2、概率论基础：随机变量、概率分布（正态、对数正态、均匀、三角等）、期望与方差、分位数与VaR
蒙特卡洛模拟的本质，是通过大量随机抽样来逼近一个复杂系统的真实行为。而抽样的“原料”正是概率论中的随机变量及其分布。如果分布设定错误，再精密的模拟也只是“垃圾进，垃圾出”。本章将系统梳理风险管理中必须掌握的概率论核心概念，重点聚焦于正态、对数正态、均匀、三角分布的特性与适用场景，并深入解析期望、方差、分位数与VaR（在险价值）之间的内在逻辑。
2.1 随机变量：风险建模的“输入语言”
随机变量是蒙特卡洛模拟中最基本的抽象单元。它不是某一个具体的数值，而是描述一个不确定事件所有可能结果的函数映射。在风险管理中，我们通常关注两类随机变量：离散型随机变量（如违约次数、评级迁移次数）和连续型随机变量（如资产收益率、利率变动、操作风险损失金额）。
在蒙特卡洛框架下，随机变量的选择直接决定了模拟的维度与复杂度。例如，在信用风险模型中，我们可能需要同时模拟多个债务人的资产价值变化，此时每个债务人的资产收益率就是一个随机变量，且变量之间存在相关性。随机变量的核心作用在于：将现实世界的不确定性转化为可计算的数学对象。
2.2 概率分布：风险因子的“行为画像”
概率分布描述了随机变量取各个可能值的概率规律。在风险管理中，选择正确的分布形态比追求复杂的数学推导更为重要。以下是四种最常用的分布及其适用场景：
| 分布类型 | 概率密度函数特征 | 典型应用场景 | 参数说明 |
|---|---|---|---|
| 正态分布 | 对称钟形，均值=中位数=众数 | 股票收益率（近似）、市场风险因子、大样本均值 | μ（均值）、σ（标准差） |
| 对数正态分布 | 右偏，取值恒大于0 | 资产价格、利率、商品价格、损失金额 | μ_ln、σ_ln（对数均值与标准差） |
| 均匀分布 | 矩形，区间内概率相等 | 参数不确定、无信息先验、随机数生成 | a（下限）、b（上限） |
| 三角分布 | 三角形，有明确最小值、最可能值、最大值 | 专家估计、项目成本、操作风险频率 | min、most likely、max |
2.2.1 正态分布：市场风险的基础假设
正态分布是蒙特卡洛模拟中最常见的分布。其概率密度函数为：
f(x) = (1 / (σ√(2π))) · e^(-(x-μ)² / (2σ²))在风险管理中，正态分布的核心价值在于其可加性：多个独立正态分布随机变量的和仍然服从正态分布。这使得组合风险的计算变得简便。然而，实际金融市场中的收益率往往具有“厚尾”特征，即极端事件发生的概率高于正态分布的预测。因此，在VaR计算中，直接使用正态分布可能会低估尾部风险。
2.2.2 对数正态分布：资产价格的天然选择
对数正态分布描述的是：如果一个随机变量的自然对数服从正态分布，则该变量本身服从对数正态分布。其关键特性是取值恒为正，这与资产价格、利率等风险因子的实际约束高度吻合。在几何布朗运动模型中，资产价格S_t被假设为：
dS_t = μ·S_t·dt + σ·S_t·dW_t该模型的解析解表明，S_t服从对数正态分布。在蒙特卡洛模拟中，我们通常直接对收益率进行抽样，然后通过指数变换得到价格路径：
S_t = S_0 · exp((μ - σ²/2)·t + σ·√t·Z)其中Z为标准正态随机数。这一公式是期权定价和风险模拟中最常用的路径生成方法。
2.2.3 均匀分布与三角分布：专家判断的量化工具
均匀分布在蒙特卡洛中扮演两个角色：一是作为随机数生成的基础（通过逆变换法从均匀分布生成其他分布）；二是用于描述“完全不确定”的参数。例如，在操作风险模型中，如果对某类损失频率没有历史数据，可以假设其在合理区间内均匀分布。
三角分布则更适合专家判断场景。当专家能够给出最乐观、最悲观和最可能的估计时，三角分布能够以简单的形式捕捉这种主观概率判断。其概率密度函数为：
f(x) = 2(x-min) / ((max-min)(mode-min)) (min ≤ x ≤ mode)
f(x) = 2(max-x) / ((max-min)(max-mode)) (mode ≤ x ≤ max)三角分布的优势在于直观、参数少、易于向非技术背景的业务人员解释，在项目风险管理（如成本估算、工期估算）中应用广泛。
2.3 期望与方差：风险度量的第一性原理
期望（Expected Value）是随机变量所有可能取值的概率加权平均，反映了风险因子的“中心趋势”。方差（Variance）则度量了随机变量围绕期望的离散程度，其平方根为标准差（Standard Deviation），是风险大小的最直观度量。
