第2章概率论回顾

第2章：概率论回顾——条件概率、贝叶斯定理、先验与后验分布、最大似然估计

说实话，很多做量化的朋友一上来就撸代码、调参数，结果模型在回测里漂亮得像朵花，一上实盘就崩。为什么？因为忽略了概率论这个底层逻辑。你想想看，市场本质上就是个概率游戏，你连条件概率和贝叶斯都搞不清楚，怎么去评估模型的置信度？

这一章，我们就来把概率论里那几个最核心的概念捋一遍。我会结合我在量化交易中的实际踩坑经历来讲，保证你听完就能用上。

核心观点：概率论不是数学题，它是你理解市场不确定性的语言。贝叶斯定理更是量化置信度评估的基石。

2.1 条件概率：别被“独立事件”骗了

条件概率，说白了就是“在已知某件事发生的情况下，另一件事发生的概率”。公式很简单：

P(A|B) = P(A∩B) / P(B)

嗯，这里要注意。很多新手容易犯一个错误——把条件概率和联合概率搞混。我刚开始做因子研究时就吃过这个亏。

举个例子：

假设你有一个动量因子信号A，和一个波动率因子信号B。
P(A) = 0.6，表示信号A发出买入指示的概率是60%。
P(B) = 0.4，表示信号B发出买入指示的概率是40%。
P(A∩B) = 0.3，表示两个信号同时发出买入指示的概率是30%。

那么，在信号B已经发出的情况下，信号A也发出的概率是多少？

P(A|B) = 0.3 / 0.4 = 0.75

看到了吗？条件概率是75%，比单独的60%高了不少。这说明两个信号之间有正相关性。我在项目中遇到过这种情况：两个看起来不错的因子，单独回测都挺好，但组合在一起效果反而变差。为什么？因为它们的条件概率太高了，说白了就是“重复押注”，没有起到分散风险的作用。

我的经验：在做多因子模型时，我习惯先计算因子之间的条件概率矩阵。如果两个因子的P(A|B) > 0.8，我会考虑只保留其中一个，或者做正交化处理。否则，你的模型置信度会被高估。

2.2 贝叶斯定理：量化界的“后悔药”

贝叶斯定理，我个人认为是整个量化置信度评估体系里最重要的公式。没有之一。它的形式是：

P(H|E) = P(E|H) * P(H) / P(E)

其中：

P(H|E)：后验概率（看到数据后，对假设的信念）
P(H)：先验概率（看到数据前，对假设的信念）
P(E|H)：似然（假设成立时，数据出现的概率）
P(E)：证据（数据出现的总概率）

你想想看，做量化交易最怕什么？最怕“死扛”。明明市场已经变了，你还抱着原来的策略不放。贝叶斯定理就是帮你“动态更新信念”的工具。

举个量化中的实际例子：

假设你有一个趋势跟踪策略，历史回测中胜率是55%。你把这个策略部署到实盘上，结果连续亏了3笔。这时候，你是继续相信策略，还是怀疑它失效了？

用贝叶斯定理来算：

先验概率P(H)：策略有效的概率。根据历史回测，我们设P(H)=0.7（比较乐观）。
似然P(E|H)：如果策略有效，连续亏3笔的概率。假设策略有效时单笔亏损概率是0.45，那么连续3笔亏损的概率是0.45^3 ≈ 0.091。
证据P(E)：连续亏3笔的总概率。这包括策略有效时亏的概率 + 策略失效时亏的概率。假设策略失效时单笔亏损概率是0.8，那么P(E) = 0.7*0.091 + 0.3*0.512 ≈ 0.217。

计算后验概率：

P(H|E) = 0.091 * 0.7 / 0.217 ≈ 0.294

看到了吗？连续亏3笔之后，你对策略有效的信念从70%降到了29.4%。这时候，你应该暂停策略，重新评估，而不是继续死扛。

我曾经踩过的坑：刚开始做量化时，我设计了一个套利策略，回测表现极好。实盘前3个月也赚了不少，我就觉得“这策略无敌了”。结果第4个月开始连续回撤，我还在用“均值回归”的理论安慰自己。后来用贝叶斯一算，后验概率早就跌破20%了。那次亏了不少钱，教训深刻。

