💰 quantitative finance

A New Approximation to the Normal Distribution Quantile Function

Dit artikel introduceert een snellere, zij het iets minder nauwkeurige, benadering van de kwantielfunctie van de normale verdeling vergeleken met de methode van Beasley en Springer, die een maximale absolute fout onder de $2,5 \cdot 10^{-5}$ biedt die voldoende blijft voor veel toepassingen, met name in financiële markten.

Oorspronkelijke auteurs: Paul M. Voutier

Gepubliceerd 2026-06-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 3.0

Oorspronkelijke auteurs: Paul M. Voutier

Oorspronkelijk artikel gelicentieerd onder CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een chef bent die de perfecte taart (een "Normale Verdeling") probeert te bakken. Om dit te doen, heb je een heel specifiek, geheim ingrediënt nodig: de Kwantielfunctie. Zie deze functie als een magische kaart die je precies vertelt hoeveel van een ingrediënt je moet toevoegen op basis van een kansgetal dat je opgeeft.

Al lange tijd gebruiken statistici twee belangrijke recepten voor deze kaart: één door Beasley en Springer (zeer nauwkeurig, maar traag om te bereiden) en één door Abramowitz en Stegun (iets sneller, maar minder nauwkeurig).

Paul Voutier, de auteur van dit artikel, wilde een recept dat sneller was dan de andere, zelfs als dat betekende dat hij een klein beetje precisie moest opofferen. Hier is de eenvoudige uitsplitsing van wat hij deed:

1. De Strategie: De Keuken Splitsen

De auteur realiseerde zich dat de "kaart" anders gedraagt in het midden van de kamer versus de hoeken.

Het Midden (Centrale Regio): Dit is waar de meeste actie plaatsvindt. Hier is de kaart vloeiend en voorspelbaar.
De Hoeken (De Staarten): Dit zijn de extreme uiteinden (zeer lage of zeer hoge kansen). Hier wordt de kaart ingewikkeld en zijn zware, tijdrovende wiskundige bewerkingen nodig (zoals vierkantswortels en logaritmen) om de berekening uit te voeren.

De Oude Manier: Het Beasley-Springer recept gebruikte een zeer complex, hoog-precis instrument voor het middelste gedeelte. Het was accuraat, maar kostte veel tijd om te berekenen.

De Nieuwe Manier: Voutier besloot een eenvoudiger, lichter instrument te gebruiken voor het middelste gedeelte. Hij verving een zware, complexe machine voor een snelle, efficiënte handtool.

Hij noemt dit een (2, 2) schema. Stel je het voor als een eenvoudige 2-traps ladder in plaats van een 5-traps trap.
Voor de lastige hoeken (de staarten) gebruikte hij een iets ander, iets complexer instrument (een (3, 2) schema) om ervoor te zorgen dat de kaart niet afbreekt aan de randen.

2. De Afweging: Snelheid versus Perfectie

Voutier geeft toe dat zijn nieuwe kaart niet zo perfect nauwkeurig is als die van Beasley-Springer.

Beasley-Springer: Als een meesterhorlogemaker; de fout is microscopisch (minder dan 1 op een miljard).
Voutiers Nieuwe Methode: Als een zeer goede zakhorloge; de fout is nog steeds minuscuul (minder dan 1 op 40.000), maar het is niet bijna zo perfect.

Echter, het artikel betoogt dat voor veel real-world taken (zoals het beheren van financiële markten), "goed genoeg" voldoende is, zolang je het antwoord maar veel sneller krijgt.

3. De Resultaten: De Race

De auteur heeft zijn nieuwe recepten getest tegen de oude met behulp van een computer (een Dell laptop met een Intel-processor). Hij voerde de berekeningen 200.000 keer uit om te zien wie de snelste was.

