概率论基础：概率空间、σ-代数与条件期望
在金融衍生品定价中，我们经常听到“风险中性测度”“鞅”“等价测度变换”等概念。这些术语看似抽象，但它们的根基全部建立在概率论的三块基石之上：概率空间（描述随机试验的舞台）、σ-代数（描述信息随时间累积的结构）、条件期望（在给定信息下对随机变量的最优预测）。本章将系统梳理这三个核心概念，并特别强调它们如何为后续的测度变换（Radon-Nikodym 导数）与鞅定价（Martingale Pricing）提供语言和逻辑框架。
上图展示了本章三个核心概念与后续测度变换、鞅定价之间的逻辑关系。下面我们逐一深入展开。
2.1 概率空间：随机试验的完整描述
核心原理：概率空间是概率论的“宇宙”，它由三元组 (Ω, F, P) 构成。其中 Ω 是样本空间，包含随机试验所有可能的结果；F 是定义在 Ω 上的 σ-代数，即所有可测事件的集合；P 是概率测度，为每个事件赋予一个 [0,1] 区间内的概率值。在金融中，Ω 可以是股票价格的所有可能路径，F 是所有可观察事件（如“价格在 t 时刻超过 100 元”），P 则是我们主观或客观认定的价格概率分布。
判断方法与操作流程：构建一个概率空间通常遵循三步：第一步，明确样本空间 Ω，例如连续时间模型中 Ω = C([0,T])（所有连续函数空间）；第二步，构造 σ-代数 F，通常取 Borel σ-代数或由随机过程生成的 σ-代数；第三步，定义概率测度 P，需满足三条公理：非负性、规范性（P(Ω)=1）和可列可加性。在衍生品定价中，我们往往需要比较不同概率测度（如真实测度 P 与风险中性测度 Q），因此概率空间的框架是测度变换的“容器”。
2.2 σ-代数与信息流：动态决策的数学表达
核心原理：σ-代数 F_t 表示截至 t 时刻投资者所拥有的全部信息。它满足三个性质：包含空集、对补集封闭、对可列并封闭。更重要的是，随着时间推移，信息逐渐增加，形成滤过（Filtration）：F_s ⊆ F_t（s < t）。在金融中，F_t 通常由资产价格的历史路径生成，即 F_t = σ(S_u : 0 ≤ u ≤ t)，表示我们只知道过去和现在的价格，无法预知未来。
操作流程与判断方法：在实际建模中，我们需要验证一个随机过程是否适应（adapted）于滤过，即过程在 t 时刻的值必须是 F_t-可测的。这保证了我们做决策时只使用当时可用的信息。例如，交易策略的持仓量 θ_t 必须适应于 F_t，否则就存在“偷看未来”的套利机会。σ-代数的精细程度决定了信息的粒度——F_t 越细，代表信息越丰富，条件期望的预测误差越小。
| σ-代数性质 | 数学表达 | 金融含义 |
|---|---|---|
| 单调性 | F_s ⊆ F_t (s<t) | 信息随时间累积，不丢失 |
| 适应性 | X_t 是 F_t-可测 | 决策仅依赖当前及历史信息 |
| 停时 | {τ ≤ t} ∈ F_t | 事件“τ 时刻前发生”在 t 时刻已知 |
| 可料性 | X_t 是 F_{t-}-可测 | 用于交易策略，避免瞬时信息 |
2.3 条件期望：在信息约束下的最优预测
核心原理：条件期望 E[X|G] 是随机变量 X 在给定子 σ-代数 G 下的“最佳预测”。它本身是一个随机变量（因为 G 中的信息不同，预测值也不同），且满足两个关键性质：（1）E[X|G] 是 G-可测的；（2）对任意 A ∈ G，有 ∫_A E[X|G] dP = ∫_A X dP。这两条性质定义了条件期望的唯一性（在几乎处处意义下）。
核心性质与操作流程：条件期望的五大性质是后续推导的利器——塔性质（E[E[X|G]|H] = E[X|H]，当 H ⊆ G）、线性性、单调性、有界收敛定理、取出已知量（若 Y 是 G-可测，则 E[XY|G] = Y·E[X|G]）。在定价中，我们常用塔性质来推导鞅的迭代期望公式，例如：E[E[S_T|F_t]|F_s] = E[S_T|F_s]（s < t），这保证了价格预测的时间一致性。
2.4 案例拆解：从概率空间到条件期望的完整应用
场景设定：假设某股票当前价格 S₀ = 100 元，一年后有两种可能状态：上涨至 120 元（概率 60%）或下跌至 90 元（概率 40%）。我们构建概率空间：Ω = {ω_up, ω_down}，F = {∅, {ω_up}, {ω_down}, Ω}，P({ω_up}) = 0.6，P({ω_down}) = 0.4。现在考虑一个欧式看涨期权，执行价 K = 105 元，到期日 T = 1 年。
分析过程：首先，我们计算到期日收益 X = max(S_T - K, 0)。在 ω_up 状态下，X = 15 元；在 ω_down 状态下，X = 0 元。在真实测度 P 下，无条件期望 E[X] = 0.6×15 + 0.4×0 = 9 元。但如果我们引入一个信息事件——例如在 t=0.5 年时，公司发布盈利预警，将上涨概率修正为 30%——此时条件期望 E[X|G]（G 为预警信息）变为 0.3×15 = 4.5 元。这个条件期望是 G-可测的随机变量，在预警发生时取 4.5 元，在未预警时取另一个值。
结果与复盘：这个案例展示了条件期望如何随信息更新而变化。在风险中性定价中，我们会将真实概率 P 替换为风险中性概率 Q（使得贴现价格成为鞅），然后计算 E_Q[X|F_t]。假设无风险利率 r = 5%，风险中性概率 q 满足：100 = e^{-0.05} [q×120 + (1-q)×90]，解得 q ≈ 0.55。于是期权价格 = e^{-0.05} × [0.55×15 + 0.45×0] ≈ 7.85 元。这个价格与真实测度下的 9 元不同，体现了测度变换对定价的影响。
2.5 总结与常见误区
知识结构回顾：本章的核心逻辑链为：概率空间 (Ω,F,P) 提供了随机试验的完整描述 → σ-代数 F_t 刻画了随时间累积的信息流 → 条件期望 E[X|F_t] 是在给定信息下的最优预测 → 测度变换通过 Radon-Nikodym 导数将 P 转换为 Q → 在 Q 下贴现资产价格成为鞅，从而得到无套利定价公式。这一链条是后续所有章节的骨架。
| 概念 | 符号 | 关键性质 | 在定价中的角色 |
|---|---|---|---|
| 概率空间 | (Ω, F, P) | P(Ω)=1，可列可加 | 定义所有可能状态与概率 |
| σ-代数 | F_t | 单调递增，对补集/并封闭 | 表示 t 时刻信息集合 |
| 条件期望 | E[X|F_t] | 塔性质、线性、取出已知量 | 计算未来收益的预测值 |
| 鞅 | M_t | E[M_T|F_t] = M_t | 贴现价格在 Q 下满足此性质 |
常见误区与风险提示：误区一：认为 σ-代数越大越好。实际上，过大的 σ-代数可能导致条件期望失去意义（如包含不可测集）。误区二：混淆“可测性”与“适应性”。可测性是对单个随机变量而言，适应性是对随机过程相对于滤过的整体要求。误区三：在计算条件期望时忘记其随机性，错误地将其当作常数处理。误区四：忽略测度变换的等价性要求——P 和 Q 必须具有相同的零测集，否则 Radon-Nikodym 导数不存在。