2.3 先验与后验分布：你的“偏见”很重要

先验分布，说白了就是你在看到数据之前，对某个参数的“主观判断”。后验分布，就是结合数据之后，更新过的判断。

在量化中，先验分布特别重要。为什么？因为金融数据通常信噪比极低，样本量有限。如果你没有合理的先验，光靠数据去拟合，很容易过拟合。

举个例子：

假设你要估计某个股票的年化收益率μ。你只有过去1年的月度数据（12个样本点）。如果你直接用样本均值去估计，可能会得到μ=25%。但你觉得这个数字靠谱吗？

我个人习惯的做法是：

设定先验分布：根据该股票所在行业的历史数据，我设定μ服从正态分布N(0.08, 0.05^2)。也就是说，我“先验地”认为年化收益率应该在8%左右，波动范围在±5%。
收集数据：过去12个月的月度收益率，样本均值是25%，样本标准差是15%。
计算后验分布：结合先验和似然，得到后验均值大约是12.3%，后验标准差是4.2%。

你看，后验均值12.3%比样本均值25%要保守得多，但比先验均值8%要高。这就是“数据修正先验”的过程。

关键点：先验分布不是“拍脑袋”，而是基于历史经验、行业知识、甚至是你对市场逻辑的理解。一个好的先验，能帮你避免被噪声数据带偏。

2.4 最大似然估计：最“诚实”的参数估计方法

最大似然估计（MLE），思路很简单：找到一组参数，使得当前观测数据出现的概率最大。

公式形式：

θ̂ = argmax L(θ; x) = argmax ∏ P(x_i | θ)

其中L(θ; x)是似然函数，P(x_i | θ)是单个数据点的概率密度。

在实际量化中，MLE用得非常多。比如：

估计GARCH模型的参数
估计Copula模型的参数
估计随机波动率模型的参数

举个简单的例子：

假设你观察到某只股票过去10天的日收益率：[-0.02, 0.01, 0.03, -0.01, 0.02, -0.03, 0.01, 0.00, 0.02, -0.01]。你假设这些收益率服从正态分布N(μ, σ^2)，想用MLE估计μ和σ。

import numpy as np
from scipy.optimize import minimize

returns = np.array([-0.02, 0.01, 0.03, -0.01, 0.02, -0.03, 0.01, 0.00, 0.02, -0.01])

def neg_log_likelihood(params):
    mu, sigma = params
    if sigma <= 0:
        return 1e10
    n = len(returns)
    ll = -0.5 * n * np.log(2 * np.pi) - 0.5 * n * np.log(sigma**2) - np.sum((returns - mu)**2) / (2 * sigma**2)
    return -ll

result = minimize(neg_log_likelihood, x0=[0.0, 0.02], method='L-BFGS-B', bounds=[(-0.1, 0.1), (0.001, 0.1)])
mu_mle, sigma_mle = result.x
print(f"MLE估计: μ={mu_mle:.4f}, σ={sigma_mle:.4f}")

运行结果大概是μ≈0.002，σ≈0.018。这就是最“诚实”的估计——完全由数据说了算。

我的建议：MLE虽然好，但要注意样本量。如果样本太少，MLE的估计方差会很大。我一般要求至少30个样本点才用MLE，否则我会用贝叶斯方法加上先验分布来约束。

2.5 本章知识体系图

下面我用一张SVG图来总结本章的核心逻辑。你看完应该能明白这些概念之间的关系。

2.6 小结

这一章我们讲了四个核心概念：

条件概率：帮你理解事件之间的依赖关系，避免重复押注。
贝叶斯定理：量化界的“后悔药”，让你动态更新对策略的信念。
先验与后验分布：把你的经验和数据结合起来，做出更稳健的估计。
最大似然估计：最“诚实”的参数估计方法，完全由数据说话。

说实话，这些概念单独看都不难，但把它们串起来用，才是真本事。我在做量化模型时，几乎每天都在用贝叶斯思维——先设定一个合理的先验，然后用数据去更新它，最后用MLE或者MAP（最大后验估计）来得到参数。这套流程，就是置信度评估的底层逻辑。

一句话总结：概率论不是用来考试的，它是你量化交易中的“防弹衣”。穿上它，你才能在充满噪声的市场里，做出更理性的决策。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录