2、概率论基础复习：概率空间、随机变量、分布函数、期望、方差、协方差、条件概率与条件期望、独立性
金融价格建模的核心任务，是用数学语言刻画“不确定性”。无论是股票价格的连续复利收益率、期权到期损益，还是投资组合的VaR（在险价值）度量，其底层逻辑都建立在概率论的公理体系之上。本章并非简单罗列公式，而是从测度论视角重新梳理概率论的核心概念，帮助您建立从“随机事件”到“随机过程”的思维桥梁。我们将重点厘清条件期望这一贯穿随机过程始终的工具，并辨析独立性与不相关性在金融数据中的本质区别。
2.1 概率空间：不确定性的公理化基石
核心原理
概率空间由三元组 (Ω, F, P) 构成。其中 Ω 是样本空间，包含所有可能的基本结果；F 是 Ω 上的 σ-代数（事件域），要求对可数并、补集运算封闭；P 是定义在 F 上的概率测度，满足非负性、规范性（P(Ω)=1）和可列可加性。在金融建模中，Ω 可理解为未来所有可能的价格路径集合，F 则代表“在某一时刻所能获知的信息集合”（信息流）。
Ω 是所有连续价格路径，F 是由价格历史生成的信息流，P 是真实世界概率测度（或风险中性测度 Q）。
判断方法与操作流程
在实际建模中，验证一个概率空间是否合理，通常遵循以下步骤：
- 明确样本空间：列出所有可能的状态。例如，对于单期二叉树模型，
Ω = {上涨, 下跌}。 - 构造事件域：确定哪些事件是“可观测”的。对于离散有限样本空间，通常取
F = 2^Ω（幂集）。 - 定义概率测度：为每个基本事件赋予非负权重，并确保总和为 1。在风险中性定价中，
P被替换为等价鞅测度Q。
案例拆解：单期二叉树模型
假设某股票当前价格 S₀ = 100，一年后可能上涨至 110（概率 0.6）或下跌至 90（概率 0.4）。则：
Ω = {110, 90}，F = {∅, {110}, {90}, Ω}。- 概率测度
P({110}) = 0.6，P({90}) = 0.4。 - 该概率空间完整描述了价格不确定性。若引入无风险利率
r = 5%，可进一步求解风险中性概率q，使得S₀ = (q·110 + (1-q)·90)/(1+r)。
2.2 随机变量与分布函数：从事件到数值
核心原理
随机变量 X 是定义在样本空间 Ω 上的实值可测函数 X: Ω → ℝ。它把随机试验的结果映射为数值，从而便于数学处理。分布函数 F(x) = P(X ≤ x) 是随机变量的“身份证”，它完整刻画了 X 的概率分布。对于连续型随机变量，存在概率密度函数 f(x) 使得 F(x) = ∫₋∞ˣ f(t)dt。
| 类型 | 分布函数特征 | 金融应用示例 |
|---|---|---|
| 离散型 | 阶梯函数，跳跃点对应概率质量 | 违约次数（泊松分布）、信用评级迁移 |
| 连续型 | 连续，存在密度函数 | 对数收益率（正态/学生t分布）、波动率（对数正态） |
| 奇异型 | 连续但不可导（极少见） | 某些分形模型中的极端情形 |
操作流程：从数据到分布函数
- 收集金融资产的历史收益率数据
{r₁, r₂, ..., rₙ}。 - 对数据排序，计算经验分布函数
F̂(x) = (1/n) · Σᵢ 1{rᵢ ≤ x}。 - 通过 QQ 图、JB 检验（Jarque-Bera）等方法判断是否服从正态分布，或选择更合适的分布（如 t 分布、广义双曲线分布）。
2.3 期望、方差与协方差：数字特征与风险度量
核心原理
期望 E[X] 是随机变量的加权平均，反映“平均位置”；方差 Var(X) = E[(X-E[X])²] 度量离散程度，在金融中对应风险（波动率平方）；协方差 Cov(X,Y) = E[(X-E[X])(Y-E[Y])] 刻画两个变量的线性关联方向与强度。相关系数 ρ = Cov(X,Y) / (σₓ·σᵧ) 将协方差标准化到 [-1, 1] 区间。