Hier is hoe ze eruit zagen (in milliseconden):

Abramowitz-Stegun (Oude Standaard): 25.210 ms (De langzaamste)
Beasley-Springer (De Nauwkeurige): 10.212 ms (Het middenveld)
Voutiers Nieuwe Methode (Rat22A): 8.052 ms (Sneller!)
Voutiers Geoptimaliseerde Methode (Rat22B): 6.649 ms (De Winnaar!)

De Grote Winst: Jouirs snelste versie was bijna 4 keer sneller dan de oude standaard en ongeveer 1,5 keer sneller dan de zeer nauwkeurige Beasley-Springer methode.

4. Waarom het Ertoe Doet

Het artikel benadrukt een belangrijke les: Soms is minder wiskunde doen beter.
Door het "midden"-gedeelte van de berekening simpeler te maken, hoefde de computer minder zware werkzaamheden (zoals vierkantswortels en logaritmen) te verrichten. Zelfs al gebeuren deze zware bewerkingen alleen aan de uiterste randen van de data, het verminderen ervan met de helft bespaarde bijna 20% van de totale tijd.

Samenvatting

Paul Voutier bouwde een nieuwe, gestroomlijnde rekenmachine voor een specifieke statistische kaart. Het is niet de meest precieze kaart ter wereld, maar het is wel de snelste die beschikbaar is. Als je haast hebt (zoals bij handel met hoge snelheid in de financiële wereld) en je kunt een kleine afrondingsfout tolereren, dan is deze nieuwe methode het beste hulpmiddel voor de klus.

Technische Samenvatting: Een nieuwe benadering van de kwantielfunctie van de normale verdeling

Probleemstelling
Het artikel behandelt de behoefte aan een computationeel efficiënte benadering van de kwantielfunctie van de normale verdeling, $N^{-1}(x)$ , die de inverse is van de cumulatieve distributiefunctie (CDF). Hoewel bestaande methoden, zoals de Beasley-Springer benadering [3] en de Acklam-benadering [2], een hoge nauwkeurigheid bieden, identificeert de auteur een specifieke vereiste voor een methode die prioriteit geeft aan snelheid terwijl deze "redelijk nauwkeurige" resultaten levert (specifiek, een maximale absolute fout kleiner dan $4,5 \cdot 10^{-4}$ , vergelijkbaar met de Abramowitz-Stegun benadering [1]). De primaire uitdaging is het verminderen van de computationele kosten van dure operaties, specifiek logaritmen en vierkantswortels, die doorgaans vereist zijn voor staartberekeningen.

Methodologie
De voorgestelde aanpak volgt het gevestigde kader van het scheiden van het domein in een breed centraal gebied en smalle staarten, waarbij gebruik wordt gemaakt van de oneven symmetrie van $N^{-1}(x - 1/2)$ . De auteur introduceert echter een modificatie op de rationele functieschema's die worden gebruikt voor de benadering:

Centraal gebied benadering:
- In plaats van de hogere orde schema's die worden gebruikt door Beasley-Springer (een (3,4) schema) of Acklam (een (5,5) schema), stelt dit artikel een (2,2) schema voor voor het centrale gebied.
- De functie is gedefinieerd als $f(p) = q \frac{a_2 r^2 + a_1 r + a_0}{r^2 + b_1 r + b_0}$ , waarbij $q = p - 0,5$ en $r = q^2$ .
- Twee variaties worden gepresenteerd:
  - Rat22A: Gebruikt grenzen bij $p = 0,0465$ en $p = 0,9535$ .
  - Rat22B: Gebruikt bredere grenzen bij $p = 0,025$ en $p = 0,975$ om de frequentie van staartberekeningen verder te verminderen.
- Coëfficiënten werden afgeleid met behulp van de minimax functie uit de numapprox package van Maple om de maximale absolute fout (Chebyshev-benadering) te minimaliseren.
Staartgebied benadering:
- Voor de staarten ( $p < 0,0465$ en $p > 0,9535$ ) wordt een (3,2) schema toegepast.
- De benadering maakt gebruik van de variabele $r = \sqrt{\log(1/p^2)}$ (of $\sqrt{\log(1/(1-p)^2)}$ voor de bovenste staart).
- De functie is gedefinieerd als een rationale functie van $r$ : $f_{tail}(p) = \frac{c_3 r^3 + c_2 r^2 + c_1 r + c_0}{r^2 + d_1 r + d_0}$ .
- Coëfficiënten werden eveneens geoptimaliseerd met behulp van het minimax-algoritme van Maple.
Optimalisatietechnieken:
- De rationale functies zijn gestructureerd om het aantal vermenigvuldigingen te minimaliseren (bijvoorbeeld door de noemer te normaliseren zodat de leidende coëfficiënt 1 is).
- Het bredere centrale gebied (Rat22B) is specifief ontworpen om het aantal keren dat de computationeel dure log en sqrt operaties moeten worden uitgevoerd, te verminderen.

