2. 概率基础回顾
在金融建模中，概率不是抽象数学符号，而是对不确定性定价、风险计量与决策优化的语言。无论你是在校准违约概率、评估VaR置信水平，还是构建贝叶斯信用更新框架，底层都依赖同一套概率论核心概念。本节将系统回顾概率论关键工具，并说明它们在金融中的真实落点。
一、核心原理：概率、条件概率与独立性
概率是对随机事件发生可能性的量化，满足非负性、规范性与可加性。金融中常见的概率解释包括频率派（历史违约率）与贝叶斯派（主观置信度），两者在模型校准中各有适用场景。
条件概率刻画在已知信息下事件发生的概率：P(A|B)=P(A∩B)/P(B)。金融中大量问题本质是条件概率问题，例如“在利率上升条件下，某债券违约的概率是多少”。
独立性指P(A∩B)=P(A)P(B)。需要警惕的是，金融资产收益在极端行情下往往呈现尾部相依，简单假设独立会严重低估组合风险。
二、贝叶斯定理：金融中的信息更新引擎
贝叶斯定理是条件概率的直接推论：P(A|B)=P(B|A)P(A)/P(B)。它提供了一种“先验+证据→后验”的更新机制，在金融中应用极广。
- 信用风险：先验违约率结合财务预警信号，更新企业后验违约概率。
- 欺诈检测：先验欺诈率结合交易行为特征，计算实时欺诈概率。
- 模型校准：将专家先验与市场数据结合，缓解小样本下的过拟合。
贝叶斯更新的核心价值在于：它让概率不再是静态数字，而是随新信息持续演化的动态信念。
三、常见概率分布及其金融应用
不同金融变量服从不同分布，选错分布会直接导致校准失效。下表梳理了核心分布与典型场景。
| 分布 | 类型 | 金融应用场景 | 关键参数 |
|---|---|---|---|
| 正态分布 | 连续 | 资产收益率近似、VaR基础假设 | 均值μ、标准差σ |
| 对数正态分布 | 连续 | 股票价格、资产价值建模 | μ、σ（对数尺度） |
| 泊松分布 | 离散 | 违约事件计数、操作风险事件频次 | 强度λ |
| 二项分布 | 离散 | 组合中违约个数、信用评级迁移 | 试验数n、概率p |
| 指数分布 | 连续 | 违约时间间隔、生存分析 | 速率λ |
| t分布 | 连续 | 厚尾收益、极端风险度量 | 自由度ν |
四、案例与场景：从公式到业务决策
假设某银行需要评估一笔企业贷款的一年期违约概率。历史数据显示该类企业基础违约率为2%，即先验P(D)=0.02。现在引入一个财务预警信号：企业现金流恶化。已知违约企业中现金流恶化的比例为70%，即P(S|D)=0.70；正常企业中现金流恶化的比例为15%，即P(S|¬D)=0.15。
根据贝叶斯定理，后验违约概率为：
P(D|S) = P(S|D) * P(D) / [P(S|D)*P(D) + P(S|¬D)*P(¬D)]
= 0.70 * 0.02 / (0.70*0.02 + 0.15*0.98)
= 0.014 / (0.014 + 0.147)
≈ 0.087
结果显示，在观察到现金流恶化后，违约概率从2%上升到约8.7%。这一更新后的概率可直接输入预期损失模型：EL=PD×LGD×EAD，从而影响拨备与定价决策。
五、误区与复盘：概率校准中的常见陷阱
- 误区二：忽略基率。即使信号很强，若先验违约率极低，后验概率仍可能不高。基率忽视是信用评分中的经典错误。
- 误区三：滥用正态假设。金融尾部事件频发，正态分布会系统性低估极端损失，导致置信度评估过于乐观。
- 误区四：把相关当因果。两个风险因子统计相关，不代表存在因果传导，模型解释需谨慎。
复盘要点：概率校准不是一次性计算，而是“先验设定→数据估计→后验更新→回测验证”的闭环。每次更新后都应检查后验是否合理，并用历史违约数据做校准曲线检验。只有持续迭代，概率模型才能真正支撑金融决策的置信度评估。