案例拆解：两资产组合的风险分散
假设资产 A 的期望收益 E[Rₐ] = 8%，标准差 σₐ = 20%；资产 B 的期望收益 E[Rᵦ] = 12%，标准差 σᵦ = 30%。权重各 50%，相关系数 ρ = -0.3。
- 组合期望收益：
E[Rₚ] = 0.5×8% + 0.5×12% = 10%。 - 组合方差：
σₚ² = 0.5²×0.2² + 0.5²×0.3² + 2×0.5×0.5×(-0.3)×0.2×0.3 = 0.01 + 0.0225 - 0.009 = 0.0235。 - 组合标准差：
σₚ = √0.0235 ≈ 15.3%，低于两个资产标准差的加权平均25%，体现了分散化效应。
Y = X² 且 X 关于 0 对称分布时，Cov(X, Y) = 0，但 X 与 Y 显然不独立。在金融中，资产收益率的非线性关联（如尾部相依）需要 Copula 等工具刻画。
2.4 条件概率、条件期望与独立性：信息更新的数学语言
核心原理
条件概率 P(A|B) = P(A∩B)/P(B)（当 P(B) > 0）表示在事件 B 发生的条件下 A 的概率。条件期望 E[X|G] 是给定信息集 G 下对 X 的最优预测（最小均方误差意义下）。独立性定义为 P(A∩B) = P(A)P(B)，等价于 P(A|B) = P(A)（当 P(B) > 0）。
条件期望具有几个关键性质，在随机过程理论中至关重要：
- 塔性质（迭代期望定律）：若
G₁ ⊆ G₂，则E[E[X|G₂]|G₁] = E[X|G₁]。特别地，E[E[X|G]] = E[X]。 - 线性性：
E[aX + bY|G] = aE[X|G] + bE[Y|G]。 - 可测函数“提取”：若
Z是G-可测的，则E[ZX|G] = Z·E[X|G]。
判断方法与操作流程
在金融建模中，判断两个事件或变量是否独立，通常采用以下流程：
- 理论分析：根据经济逻辑判断。例如，不同公司的违约事件通常假设条件独立（给定宏观经济因子）。
- 统计检验：计算样本相关系数，并检验是否显著不为零。但需注意，相关系数为零不意味着独立。
- Copula 方法：当需要刻画非线性相依时，使用 Copula 函数分离边际分布与相依结构。
案例拆解：条件期望在 GARCH 模型中的应用
在金融波动率建模中，GARCH(1,1) 模型假设收益率 rₜ 满足：
rₜ = μ + εₜ
εₜ = σₜ · zₜ, zₜ ~ i.i.d. N(0,1)
σₜ² = ω + α·εₜ₋₁² + β·σₜ₋₁²这里，σₜ² 实际上是 εₜ² 在给定信息集 Fₜ₋₁（截至 t-1 时刻的所有历史信息）下的条件期望：σₜ² = E[εₜ²|Fₜ₋₁]。这一条件期望刻画了波动率的时变性与聚集效应（大波动后往往跟随大波动）。
E[Y|X]。理解其性质（如塔性质）有助于设计多步预测策略，避免信息重复使用导致的过拟合。
常见误区与复盘
- 误区一： 将“不相关”等同于“独立”。如前所述，非线性关系可能产生零协方差。在风险管理中，若仅依赖线性相关系数，可能严重低估极端市场条件下的尾部风险。
- 误区二： 混淆条件概率与联合概率。在信用风险建模中，
P(A违约 | B违约)与P(A违约 ∩ B违约)含义不同，后者是联合违约概率，常用于 CDO（债务抵押债券）定价。 - 误区三： 忽视条件期望的 σ-代数依赖性。在随机过程（如鞅）中，条件期望必须明确“相对于哪个信息集”。改变信息集，条件期望的值会改变。