简介：为什么随机变量很重要？
欢迎！如果你曾经好奇风险管理师是如何预测股市崩盘的概率，或是每月贷款违约的数量，那么你来对地方了。在金融世界中，我们无法百分之百确定未来，但我们可以使用随机变量 (Random Variables) 来为各种可能性建立模型。本章将涵盖你在 FRM 之路中会不断用到的概率学“基础组件”。别担心，如果公式乍看之下很吓人，我们会把它们拆解成简单且贴近生活的概念。
1. 全盘概览：离散 vs. 连续
在我们深入探讨之前，请记住随机变量主要分为两种类型：
1. 离散型 (Discrete)： 你可以数出来的事物（例如：银行系统故障的天数）。
2. 连续型 (Continuous)： 你可以测量的事物（例如：投资组合的精确回报率百分比）。
你可以把离散型想象成梯子的阶梯，而连续型则像平滑的滑梯。
2. 常见的离散分配
伯努利分配 (Bernoulli Distribution)
伯努利分配是最简单的分配。它为仅有两种结果的单次试验建模：成功 (1) 或 失败 (0)。
范例： 单一借款人要么违约，要么不违约。
• 成功概率： \( p \)
• 失败概率： \( 1 - p \)
• 平均值（期望值）： \( E(X) = p \)
• 变异数： \( Var(X) = p(1 - p) \)
二项分配 (Binomial Distribution)
如果你将一连串独立的伯努利试验相加，就会得到二项分配。它告诉我们在 \( n \) 次独立试验中，恰好出现 \( x \) 次成功的概率。
范例： 如果你有 10 笔独立贷款，恰好有 2 笔违约的概率是多少？
• 关键参数： \( n \)（试验次数）和 \( p \)（成功概率）。
• 平均值： \( n \times p \)
• 变异数： \( n \times p \times (1 - p) \)
常见错误： 学生常忘记二项分配要有效，试验必须独立。如果一笔贷款违约导致另一笔违约概率增加，那么二项模型就不再是最佳选择！
泊松分配 (Poisson Distribution)
泊松分配用于为特定时间或空间区间内事件发生的次数建立模型。
范例： 银行服务器每周遭受的网络攻击次数。
• 关键参数： \( \lambda \) (Lambda)，即平均发生率。
• 独特属性： 平均值与变异数皆等于 \( \lambda \)。
快速复习： 如果你看到关于“一小时内发生次数”的题目，请想到泊松分配！
重点总结： 离散分配帮助我们计算结果。伯努利用于单一“是/否”事件，二项分配用于多次“是/否”事件，而泊松则用于统计一段时间内的事件频率。
3. 常见的连续分配
连续均匀分配 (Continuous Uniform Distribution)
在此分配中，特定区间 \( [a, b] \) 内的所有数值出现的概率皆相等。概率密度函数 (PDF) 是一条平坦的水平线。
• 平均值： \( \frac{a + b}{2} \)（正好是中间点）。
• 变异数： \( \frac{(b - a)^2}{12} \)
常态分配 (Normal Distribution)
这是分配中的“王者”，也就是著名的钟形曲线 (Bell Curve)。它是对称的，由平均值 \( \mu \) 和标准差 \( \sigma \) 定义。
• 偏态 (Skewness)： 0（完美对称）。
• 峰态 (Kurtosis)： 3（或“超额峰态”为 0）。
你知道吗？ 在风险管理中，我们常使用标准常态分配 (Standard Normal Distribution) (\( Z \))，其平均值为 0，标准差为 1。你可以使用 \( Z = \frac{X - \mu}{\sigma} \) 将任何常态数值转换为 Z 分数。
对数常态分配 (Lognormal Distribution)
如果一个变量的自然对数呈现常态分配，那么该变量本身就是对数常态。
为什么重要： 我们使用对数常态来为资产价格（如股票）建模。为什么呢？因为股价不可能为负，而对数常态分配在零处有下限，且向右偏斜。
记忆小撇步： 回报率通常假设为常态分配；价格则假设为对数常态分配。
学生 t 分配 (Student’s t-Distribution)
t 分配看起来像常态分配，但有“更肥的尾部”(Fat tails)。这意味着它预测极端事件（离群值）发生的概率更高。
• 参数： 由“自由度”(Degrees of Freedom, df) 定义。
• 经验法则： 随着自由度增加，t 分配会变得愈来愈像常态分配。
为什么我们喜欢它： 金融市场发生的“崩盘”比常态分配预测的更多。t 分配能更好地捕捉这种“尾部风险”。
卡方 (\( \chi^2 \)) 与 F 分配
这些主要用于统计检验，而非资产价格建模。
• 卡方分配： 用于检验变异数与拟合优度。它总是正值且向右偏斜。
• F 分配： 用于比较两个不同的变异数。当你想知道一个投资组合是否比另一个波动更大时，就会用到它。
重点总结： 连续分配用于为测量数据建模。常态分配是标准，对数常态用于价格，而 t 分配适用于我们预期会有更多极端“惊喜”的情况。
4. 中央极限定理 (CLT)：统计学的魔法
中央极限定理是 FRM 中最重要的概念之一。它指出，如果你从任何分配（即使是奇怪、非对称的分配）中抽取足够大的样本，该样本的总和或平均值将会遵循常态分配。
• 厉害之处： 它让我们即使在原始数据杂乱无章的情况下，只要样本数足够大（通常 \( n > 30 \)），依然可以使用常态分配的工具来分析。
5. 成功总结清单
快速复习盒：
• 伯努利： 单次掷硬币（1 或 0）。
• 二项分配： 多次掷硬币；试验必须独立。
• 泊松： 计算一段时间内的到达次数/事件次数。
• 常态分配： 钟形曲线，标准常态分配平均值=0，标准差=1。
• 对数常态： 右偏，无负值（适用于股价）。
• 学生 t 分配： 肥尾，用于小样本或高风险资产。
• 卡方/F 分配： 用于检验变异数。
别担心，如果起初觉得这些很棘手！ 掌握本章的关键在于辨识哪种分配适合特定情境。当你看到“违约次数”，想到二项分配；看到“股价”，想到对数常态；看到“肥尾”，想到学生 t 分配。你可以做到的！