金融资产价格与回报的统计分布

欢迎来到数量方法（Quantitative Methods）的核心模块之一！金融市场充满了不确定性。当你投资股票、债券或基金时，根本无法百分之百确定未来的价格或回报率会是多少。为了量化这种不确定性，金融分析师会借助统计分布（Statistical Distributions）这个强大工具。

如果概率与统计一开始让你感到有点却步，千万不用担心。我们会把每个概念拆解成简单易懂的小单元，配合直观的比喻，一步步带你了解它们在现实市场中的应用。根据 CFA Level I 课程大纲，本模块围绕四大核心支柱：
• 平均值、方差及协方差的无条件期望值（Unconditional expected values）
• 金融领域常用关键分布的主动差（Principal moments）
• 条件期望值（Conditional expectations）、条件方差与条件协方差
• 贝叶斯更新（Bayesian updating）（在新信息出现时更新概率预测）

交叉参考提示：利用这些参数构建投资组合的方法，会在《金融投资组合的回报与风险》中深入探讨；而抽样与假设检验则于《估计与假设检验》单元详细解构。

---

1. 无条件期望值、方差与协方差

无条件期望值（平均值，Mean）

随机变量的无条件期望值，简单来说就是各项结果的加权平均值。在未获取任何新信息或特定条件之前，每个可能出现的结果都会乘以其发生的概率，然后相加得出。

这就好像计算一门课的学期总成绩一样：每份作业都有各自的比重（概率），而你的总分就是各项分数乘以相应比重后的总和。

在数学上，对于一个离散随机变量 \(X\)，若其拥有 \(n\) 个可能的结果 \(x_i\)，每个结果出现的概率为 \(P(X = x_i)\)，则：

\(E(X) = \sum_{i=1}^{n} P(X = x_i) x_i\)

期望值的特性：
• 常数：常数 \(c\) 的期望值就是该常数本身：\(E(c) = c\)。
• 标量乘法：如果将随机变量乘以常数 \(c\)，其期望值也会乘以相应倍数：\(E(c X) = c E(X)\)。
• 可加性：多个随机变量总和的期望值，等于各随机变量个别期望值的总和：\(E(X + Y) = E(X) + E(Y)\)。无论 \(X\) 与 \(Y\) 是否独立，此性质都恒成立！

无条件方差（Variance）

期望值为我们指出分布的中心点，而方差则用来衡量各项结果围绕该平均值分散的程度。它代表各结果偏离期望值距离的平方平均值：

\(\sigma^2(X) = Var(X) = E\left([X - E(X)]^2\right) = \sum_{i=1}^{n} P(X = x_i) [x_i - E(X)]^2\)

标准差（Standard deviation）\(\sigma(X)\) 是方差的正平方根：\(\sigma(X) = \sqrt{Var(X)}\)。在金融领域中，标准差是衡量总风险或波动率（Volatility）最主要的指标。

方差的特性：
• 常数的方差等于零：\(Var(c) = 0\)（常数永远不会变动）。
• 加上一个常数只会平移分布中心，但不会改变其分散程度：\(Var(X + c) = Var(X)\)。
• 乘以一个常数，方差会扩大该常数平方的倍数：\(Var(c X) = c^2 Var(X)\)。

无条件协方差与相关系数（Covariance and Correlation）

协方差衡量两个随机变量共同变动的趋势与方向。如果当资产 \(Y\) 高于其平均值时，资产 \(X\) 也往往高于平均值，两者的协方差就是正数；反之，若一项资产上升时另一项倾向下跌，协方差就是负数。

\(Cov(X, Y) = \sigma_{XY} = E\left([X - E(X)][Y - E(Y)]\right) = \sum_{i=1}^{n} P(x_i, y_i) [x_i - E(X)][y_i - E(Y)]\)

另一种常见的计算公式为：

\(Cov(X, Y) = E(XY) - E(X)E(Y)\)

请留意，一个变量与自身的协方差，其实就等于它本身的方差：\(Cov(X, X) = Var(X)\)。

由于协方差受变量计量单位的影响，我们通常会将其标准化，计算出相关系数（记作 \(\rho(X, Y)\) 或 \(Corr(X, Y)\)）：

\(\rho(X, Y) = \frac{Cov(X, Y)}{\sigma(X) \sigma(Y)}\)

