4. 参数估计入门
在金融概率预测中，我们经常先假设收益率、违约率或波动率服从某个分布，例如正态分布、泊松分布或指数分布。但分布中的参数通常未知，例如正态分布的均值 μ 与方差 σ²、指数分布的速率 λ。参数估计的任务，就是利用样本数据反推出这些未知参数，为后续的置信区间、假设检验和风险度量提供基础。
一、核心原理：点估计与估计量
点估计是用一个具体数值作为未知参数的估计值。设总体参数为 θ，从总体中抽取样本 X₁, X₂, …, Xₙ，构造统计量 θ̂ = g(X₁, X₂, …, Xₙ)，则 θ̂ 称为 θ 的点估计量，代入具体样本后得到的数值称为点估计值。金融场景中，用样本均值估计预期收益率、用样本方差估计收益波动率，都是典型的点估计。
评价一个估计量优劣，最常用的两个标准是无偏性与有效性。无偏性要求 E(θ̂) = θ，即估计量在反复抽样下平均而言不偏离真值；有效性则在无偏估计量之间比较方差，方差越小，估计越集中、越有效。若一个无偏估计量在所有无偏估计量中方差最小，则称为最小方差无偏估计。
关键区分：无偏性描述“平均是否命中”，有效性描述“波动是否更小”。一个估计量可以无偏但方差很大，也可以方差很小但有系统偏差。金融风控中，偏差可能带来系统性低估风险，而方差过大则导致模型结果不稳定。
二、方法流程：矩估计与极大似然估计
矩估计法思想朴素：用样本矩替换总体矩。若总体分布含 k 个未知参数，就建立前 k 阶总体矩与参数的方程，再用样本矩代入求解。例如总体均值 μ 的一阶矩估计就是样本均值，总体方差 σ² 的二阶中心矩估计通常为样本二阶中心矩。
矩估计一般步骤：
1. 写出总体矩 E(X^r) 关于参数 θ 的表达式；
2. 令总体矩等于对应样本矩；
3. 解方程组，得到参数的矩估计量。
示例：指数分布 Exp(λ)，E(X)=1/λ
令 1/λ = x̄，则 λ̂ = 1/x̄极大似然估计（MLE）则从“哪个参数最可能产生当前样本”出发。先写出似然函数 L(θ) = ∏ f(xᵢ; θ)，再取对数得到对数似然 ℓ(θ)，最后求导并令其为零，解出 θ̂。MLE 在金融中应用极广，例如用历史收益率估计正态分布参数、用违约事件数估计泊松强度。
正态分布 N(μ, σ²) 的 MLE：
ℓ(μ, σ²) = -n/2 ln(2πσ²) - 1/(2σ²) Σ(xᵢ-μ)²
对 μ 求导：μ̂ = x̄
对 σ² 求导：σ̂² = 1/n Σ(xᵢ-x̄)²
注意：σ² 的 MLE 分母为 n，是有偏的；
样本方差分母为 n-1，才是无偏估计。三、案例场景：金融收益率参数估计
假设某基金过去 10 个交易日的日收益率（%）为：0.8, -0.5, 1.2, 0.3, -0.2, 0.6, 1.1, -0.4, 0.9, 0.2。若假设收益率服从正态分布，我们需要估计 μ 和 σ²。
| 估计目标 | 估计方法 | 估计结果 | 性质说明 |
|---|---|---|---|
| 均值 μ | 样本均值 | 0.40% | 无偏估计 |
| 方差 σ² | MLE（分母 n） | 0.294 | 有偏，偏小 |
| 方差 σ² | 样本方差（分母 n-1） | 0.327 | 无偏估计 |
| 标准差 σ | 样本标准差 | 0.572% | 非线性变换后略有偏 |
这个案例说明：同一个参数可能有多个估计量，选择时要同时考虑无偏性与有效性。对于小样本金融数据，方差估计的有偏问题尤其值得注意，因为它会直接影响 VaR、夏普比率等风险指标。
四、误区与复盘
- 误区一：把估计值当成真值。点估计只是样本的函数，换一组样本就会变化。金融预测中必须配合置信区间表达不确定性。
- 误区二：忽略估计量的有偏性。MLE 的方差估计分母为 n，小样本时系统性偏小，会低估风险。实务中常用 n-1 修正。
- 误区三：只看无偏性，不看有效性。两个无偏估计量可能方差差异巨大，方差大的估计量在实际决策中几乎不可用。
- 误区四：样本量过小仍强行估计。参数估计的优良性质多依赖大样本，金融数据若只有几十个观测，估计结果波动会非常大。
复盘建议：在金融概率预测项目中，先明确参数的业务含义，再选择估计方法；对关键参数同时报告点估计与区间估计；对小样本结果保持谨慎，必要时采用收缩估计或贝叶斯方法引入先验信息。
注意：无偏性与有效性是估计量的抽样性质，不是某一次估计结果的性质。评价估计量需要在重复抽样框架下理解，不能仅凭单次计算结果下结论。
掌握点估计、矩估计、极大似然估计以及无偏性与有效性，是从“描述数据”走向“推断总体”的关键一步。后续的置信区间建模，正是建立在点估计及其抽样分布之上的。