Belangrijkste bijdragen en resultaten

Nauwkeurigheid: De nieuwe (2,2) centrale benadering bereikt een maximale absolute fout van ongeveer $2,5 \cdot 10^{-5}$ $2, 5 \cdot 1 0^{- 5}$ in het centrale gebied en $2,458 \cdot 10^{-5}$ $2, 458 \cdot 1 0^{- 5}$ in de staarten. De totale maximale absolute fout is minder dan $2,5 \cdot 10^{-5}$ $2, 5 \cdot 1 0^{- 5}$ .
- Opmerking over nauwkeurigheid: De auteur erkent expliciet dat dit minder nauwkeurig is dan de Beasley-Springer benadering (die een fout onder $1,85 \cdot 10^{-9}$ heeft in het centrale gebied) en de Acklam-benadering.
Prestaties: De primaire bijdrage is snelheid. Benchmarks uitgevoerd op een Dell Inspiron 1525 (Intel Core 2 Duo T5800, 2,00 GHz) met behulp van Java (JDK 1.6.0 17) over 200.000 iteraties leverden de volgende resultaten op:
- Abramowitz-Stegun (AS): 25.210 ms
- Beasley-Springer (BS): 10.212 ms
- Rat22A (Nieuw, smal centraal): 8.052 ms
- Rat22B (Nieuw, breed centraal): 6.649 ms
Efficiëntiewinst: De nieuwe benaderingen zijn aanzienlijk sneller dan bestaande methoden. De vergelijking tussen Rat22A en Rat22B laat zien dat het verminderen van de subset van waarden die log en sqrt berekeningen vereisen met ongeveer 50% (door het centrale gebied uit te breiden) de CPU-tijd met bijna 20% heeft verminderd.

Betekenis en claims
Het artikel stelt dat hoewel de voorgestelde benadering enige precisie opoffert vergeleken met state-of-the-art methoden zoals Beasley-Springer, de trade-off gerechtvaardigd is door de substantiële winst in computationele snelheid. De auteur stelt dat een foutmarge van minder dan $2,5 \cdot 10^{-5}$ "voldoende is voor veel toepassingen", waarbij specifiek naar financiële markten wordt verwezen als een domein waar snelheid cruciaal is.

Daarnaast herbekijkt het artikel de Abramowitz-Stegun benaderingen (vergelijkingen 26.2.22 en 26.2.23 in [1]). De auteur presenteert verbeterde coëfficiënten voor deze vergelijkingen die meer dan vijf keer de nauwkeurigheid bieden binnen het standaard IEEE-754 representeerbare bereik, hoewel de nauwkeurigheid afneemt naarmate het bereik de extremen van 0 en 1 nadert.

Samenvattend biedt het werk een "snellere" alternatief voor gevestigde kwantielfunctie-benaderingen, waarbij prioriteit wordt gegeven aan executietijd voor toepassingen waar de iets hogere foutmarge acceptabel blijft.