相关系数的值严格界定在 \(-1 \le \rho(X, Y) \le +1\) 之间。\(+1\) 代表完全正线性相关，\(-1\) 代表完全负线性相关，而 \(0\) 则表示两者不存在线性关系。

重点归纳：期望值是以概率加权的平均结果，方差反映围绕该中心的波动或离散度，而协方差则衡量两项资产线性联动的方向与强度。

---

2. 金融主要分布的主动差

在统计学中，动差（Moments）用来描述概率分布的形状特征。前四个中心动差分别为：
1. 第一动差（平均值／位置，Mean / Location）：即期望值 \(E(X)\)。
2. 第二中心动差（方差／离散度，Variance / Dispersion）：即 \(\sigma^2\)。
3. 第三标准化动差（偏度，Skewness）：衡量分布的不对称程度。对称分布的偏度为 0。正偏（右偏）分布有一条长长的右尾巴；负偏（左偏）分布则有一条长长的左尾巴。
4. 第四标准化动差（峰度，Kurtosis）：衡量分布顶部的尖锐程度以及尾部的厚度（极端值出现概率）。正态分布的峰度恰好为 3。超额峰度（Excess kurtosis）定义为 \(\text{峰度} - 3\)。超额峰度大于 0 的分布称为高狭峰／肥尾分布（Leptokurtic / Fat-tailed），这在金融资产回报中极为常见。

A. 离散均匀分布（Discrete Uniform Distribution）

若随机变量只可能出现有限个结果，且每个结果发生的概率皆相同，该变量即服从离散均匀分布。最经典的例子就是掷一枚质地均匀的六面骰子，每个点数 \(x \in \{1, 2, 3, 4, 5, 6\}\) 出现的概率都是 \(P(X = x) = \frac{1}{6}\)。

B. 连续均匀分布（Continuous Uniform Distribution）

连续随机变量在某个连续的有界区间 \([a, b]\) 内，任何相同长度子区间内的概率都相等。其概率密度函数（PDF）为常数：当 \(a \le x \le b\) 时，\(f(x) = \frac{1}{b - a}\)。

主动差：
• 平均值：\(E(X) = \frac{a + b}{2}\)
• 方差：\(Var(X) = \frac{(b - a)^2}{12}\)
• 偏度：0（以中点为基准完全对称）。

C. 二项分布（Binomial Distribution）

二项分布用来计算在 \(n\) 次独立的伯努利试验（Bernoulli trials）中，“成功”次数 \(x\) 的概率。每次试验只有两种可能结果（成功或失败），且每次试验成功的概率 \(p\) 保持不变。

在 \(n\) 次试验中恰好取得 \(x\) 次成功的概率为：

\(P(X = x) = \binom{n}{x} p^x (1 - p)^{n - x} = \frac{n!}{x!(n - x)!} p^x (1 - p)^{n - x}\)

主动差：
• 平均值：\(E(X) = n p\)
• 方差：\(Var(X) = n p (1 - p)\)
• 标准差：\(\sigma = \sqrt{n p (1 - p)}\)

考试小提示：在金融模型建立中，二项式树状模型（Binomial tree）被广泛应用于模拟资产价格在不同离散时间步长中的上升与下跌路径。

D. 正态分布（Normal Distribution）

正态分布是古典金融理论的基石。它是一个连续、对称且呈钟形的分布，只需两个参数即可完全定义：平均值 \(\mu\) 与方差 \(\sigma^2\)，通常记作 \(X \sim N(\mu, \sigma^2)\)。

关键特性与主动差：
• 平均值、中位数及众数：三者全部相等，皆为 \(\mu\)。
• 偏度：0（完全对称）。
• 峰度：刚好为 3（超额峰度为 0）。
• 线性组合：相互独立的正态随机变量，其线性组合依然服从正态分布。

标准正态分布（\(Z\)）：
任何正态变量 \(X \sim N(\mu, \sigma^2)\) 都可以通过计算 \(Z\) 分数（\(Z\)-score）标准化为平均值为 0、标准差为 1 的标准正态分布：

\(Z = \frac{X - \mu}{\sigma}\)

