3、大数定律与中心极限定理：为什么蒙特卡洛模拟会收敛？收敛速度有多快？

好，咱们接着聊。上一章我们搭好了蒙特卡洛模拟的架子，扔了十万次骰子，算出了π的近似值。你可能会问：凭什么我扔的次数越多，结果就越准？这背后有没有数学撑腰？

当然有。而且这两个定理，说白了就是蒙特卡洛模拟的“定海神针”。一个是大数定律，告诉你“会收敛”；另一个是中心极限定理，告诉你“收敛多快”。

我个人习惯，讲理论之前先讲直觉。你想想看，你抛一枚硬币，抛10次可能正面7次，但抛10000次，正面比例是不是就死死咬在50%附近？这就是大数定律在起作用。我在项目中遇到过不少新人，跑完1000次模拟就急着下结论，结果误差大得离谱。嗯，这就是没理解“收敛速度”这个概念。

3.1 大数定律：为什么模拟会收敛？

大数定律（Law of Large Numbers, LLN）讲的是：当样本量足够大时，样本均值会无限逼近总体均值。

用数学语言说：

设 X₁, X₂, ..., Xₙ 是独立同分布的随机变量，期望为 μ。
那么样本均值 X̄ₙ = (X₁ + X₂ + ... + Xₙ) / n
当 n → ∞ 时，X̄ₙ 依概率收敛到 μ。

说白了，你扔的骰子越多，平均结果就越接近理论期望值3.5。蒙特卡洛模拟就是靠这个吃饭的——我们用大量随机样本来逼近真实值。

这里有个坑，我曾经踩过。大数定律要求样本是独立同分布的。如果你在模拟中用了有偏的随机数生成器，或者样本之间存在相关性，那大数定律就不灵了。结果可能收敛到错误的值，你还浑然不觉。

3.2 中心极限定理：收敛速度有多快？

大数定律只说了“会收敛”，但没告诉我们“多快”。这时候中心极限定理（Central Limit Theorem, CLT）就登场了。

中心极限定理说：样本均值的分布，会随着样本量增大，趋近于正态分布。

更精确一点：

设 X₁, X₂, ..., Xₙ 独立同分布，期望 μ，方差 σ²。
那么样本均值 X̄ₙ 的标准化形式：
  Zₙ = (X̄ₙ - μ) / (σ / √n)
当 n → ∞ 时，Zₙ 的分布趋近于标准正态分布 N(0, 1)。

你想想看，这意味着什么？意味着我们可以用正态分布的性质，来量化蒙特卡洛模拟的误差。

具体来说，样本均值的标准差（也就是标准误）是：

SE = σ / √n

这里 σ 是总体标准差，n 是样本量。你看，收敛速度是 1/√n。也就是说，要想把误差减半，样本量需要变成原来的4倍。要想误差变成原来的十分之一，样本量需要变成100倍。

3.3 收敛速度的直观理解

咱们用个表格来感受一下这个“1/√n”的收敛速度有多慢：

样本量 n	标准误 SE (假设 σ=1)	误差缩小倍数
100	0.100	1x
1,000	0.032	3.16x
10,000	0.010	10x
100,000	0.003	31.6x
1,000,000	0.001	100x

看到了吗？从100到10000，样本量增加了100倍，误差才缩小了10倍。这就是为什么蒙特卡洛模拟在要求高精度时，计算量会变得非常恐怖。

3.4 知识体系：一张图看懂

下面我用一张SVG图，把这两个定理的关系和蒙特卡洛模拟的收敛逻辑串起来：

3.5 代码验证：用实验说话

光说不练假把式。咱们写段Python代码，直观感受一下收敛过程：

import numpy as np
import matplotlib.pyplot as plt

# 模拟抛硬币：正面=1，反面=0，期望值=0.5
np.random.seed(42)
n_trials = 100000
results = np.random.binomial(1, 0.5, n_trials)

# 计算累积均值
cumulative_mean = np.cumsum(results) / np.arange(1, n_trials + 1)

# 计算理论标准误
std_dev = 0.5  # 伯努利分布标准差
se = std_dev / np.sqrt(np.arange(1, n_trials + 1))

# 打印关键节点
for n in [100, 1000, 10000, 100000]:
    print(f"n={n:6d}: 均值={cumulative_mean[n-1]:.4f}, "
          f"理论值=0.5000, 误差={abs(cumulative_mean[n-1]-0.5):.4f}, "
          f"标准误={se[n-1]:.4f}")

输出结果：

n=   100: 均值=0.4900, 理论值=0.5000, 误差=0.0100, 标准误=0.0500
n=  1000: 均值=0.4970, 理论值=0.5000, 误差=0.0030, 标准误=0.0158
n= 10000: 均值=0.4995, 理论值=0.5000, 误差=0.0005, 标准误=0.0050
n=100000: 均值=0.5001, 理论值=0.5000, 误差=0.0001, 标准误=0.0016

你看，随着n增大，误差确实在缩小，而且缩小的速度跟标准误的下降速度基本一致。n从100到10000增加了100倍，误差从0.01降到了0.0005，大约缩小了20倍，接近√100=10倍的预期。

3.6 实际应用中的收敛判断

在量化风控实战中，我们怎么判断模拟是否收敛？我个人习惯用三个指标：

1. 标准误阈值：设定一个目标标准误，比如0.001，然后反推需要的样本量。
2. 置信区间宽度：用样本均值 ± 1.96×标准误构造95%置信区间，看区间宽度是否满足业务要求。
3. 稳定性检查：把样本分成若干块，看各块的均值是否稳定。如果波动很大，说明还没收敛。

举个例子，我在做VaR（风险价值）计算时，通常要求标准误不超过VaR估计值的1%。如果VaR大约是100万，那标准误就要控制在1万以内。根据σ/√n ≤ 10000，反推出n至少需要多少。

好了，这一章的核心就这些。大数定律给了我们信心，中心极限定理给了我们工具。记住那个1/√n的收敛速度，下次做蒙特卡洛模拟时，你就能心里有数：跑多少样本，能达到什么精度。

---