第3章贝叶斯决策理论

3、贝叶斯决策理论：先验与后验概率、损失函数、贝叶斯风险最小化

贝叶斯决策理论，说白了就是一套「怎么在信息不全的情况下做最优选择」的数学框架。我当年刚接触量化交易时，总觉得这玩意儿太理论，直到有一次做期权定价模型，发现市场波动率根本没法精确预测——这时候才意识到，贝叶斯方法才是真正的救命稻草。

你想想看，我们做任何决策，本质上都是在赌。赌明天的股价涨跌，赌某个策略能不能赚钱。贝叶斯决策理论给了我们一套严谨的数学工具，让我们能把「赌」变成「算」。

先验概率，就是你在看到任何新数据之前，对某个事件发生概率的初始判断。比如，我根据历史数据判断，明天A股上涨的概率是55%。这个55%就是先验概率。

后验概率呢？就是当你看到新信息后，对先验概率的修正。比如，今天收盘后出了个降准的利好消息，那我就会把明天上涨的概率从55%上调到70%。这个70%就是后验概率。

贝叶斯公式就是连接先验和后验的桥梁：

P(A|B) = P(B|A) * P(A) / P(B)

其中：
- P(A|B)：后验概率，看到新信息B后，事件A发生的概率
- P(A)：先验概率，看到新信息前，事件A发生的概率
- P(B|A)：似然度，事件A发生时，观察到信息B的概率
- P(B)：证据因子，信息B出现的总概率

核心理解：后验概率 = 先验概率 × 似然度 / 证据因子。说白了，就是用新数据去「校准」你原来的判断。

我在项目中遇到过这样一个场景：做高频交易的信号识别，需要判断某个价格异动是「真信号」还是「噪音」。先验概率设为30%（历史统计），然后每来一个新数据点，就用贝叶斯公式更新一次。嗯，效果比单纯用阈值判断好得多。

有了概率，还不够。你还需要知道「做错决策的代价」。这就是损失函数登场的时候了。

损失函数，量化了「你猜错了」的惩罚力度。在量化交易里，常见的损失函数有：

损失函数类型	公式	适用场景	我的经验
0-1损失	L(y, ŷ) = 0 if y=ŷ else 1	分类问题	简单粗暴，但不够精细
平方损失	L(y, ŷ) = (y-ŷ)²	回归问题	对异常值敏感，慎用
绝对损失	L(y, ŷ) = \|y-ŷ\|	鲁棒回归	我常用这个，抗噪能力强
自定义损失	根据业务定义	量化交易	最实用，但需要仔细设计

我的建议：别盲目用教科书上的标准损失函数。在量化交易里，我习惯把「滑点成本」和「资金占用成本」直接编码进损失函数里。这样模型自己就会学会避开高成本的交易。

好，现在我们有概率了，也有损失函数了。下一步就是：怎么选一个决策，让「期望损失」最小？

贝叶斯风险，就是所有可能状态下，你采取某个决策的期望损失。贝叶斯风险最小化，就是选那个让期望损失最小的决策。

数学上长这样：

贝叶斯风险 R(δ) = ∫ L(θ, δ(x)) * p(θ|x) dθ

其中：
- δ(x)：基于数据x做出的决策
- L(θ, δ(x))：真实状态为θ时，决策δ(x)的损失
- p(θ|x)：后验概率分布
- 积分是对所有可能的θ求和

说白了，就是「把每个可能状态下的损失，用后验概率加权平均，然后选那个平均损失最小的决策」。

一句话总结：贝叶斯决策 = 后验概率 × 损失函数 → 选期望损失最小的那个。

我曾经犯过一个错误：在做策略回测时，直接用历史最优参数去预测未来。结果实盘亏得很惨。后来才明白，这就是忽略了贝叶斯风险——你选的参数虽然历史表现好，但未来状态的不确定性很大，期望损失其实很高。

下面这张图，把贝叶斯决策理论的整体逻辑串起来了。我建议你多看几遍，理解每个模块之间的关系。

避坑指南：我曾经在回测框架里直接用了「最小化历史损失」作为参数选择标准，结果过拟合得一塌糊涂。后来才意识到，贝叶斯风险最小化强调的是「期望损失」，不是「历史损失」。你想想看，历史已经发生了，未来才是我们要赌的。所以一定要用后验概率去加权，而不是简单的最小化历史误差。

在量化交易里，贝叶斯决策理论最常见的应用场景是：

我个人习惯在策略上线前，先跑一遍贝叶斯风险分析。如果某个参数组合的贝叶斯风险太高，哪怕它历史收益再漂亮，我也不会用。嗯，这个习惯帮我躲过了好几次「看起来很美」的坑。

一个小技巧：如果你觉得贝叶斯公式算起来太复杂，可以用「共轭先验」来简化计算。比如，用Beta分布作为二项分布的共轭先验，更新后验时只需要更新两个参数，非常方便。我在做A股涨跌预测时，就经常用Beta-Bernoulli模型，简单又高效。

最后说一句：贝叶斯决策理论不是万能的，但它给了我们一个「在不确定性中做决策」的数学框架。你想想看，金融市场里什么都是不确定的，但有了这个框架，至少你知道自己「为什么选这个决策」以及「这个决策的风险有多大」。这就够了。

公众号:蓝海资料掘金营，微信deep3321