经验法则（区间概率）：
• 大约 68% 的观测值落在 \(\mu \pm 1\sigma\) 范围内
• 大约 95% 的观测值落在 \(\mu \pm 1.96\sigma\) 范围内（约等于 \(\pm 2\sigma\)）
• 大约 99% 的观测值落在 \(\mu \pm 2.58\sigma\) 范围内（约等于 \(\pm 3\sigma\)）

E. 对数正态分布（Lognormal Distribution）

如果一个随机变量 \(Y\) 的自然对数 \(\ln(Y)\) 服从正态分布，即 \(\ln(Y) \sim N(\mu, \sigma^2)\)，那么 \(Y\) 就服从对数正态分布。

为什么对数正态分布对资产价格建模至关重要？
• 正态分布允许取负值，但大部分金融资产（例如股票）享有有限法律责任（Limited liability），价格不可能跌穿零。
• 对数正态分布以零为下限（\(Y > 0\)），因此非常适合用来模拟资产价格。
• 连续复利资产回报率可以是负值，常以正态分布进行近似模拟；而由此产生的资产价格则会呈现对数正态分布。
• 偏度：对数正态分布呈正偏态（右偏），拥有一条长右尾，这真实反映出资产价格向上增长潜力无限，但向下最多只会跌至零的特性。

重点归纳：正态分布适用于对称且超额峰度为零的现象（常用于资产回报）；对数正态分布则以下限为零且向右偏斜，是为资产价格建模的理想工具。

---

3. 条件期望值、条件方差与条件协方差

在金融市场中，我们会源源不断地接收到新信息：经济数据发布、央行利率决议或企业财报业绩。每当新消息揭晓，我们的预期亦随之调整，这就引出了条件动差（Conditional moments）的概念。

条件期望值

在已知某个特定事件或变量 \(S\) 发生的情况下，随机变量 \(X\) 的条件期望值记作 \(E(X \mid S)\)。计算方式是使用条件概率来对 \(X\) 进行加权平均。

期望值的全概率法则（Total Probability Rule for Expected Value）：
若事件集合 \(S_1, S_2, \dots, S_k\) 构成了一组互斥且穷尽（Mutually exclusive and exhaustive）的经济状态（例如：衰退、正常、扩张），则无条件期望值等于所有状态下条件期望值的加权平均值：

\(E(X) = \sum_{j=1}^{k} P(S_j) E(X \mid S_j)\)

逐步计算范例：
假设你正在评估股票 A 明年的回报率，预期会面临两种经济状态：
• 状态 1（繁荣）：概率 \(P(S_1) = 0.40\)，条件预期回报率 \(E(R_A \mid S_1) = 20\%\)
• 状态 2（萧条）：概率 \(P(S_2) = 0.60\)，条件预期回报率 \(E(R_A \mid S_2) = 5\%\)

套用全概率法则：
\(E(R_A) = (0.40)(20\%) + (0.60)(5\%) = 8\% + 3\% = 11\%\)

条件方差

条件方差 \(Var(X \mid S)\) 衡量在已知事件 \(S\) 发生时，\(X\) 的不确定性或离散程度：

\(Var(X \mid S) = E\left([X - E(X \mid S)]^2 \mid S\right)\)

整体的无条件方差，既包含了各状态内部预期的条件方差，也包含了各状态之间条件期望值的离散方差。

条件协方差

同理，在特定状态 \(S\) 下，两项资产 \(X\) 与 \(Y\) 之间的条件协方差，衡量了它们在该特定情境下的联动关系：

\(Cov(X, Y \mid S) = E\left([X - E(X \mid S)][Y - E(Y \mid S)] \mid S\right)\)

你知道吗？在市场极端动荡或危机期间，高风险资产之间的条件协方差和相关系数往往会急剧上升。这意味着在投资者最需要风险分散的时候，分散投资的分流效益往往会大打折扣！

重点归纳：无条件动差反映事件发生前的总体预期；条件动差则在掌握特定情境或新信息后，相应修正评估预期。

---

4. 贝叶斯更新（Bayesian Updating）

贝叶斯定理的逻辑

投资分析本质上是一个持续学习与校正的过程。我们会先对某种状态或资产表现抱有初始信念，在观察到最新市场数据后，随之修正这项信念。贝叶斯定理（Bayes' formula）正是提供这种概率更新机制的严谨数学工具。

