2. 概率论基础回顾：随机变量、概率分布、期望与方差、大数定律与中心极限定理

在金融工程与风险管理中，Monte Carlo 模拟的核心在于用大量随机样本逼近真实系统的统计特征。理解概率论的基本概念是构建可靠预警模型的前提。本节将系统回顾随机变量、常见概率分布、数字特征以及两大极限定理，为后续的模拟与预警信号提取奠定数学基础。

2.1 随机变量与概率分布

随机变量是定义在样本空间上的实值函数，分为离散型和连续型两类。在金融风险建模中，资产收益率、违约次数、波动率等均可视为随机变量。

概率分布描述了随机变量取值的概率规律。以下三种分布在 Monte Carlo 模拟中最为常用：

• 正态分布：对称、钟形，由均值 μ 和标准差 σ 决定。金融中常用于建模资产对数收益率，也是中心极限定理的收敛目标。
• 均匀分布：在区间 [a, b] 内概率密度恒定。是生成其他分布随机数的“种子”分布，也是模拟中无先验信息时的默认假设。
• 指数分布：无记忆性，常用于建模事件间隔时间，如违约到达时间、交易指令间隔。

2.2 期望与方差

期望（均值）衡量随机变量的中心位置，方差衡量其离散程度。在 Monte Carlo 模拟中，样本均值与样本方差是估计真实期望与方差的基本统计量。

2.3 大数定律与中心极限定理

这两条定理是 Monte Carlo 模拟收敛性的理论基石，也是早期预警信号统计有效性的保证。

• 大数定律 (LLN)：当样本量 n → ∞ 时，样本均值依概率收敛于总体期望。它保证了模拟次数的增加能提高估计精度。
• 中心极限定理 (CLT)：当样本量 n 足够大时，样本均值的分布近似于正态分布，与原始总体分布无关。它允许我们构造置信区间，判断预警信号是否显著。

2.4 在 Monte Carlo 模拟中的应用要点

将上述概率论知识应用于早期预警信号模拟时，需注意以下工程要点：

1. 随机数生成：先通过均匀分布 U(0,1) 生成基础随机数，再通过逆变换法或 Box-Muller 法转换为目标分布。
2. 样本量选择：根据大数定律，样本量越大估计越准；根据中心极限定理，可计算所需样本量使置信区间宽度满足预警精度要求。
3. 分布假设检验：在模拟前应对历史数据进行正态性检验（如 Shapiro-Wilk 检验）或分布拟合检验，避免分布误设。
4. 方差缩减技术：当方差过大时，可使用对偶变量、控制变量等方法减少模拟方差，提高收敛速度。