import gradio as gr import pandas as pd from datetime import datetime # 從 bond.py 導入重構後的函數和數據 from bond import create_bond_database, run_simulation # 1. 數據準備 BOND_DATABASE = create_bond_database() BOND_CHOICES = list(BOND_DATABASE.keys()) # --- Gradio 介面輔助函數 --- def get_bond_info_html(bond_name): """ 根據下拉選單選擇的債券名稱，生成用於顯示其詳細資訊的 HTML 字串。 :param bond_name: str, 使用者從下拉選單選擇的債券名稱。 :return: str, 一個 HTML 格式的字串，用於在 Gradio 介面中顯示。 """ if not bond_name: return "

請從上方選擇一個債券

" bond = BOND_DATABASE[bond_name] issue_date_str = bond['issueDate'].strftime('%Y-%m-%d') maturity_date_str = bond['maturity'].strftime('%Y-%m-%d') # **重要**: 根據資料庫中的百分比格式，調整顯示方式 html = f"""

債券: {bond_name}

平均殖利率 (avgYld): {bond['avgYld']:.3f}%票面利率 (coupon): {bond['coupon']:.3f}%
發行日 (issueDate): {issue_date_str}到期日 (maturity): {maturity_date_str}
每年付息 (payPerYr): {bond['payPerYr']} 次每年複利 (compPerYr): {bond['compPerYr']} 次
存續期間 (durT): {bond['durT']}修正存續期間 (mdurT): {bond['mdurT']}
價格曲度 (convT): {bond['convT']}
""" return html def run_monte_carlo( bond_name, n_simulations, dt, kappa_rf, theta_rf, sigma_rf, initial_spread, sigma_spread, correlation, mu_r, sigma_r, kappa_cir, theta_cir, sigma_cir ): """ Gradio 的主要執行函數。 它負責收集所有來自介面的輸入參數，將百分比單位轉換為小數， 調用後端的 `run_simulation` 核心函式，並將計算結果回傳給介面的各個輸出元件。 :param bond_name: str, 選擇的債券名稱。 (e.g., 'CGB10Y') :param n_simulations: int, 模擬次數。 (e.g., 100) :param dt: float, 時間步長。 (e.g., 1/252) :param kappa_rf: float, 均值回歸速度。 (e.g., 0.3) :param theta_rf: float, 長期平均利率 (%)。 (e.g., 2.2) :param sigma_rf: float, 波動率 (%)。 (e.g., 0.5) :param initial_spread: float, 初始信用利差 (%)。 (e.g., 0.8) :param sigma_spread: float, 利差波動率 (%)。 (e.g., 0.3) :param correlation: float, drf與利差的相關係數。 (e.g., 0.6) :param mu_r: float, 長期漂移趨勢 (%)。 (e.g., 0.05) :param sigma_r: float, 年化波動率 (%)。 (e.g., 0.6) :param kappa_cir: float, CIR 均值回歸速度。 :param theta_cir: float, CIR 長期平均利率 (%)。 :param sigma_cir: float, CIR 波動率 (%)。 :return: tuple, 包含所有結果的元組，用於更新 Gradio 介面的各個輸出元件。 """ if not bond_name: raise gr.Error("請先選擇一個債券！") bond_data = BOND_DATABASE[bond_name] # **重要**: 將來自UI的百分比參數轉換為小數以進行計算 params = { 'kappa_rf': kappa_rf, 'theta_rf': theta_rf / 100.0, 'sigma_rf': sigma_rf / 100.0, 'initial_spread': initial_spread / 100.0, 'sigma_spread': sigma_spread / 100.0, 'correlation': correlation, 'mu_r': mu_r / 100.0, 'sigma_r': sigma_r / 100.0, 'kappa_cir': kappa_cir, 'theta_cir': theta_cir / 100.0, 'sigma_cir': sigma_cir / 100.0, "n_simulations":int(n_simulations), } rate_stats_df, price_stats_df, fig_rate_paths, fig_rate_dist, fig_price_paths, fig_price_dist, report_filepath = run_simulation( bond_data=bond_data, n_simulations=int(n_simulations), dt=dt, params=params ) return ( rate_stats_df, price_stats_df, fig_rate_paths, fig_rate_dist, fig_price_paths, fig_price_dist, gr.update(value=report_filepath, visible=True) ) # --- 建立 Gradio 介面 --- with gr.Blocks(theme=gr.themes.Soft(), title="債券利率蒙地卡羅模擬") as app: gr.Markdown("# 債券利率與價格蒙地卡羅模擬") # --- 步驟 1 & 2: 參數設定 --- with gr.Row(): with