在蒙特卡洛模拟中，期望和方差的计算具有特殊意义：
- 期望值：模拟N次后，所有模拟结果的算术平均值即为期望的估计值。根据大数定律，当N足够大时，该估计值收敛于真实期望。
- 方差：模拟结果的样本方差反映了模型输出的不确定性。方差越大，说明模拟结果的波动越大，需要更多的模拟次数才能获得稳定的估计。
- 标准误：标准误 = σ / √N，它衡量了蒙特卡洛估计量的精度。当需要将估计误差控制在某个范围内时，可以通过该公式反推所需的模拟次数。
2.4 分位数与VaR：尾部风险的量化语言
分位数（Quantile）是概率分布的“位置指标”。对于置信水平α（如95%、99%），α分位数表示随机变量有α的概率小于或等于该值。在风险管理中，VaR（Value at Risk，在险价值）正是基于分位数定义的：
VaR_α = -Q_α(L)其中L为组合损失（正数表示损失），Q_α(L)为损失分布的α分位数。例如，95%置信水平下的VaR为100万元，意味着有95%的把握认为未来一段时间内的损失不会超过100万元，或者说损失超过100万元的概率仅为5%。
2.4.1 VaR的蒙特卡洛计算流程
- 风险因子建模：确定影响组合价值的市场变量（如利率、汇率、股价），并设定其概率分布及相关系数。
- 场景生成：根据设定的分布，生成N组风险因子的随机场景（如10,000组）。
- 组合估值：对每个场景，重新计算组合的价值，得到N个组合损益值。
- 损失排序：将损益值从小到大排序，形成经验分布。
- 分位数提取：找到对应置信水平的分位数，即为VaR估计值。
| 置信水平 | 分位数含义 | VaR含义 | 风险管理用途 |
|---|---|---|---|
| 95% | 第5百分位数 | 有95%把握损失不超过该值 | 日常风险监控、限额设定 |
| 99% | 第1百分位数 | 有99%把握损失不超过该值 | 监管资本计算（巴塞尔协议） |
| 99.9% | 第0.1百分位数 | 极端情况下的最大损失 | 压力测试、极端风险准备 |
2.4.2 案例：基于蒙特卡洛的股票组合VaR计算
背景：某资产管理公司持有一个包含两只股票的组合：股票A（权重60%）和股票B（权重40%）。当前股价分别为A=100元、B=50元。需要计算未来10天的95% VaR。
关键参数：
- 股票A日收益率：μ_A=0.05%，σ_A=1.5%
- 股票B日收益率：μ_B=0.03%，σ_B=1.2%
- 相关系数ρ_AB=0.3
- 模拟次数：10,000次
分析过程：
# 步骤1：生成两个独立标准正态随机数 Z1, Z2
# 步骤2：引入相关性
Z_A = Z1
Z_B = ρ·Z1 + √(1-ρ²)·Z2
# 步骤3：计算10天收益率
R_A_10d = (μ_A - 0.5·σ_A²)·10 + σ_A·√10·Z_A
R_B_10d = (μ_B - 0.5·σ_B²)·10 + σ_B·√10·Z_B
# 步骤4：计算组合10天损益
Portfolio_Value = 0.6·100·e^(R_A_10d) + 0.4·50·e^(R_B_10d)
Loss = 100 - Portfolio_Value # 初始组合价值为100元
# 步骤5：重复10,000次，取Loss的95%分位数结果：模拟得到95% VaR约为8.2元，即组合在10天内损失超过8.2元的概率为5%。对比使用正态分布解析法得到的VaR（约7.5元），蒙特卡洛方法捕捉到了对数正态分布带来的右偏特征，因此给出了更保守的估计。
复盘经验：蒙特卡洛VaR的优势在于可以灵活处理非线性组合（如期权）、非正态分布和复杂相关性结构。但需要注意：模拟次数不足会导致VaR估计的置信区间过宽；随机数种子固定后，结果可复现但可能掩盖抽样误差。
2.5 常见误区与总结复盘
在蒙特卡洛模拟中应用概率论基础时，以下误区值得特别关注：
- 误区一：盲目假设正态分布。许多金融变量具有厚尾、偏态特征，直接使用正态分布会低估极端风险。建议先进行正态性检验（如Jarque-Bera检验），或使用t分布、混合分布等替代。
- 误区二：忽略参数不确定性。分布参数（如μ、σ）本身也是估计值，存在抽样误差。在模拟中可以使用“参数的不确定性分布”进行二次蒙特卡洛，即贝叶斯方法。
- 误区三：混淆VaR与期望损失。VaR只回答“最坏情况下的损失边界”，而ES回答“当损失超过VaR时，平均损失是多少”。在监管实践中，巴塞尔协议III已逐步转向ES。
- 误区四：模拟次数不足。如果模拟次数太少，尾部估计的方差会很大。建议至少10,000次，对于99.9%置信水平，可能需要100,000次以上。