

✔ `rng`（Generator）中包含大量随机函数

用于：

生成基础随机数

各种连续分布

各种离散分布

权重抽样

多元正态

洗牌/排列

特殊统计分布

numpy.random.default_rng()

🧩 1. numpy.random.default_rng() 的参数