2. 概率基础回顾
在搭建 Monte Carlo 模拟之前，必须牢固掌握概率论的核心构件。风险建模的本质是用数学语言描述不确定性，而随机变量与概率分布正是这门语言的基本词汇和语法。本节将系统回顾三类最常用的分布，并阐明它们在风险复核场景中的具体映射。
2.1 随机变量：不确定性的量化载体
随机变量（Random Variable）是将随机试验的结果映射为数值的函数。在风险建模中，我们关心的所有不确定因素——未来汇率、项目工期、违约损失——都可以抽象为随机变量。
| 类型 | 定义 | 风险建模示例 |
|---|---|---|
| 离散型 | 取值可数（有限或无限可列） | 信用评级迁移次数、操作风险损失事件频数 |
| 连续型 | 取值充满一个或多个区间 | 资产收益率、市场风险 VaR、项目完成时间 |
关键认知： Monte Carlo 模拟的核心工作就是生成大量符合指定分布的随机变量样本，然后用这些样本驱动风险指标的计算。没有随机变量，就没有模拟的“原料”。
2.2 概率分布：描述随机变量的行为模式
概率分布（Probability Distribution）完整描述了随机变量取值的可能性规律。在风险复核流程中，选择正确的分布形态直接决定了模拟结果的可靠性。以下三种分布是 Monte Carlo 建模的基石。
2.2.1 均匀分布（Uniform Distribution）
均匀分布是最简单的连续分布，在区间 [a, b] 内所有值的概率密度相等。其概率密度函数为：
f(x) = 1 / (b - a), a ≤ x ≤ b
f(x) = 0, 其他- 风险建模意义： 用于表示“完全无知”或“等可能”场景，例如：审计抽样中每笔交易被选中的概率相同；参数敏感性分析中对输入参数在已知范围内无偏好假设。
- Monte Carlo 角色： 均匀分布是随机数生成器的底层基础——所有其他分布的随机样本都通过均匀分布 U(0,1) 经逆变换法或接受-拒绝法转换得到。
2.2.2 正态分布（Normal Distribution）
正态分布是自然界和金融领域最常见的分布，由均值 μ 和标准差 σ 完全决定。其概率密度函数为：
f(x) = (1 / (σ√(2π))) · exp(-(x-μ)² / (2σ²))- 风险建模意义： 适用于大量独立微小因素叠加的变量，如：市场风险中的股票日收益率、操作风险中的流程偏差、信用风险中的债务人资产价值变化。
- 重要局限： 正态分布尾部较薄，无法捕捉极端风险（肥尾效应）。在风险复核中，若数据呈现明显尖峰肥尾，应优先考虑 t 分布或混合分布。
常见误区： 许多风险分析师默认将所有输入变量假设为正态分布。在 Monte Carlo 复核中，必须通过 Kolmogorov-Smirnov 检验或 Q-Q 图验证正态性假设，否则模拟结果可能严重低估尾部风险。
2.2.3 三角分布（Triangular Distribution）
三角分布由最小值 a、最可能值 m、最大值 b 三个参数定义，形状为三角形。其概率密度函数为分段线性函数：
f(x) = 2(x - a) / ((b - a)(m - a)), a ≤ x ≤ m
f(x) = 2(b - x) / ((b - a)(b - m)), m ≤ x ≤ b- 风险建模意义： 在数据稀缺但专家经验丰富的场景中极为实用。例如：项目工期估算（乐观时间、最可能时间、悲观时间）、单一损失事件的严重程度估计、新业务线的收入预测。
- 优势： 参数直观、易于向业务部门解释；能自然体现偏态（左偏或右偏），比均匀分布更贴近现实。
2.3 三种分布对比与选择指南
| 维度 | 均匀分布 | 正态分布 | 三角分布 |
|---|---|---|---|
| 参数数量 | 2（a, b） | 2（μ, σ） | 3（a, m, b） |
| 数据需求 | 低（仅需范围） | 高（需均值和方差） | 中（需三点估计） |
| 尾部行为 | 无尾部（截断） | 薄尾（指数衰减） | 无尾部（截断） |
| 偏态支持 | 否（对称） | 否（对称） | 是（可左偏/右偏） |
| 适用场景 | 无信息先验、敏感性分析 | 大样本、中心极限定理适用 | 专家判断、数据稀疏 |
2.4 分布选择在风险复核中的决策流程
下图展示了在风险复核流程中，如何根据数据可得性和业务特征选择概率分布：
2.5 概率分布与 Monte Carlo 模拟的衔接
在风险复核流程中，概率分布的选择直接决定了 Monte Carlo 模拟的输入质量。以下是分布参数与模拟步骤的对应关系：
- 参数校准： 根据历史数据或专家判断，确定分布的具体参数（如正态分布的 μ 和 σ）。
- 随机数生成： 使用伪随机数生成器产生 U(0,1) 均匀分布样本。
- 逆变换采样： 通过累积分布函数的逆函数，将均匀样本转换为目标分布样本。
- 模拟运行： 将生成的样本代入风险计算模型，重复 N 次（通常 10,000~100,000 次）。
- 结果聚合： 对 N 次模拟结果进行统计分析，输出风险指标（均值、分位数、VaR 等）。
实践要点： 在风险复核中，建议对每个关键输入变量至少尝试两种不同的分布假设（例如正态 vs. t 分布，或三角 vs. 均匀），通过对比模拟结果的差异来评估模型对分布假设的敏感性。若结果差异超过业务容忍阈值，则需要进一步收集数据或引入更复杂的分布形式。