randomtrade_numpy.py ドキュメント

概要

randomtrade_numpy.py は、多人数間でのランダムな資産取引による統計的変化をシミュレーションし、その過程を可視化するスクリプトです。 全員が一律の資産を持った状態から開始し、ランダムな相手へ一定額を渡すサイクルを反復することで、資産分布が指数分布へ漸近していく様子やエントロピーの増大を matplotlib を用いてアニメーション描画します。

背景と理論

このシミュレーションは、閉鎖系における粒子のエネルギー交換プロセス(統計力学におけるミクロカノニカルアンサンブルなど)と数学的なアナロジーを持ちます。総資産が保存される条件下でランダムな交換を繰り返すと、各人が持つ資産 \(x\) の分布は最確分布である指数分布(ボルツマン分布)に収束します。

系の総人数を \(N\)、1人あたりの平均初期資産を \(v_0\) とすると、全体の総資産は \(V = N v_0\) で一定に保たれます。 定常状態における資産 \(x\) の理論的な度数分布関数 \(f(x)\) は次式で表されます。

\[f(x) = A \exp(-b x)\]

ここで、各パラメータは以下のように定義されます。

\[b = \frac{1}{v_0}\]
\[A = N b = \frac{N}{v_0}\]

また、システムがマクロな平衡状態へ向かう過程を定量化するため、情報理論的エントロピー(シャノンエントロピー) \(S\) を計算します。度数分布から得られた各階級の出現確率を \(p_i\) とすると、エントロピーは以下の式で計算されます。

\[S = - \sum_{i} p_i \ln p_i\]

取引が進むにつれて資産の偏りが生じ、状態の乱雑さが増すため、エントロピー \(S\) は最大値に向かって増加し、平衡状態に達すると一定値の周りでゆらぐ挙動を示します。

依存ライブラリ

標準ライブラリ以外に以下の非標準ライブラリに依存しています。

  • numpy

  • matplotlib

入出力仕様

入力 コマンドライン引数として以下の値を順番に受け取ります。引数が省略された場合はコード内で定義されたデフォルト値が順次適用されます。

  • npersons: 人数

  • value: 1人あたりの初期資産

  • vtrade: 1回の取引で移動する資産額

  • niter: シミュレーションの総反復回数

  • nplotinterval: グラフ描画を更新する反復回数の間隔

  • nfx: 資産分布ヒストグラムのビン数

出力

  • ターミナルへ理論分布のパラメータが出力されます。

  • matplotlib のウィンドウが開き、以下の4つのグラフがアニメーションとして表示されます。

    • 各個人の資産額(未ソート)

    • 各個人の資産額(ソート済み)

    • 資産額の度数分布(シミュレーション結果と理論的な指数分布の比較)

    • ステップごとのエントロピーの推移

処理の流れ

  1. コマンドライン引数をパースし、シミュレーション条件を大域変数に設定します。引数がない場合は使用方法を表示して終了します。

  2. 総人数分の配列を生成し、全要素を初期資産額で初期化します。

  3. 理論上の指数分布関数のパラメータを計算し、ターミナルに表示します。

  4. niter 回の反復処理を開始します。

    • 各反復において、各人がランダムに選ばれた相手に対して一定額( vtrade )を渡します。

    • 自身の資産が vtrade に満たない場合は、持っている全額を相手に渡します。

  5. 反復回数が nplotinterval の倍数、または初回および最終回のタイミングで以下の処理を行います。

    • 現在の資産配列をソートします。

    • ヒストグラム関数を用いて度数分布を計算し、理論分布とスケールを合わせます。

    • 確率分布からエントロピーを計算し、履歴に記録します。

    • 4つのグラフ(各人の資産、ソート済み資産、度数分布、エントロピー推移)を更新して描画します。

  6. 全反復終了後、ユーザーが ENTER キーを押すまで待機してプログラムを終了します。

実行例

引数を指定せずに実行すると、使用方法が表示されます。

python randomtrade_numpy.py

引数を指定して実行する場合は、以下のようになります。この例では、200人で初期資産50、1回の取引額1、10000回反復、100回ごとに描画更新、ヒストグラムのビン数を21として実行します。

python randomtrade_numpy.py 200 50 1 10000 100 21