gr.Column(scale=2): gr.Markdown("## 步驟 1: 選擇債券") bond_selector = gr.Dropdown(BOND_CHOICES, label="選擇債券", info="從模擬的資料庫中選擇一個債券以載入其初始參數。", value=BOND_CHOICES[0]) bond_info_display = gr.HTML(get_bond_info_html(BOND_CHOICES[0])) with gr.Column(scale=3): gr.Markdown("## 步驟 2: 設定模擬參數") with gr.Tabs(): with gr.Tab("債券風險利率 (drf)"): kappa_rf = gr.Slider(0.01, 1.0, value=0.3, step=0.01, label="均值回歸速度 (kappa_rf)") theta_rf = gr.Slider(1.0, 5.0, value=2.2, step=0.1, label="長期平均利率 (%)") sigma_rf = gr.Slider(0.1, 2.0, value=0.5, step=0.1, label="波動率 (%)") with gr.Tab("有風險利率 (drs)"): initial_spread = gr.Slider(0.1, 3.0, value=0.8, step=0.1, label="初始信用利差 (%)") sigma_spread = gr.Slider(0.1, 1.0, value=0.3, step=0.05, label="利差波動率 (%)") correlation = gr.Slider(-1.0, 1.0, value=0.6, step=0.05, label="drf與利差的相關係數") with gr.Tab("綜合利率 (dr)"): mu_r = gr.Slider(0.0, 0.2, value=0.05, step=0.01, label="長期漂移趨勢 (%)") sigma_r = gr.Slider(0.1, 2.0, value=0.6, step=0.1, label="年化波動率 (%)") with gr.Tab("CIR 利率 (dr_cir)"): gr.Markdown("#### Cox-Ingersoll-Ross (CIR) 模型\n此模型 `dr = k(θ - r)dt + σ√r dW` 確保利率為正。") kappa_cir = gr.Slider(0.01, 1.0, value=0.2, step=0.01, label="均值回歸速度 (kappa_cir)") theta_cir = gr.Slider(1.0, 5.0, value=2.5, step=0.1, label="長期平均利率 (%)") sigma_cir = gr.Slider(0.1, 2.0, value=0.4, step=0.1, label="波動率 (%)") n_simulations = gr.Slider(50, 100000, value=50, step=50, label="模擬次數 (n_simulations)") dt = gr.Number(value=1/252, label="時間步長 (dt)", info="以年為單位，預設為一個交易日(1/252年)。") # --- 步驟 3: 執行 --- run_button = gr.Button("開始模擬", variant="primary") # --- 步驟 4: 結果呈現 --- with gr.Tabs(): with gr.Tab("利率分析"): gr.Markdown("## 利率模擬結果") with gr.Row(): with gr.Column(scale=1): gr.Markdown("#### 利率統計數據") rate_results_table = gr.DataFrame(headers=["指標", "數值"], datatype=["str", "str"]) with gr.Column(scale=2): gr.Markdown("#### 利率路徑與相關性圖") plot_rate_paths = gr.Plot() gr.Markdown("#### 利率變化分佈圖") plot_rate_distribution = gr.Plot() with gr.Tab("債券價格分析"): gr.Markdown("## 債券價格模擬結果") gr.Markdown("使用修正存續期間與曲度來估算價格變化。初始價格假設為 100。") with gr.Row(): with gr.Column(scale=1): gr.Markdown("#### 價格統計數據 (含 VaR)") price_results_table = gr.DataFrame() with gr.Column(scale=2): gr.Markdown("#### 價格模擬路徑") plot_price_paths = gr.Plot() gr.Markdown("#### 最終價格分佈") plot_price_distribution = gr.Plot() # --- 步驟 5: 下載資料 --- with gr.Column(): gr.Markdown("--- \n ## 下載完整報告，(若模擬次數超過1000，則不會包含模擬路徑與價格資料，以避免檔案過大)") report_file = gr.File(label="下載完整報告 (Excel)", visible=False) # --- 事件監聽 --- bond_selector.change(fn=get_bond_info_html, inputs=bond_selector, outputs=bond_info_display) all_inputs = [ bond_selector, n_simulations, dt, kappa_rf, theta_rf, sigma_rf, initial_spread, sigma_spread, correlation, mu_r, sigma_r, kappa_cir, theta_cir, sigma_cir ] run_button.click( fn=run_monte_carlo, inputs=all_inputs, outputs=[ rate_results_table, price_results_table, plot_rate_paths, plot_rate_distribution, plot_price_paths, plot_price_distribution, report_file ] ) if __name__ == "__main__": app.launch()