必备重要术语：
• 先验概率（Prior Probability）\(P(A)\)：在观察到新信息之前，事件 \(A\) 发生的初始基准概率。
• 似然度／条件概率（Likelihood / Conditional Probability）\(P(B \mid A)\)：在已知事件 \(A\) 为真的前提下，观察到新证据 \(B\) 的概率。
• 无条件概率（Unconditional Probability）\(P(B)\)：跨所有可能状态下，观察到新证据 \(B\) 的总概率。
• 后验概率（Posterior Probability）\(P(A \mid B)\)：在已知新证据 \(B\) 出现后，更新得出事件 \(A\) 发生的修正概率。

贝叶斯定理公式

\(P(A \mid B) = \frac{P(B \mid A)}{P(B)} P(A)\)

利用全概率法则将分母 \(P(B)\) 展开至互斥状态 \(A\) 及 \(A^C\)（非 \(A\)）：

\(P(A \mid B) = \frac{P(B \mid A) P(A)}{P(B \mid A) P(A) + P(B \mid A^C) P(A^C)}\)

贝叶斯定理逐步计算范例

情境：某股票研究部门正评估公司的盈利预测。
• 分析师将企业分类为“高盈利增长”（\(H\)）或“低盈利增长”（\(L\)）。
• 历史数据显示，有 \(30\%\) 的公司能实现高增长：即 \(P(H) = 0.30\)，因此 \(P(L) = 0.70\)。
• 现有一项领先指标发出正面信号（\(+\)）：
- 若公司属高增长型，指标呈现正面信号的概率为 \(P(+ \mid H) = 0.80\)。
- 若公司属低增长型，指标出现“伪阳性（假警报）”正面信号的概率为 \(P(+ \mid L) = 0.20\)。
• 问题：如果该指标显示正面信号（\(+\)），这家公司确实具备高增长的更新（后验）概率 \(P(H \mid +)\) 是多少？

第一步：计算分子与分母各组成的联合概率：
• 高增长且信号为正面：\(P(+ \mid H) P(H) = 0.80 \times 0.30 = 0.24\)
• 低增长但信号为正面：\(P(+ \mid L) P(L) = 0.20 \times 0.70 = 0.14\)

第二步：计算出现正面信号的无条件总概率 \(P(+)\)：
\(P(+) = 0.24 + 0.14 = 0.38\)

第三步：计算后验概率 \(P(H \mid +)\)：
\(P(H \mid +) = \frac{0.24}{0.38} \approx 0.6316 \text{ 或 } 63.16\%\)

结果解读：在观察到正面指标信号后，我们对该公司属于高增长的信心程度，从原本的先验概率 \(30\%\) 大幅提升至约 \(63.2\%\) 的后验概率。

常见陷阱提防

• 混淆 \(P(B \mid A)\) 与 \(P(A \mid B)\)：在高增长前提下出现正面信号的概率（\(80\%\)），跟在获得正面信号前提下公司属于高增长的概率（\(63.2\%\)）截然不同。
• 忽略展开分母：计算时必须确保分母涵盖了所有可能促成条件事件发生的途径。

重点归纳：随着新的客观数据或信号浮现，贝叶斯定理提供了一套有系统的步骤，将先验信念客观更新为后验概率。

---

模块摘要与快速复习

• 期望值 \(E(X)\)：跨所有可能事件以概率加权的平均结果。
• 方差 \(\sigma^2\) 与协方差 \(\sigma_{XY}\)：方差量化数据相对平均值的偏离幅度；协方差则衡量两项资产之间的线性联动趋势。
• 正态分布：由 \(\mu\) 与 \(\sigma^2\) 完全定义，呈对称分布（偏度 = 0），峰度 = 3。能很好地模拟回报率，但允许出现负值。
• 对数正态分布：下限为零且呈右偏。非常适合用来模拟金融资产的价格。
• 全概率法则：架起条件期望值与无条件期望值之间的桥梁：\(E(X) = \sum P(S_j) E(X \mid S_j)\)。
• 贝叶斯更新：利用条件似然度，将先验概率 \(P(A)\) 转化修正为后验概率 \(P(A \mid B)\)。