歡迎來到概率樹與條件期望的世界！

在金融領域中，情況鮮少是靜止不變的。我們時刻都在接收新的資訊——例如中央銀行加息、某公司發佈的盈利超乎預期，或是全球貿易報告出爐。我們該如何根據這些新數據來調整預期呢？這正是本章要探討的核心。我們將學習如何隨著新的「條件」出現而更新我們的認知（update our beliefs）。如果現在覺得這些概念有點抽象，別擔心！我們會使用許多現實生活中的類比，讓你輕鬆理解！

1. 條件期望 (Conditional Expectation)

要理解條件期望，我們先從簡單的期望值 (Expected Value) 開始。通常，我們計算的是所有可能結果的平均值。然而，「條件」期望是指在某個特定事件已經發生的前提下，我們預期會發生的結果。

類比： 想像你是一個水果攤販。在正常日子裡，你預期能賣出 100 個蘋果。但如果你一醒來發現外面下著傾盆大雨（這就是「條件」），你可能會將預期下調至僅 40 個蘋果，因為上門的顧客變少了。現在，你的預期是基於（條件於）天氣狀況的。

在 CFA 的術語中，我們計算的是在特定情境發生前提下，隨機變數（例如股價）的期望值。
公式如下：
\( E(X | S) = \sum P(X_i | S) X_i \)
其中：
\( E(X | S) \) = 在情境 S 發生前提下，X 的期望值。
\( P(X_i | S) \) = 在情境 S 發生前提下，結果 \( X_i \) 出現的機率。

關鍵重點：

條件期望讓分析師能夠建立「假如...會怎樣？」的情境分析。例如：「如果經濟進入衰退，這隻股票的預期回報率是多少？」

2. 全機率法則 (The Total Probability Rule)

有時，我們想求得某個事件的整體機率，但該事件受到多種不同情境的影響。全機率法則允許我們透過加總所有條件下的「片段」，來算出「整體大局」。

公式：
\( P(A) = P(A | S_1)P(S_1) + P(A | S_2)P(S_2) + ... + P(A | S_n)P(S_n) \)
這看起來很複雜，但其實非常合乎邏輯。它的意思是：若要找出 \( A \) 的總機率，只需觀察 \( A \) 在每一種可能情境（\( S \)）下的機率，並乘以該情境實際發生的機率即可。

範例：
假設「經濟繁榮」的機率為 60%，而「經濟衰退」的機率為 40%。
- 在繁榮時期，股票 X 上漲的機率為 80%。
- 在衰退時期，股票 X 上漲的機率僅為 20%。
要計算股票上漲的總機率：
\( P(Up) = (0.80 \times 0.60) + (0.20 \times 0.40) \)
\( P(Up) = 0.48 + 0.08 = 0.56 \) 即 56%。

小貼士：

將全機率法則視為一種加權平均數。你實際上是用每一種情境發生的機率，對該情境下的結果進行加權。

3. 概率樹 (Probability Trees)

如果你覺得公式很難記，概率樹將會是你最好的朋友！概率樹是所有可能結果的視覺化地圖，對於處理連續性事件（一件接一件發生的事情）特別有用。

如何繪製概率樹：

1. 根節點： 從左側的一個點開始。
2. 分支： 為第一組可能性畫線（例如：繁榮 vs. 衰退）。在每個分支上標註機率。
3. 節點： 在這些分支的末端，為下一組可能性畫出新的分支（例如：股價上漲 vs. 下跌）。
4. 加總為 1 的法則： 任何單一節點引出的所有分支機率，總和必須等於 1.0 (100%)。

如何使用概率樹進行計算：

- 求聯合機率（路徑終點）： 將路徑上的機率相乘。（口訣：「且」= 乘法）。
- 求總機率： 將導向目標結果的所有路徑之聯合機率相加。（口訣：「或」= 加法）。

你知道嗎？
概率樹被廣泛應用於「決策分析」。大型企業在決定是否推出新產品時，會利用它來規劃研發過程各階段的成功與失敗機率。

4. 貝氏定理 (Bayes' Formula)

貝氏定理通常是學生感到最卡關的部分，但它其實只是我們已學內容的延伸。貝氏定理能讓我們反轉條件。它幫助我們回答：「已知股價上漲了，我們現在處於經濟繁榮期的機率是多少？」

概念：
你從一個初始信念（先驗機率 Prior Probability）開始，當新資訊出現後，你更新你的信念以獲得新的機率（後驗機率 Posterior Probability）。

公式：
\( P(Event | Information) = \frac{P(Information | Event)}{P(Information)} \times P(Event) \)

貝氏定理步驟：
1. 找出你的先驗機率：\( P(Event) \)
2. 找出概似機率（或稱可能性）：\( P(Information | Event) \)
3. 計算資訊的總機率：\( P(Information) \)
4. 代入公式以求得後驗機率。

避免常見錯誤：

學生經常搞混 \( P(A|B) \) 和 \( P(B|A) \)。請記住：垂直線 \( | \) 代表「在...的前提下」。\( P(Rain | Clouds) \) 是多雲時下雨的機率；而 \( P(Clouds | Rain) \) 則是下雨時多雲的機率（這幾乎是 100%！）。它們是完全不同的兩回事！

5. 總結與快速複習

你已經學了很多內容！這是本章的「小抄」：

  • 條件期望： 若滿足特定條件，我們預期會發生的平均結果。
  • 全機率法則： 將複雜機率拆解為加權情境，以得出「全局觀」。
  • 概率樹： 一種視覺化地圖，路徑內進行乘法，不同路徑的結果進行加法。
  • 貝氏定理： 根據新證據，將「先驗」信念更新為「後驗」信念的數學方法。

最後的鼓勵：
量化分析（Quantitative Methods）可能看起來數學很重，但它其實只是一種整理邏輯的方法。當你看到應用題時，試著先畫一個概率樹。通常，視覺化圖表會在你的計算機敲出答案前，就已經幫你揭示了答案！