第2章 概率论基础回顾：概率空间、随机变量、期望与方差、条件期望

各位同学，咱们今天聊点基础的东西。别一听「基础」就觉得简单，我做了这么多年量化，发现很多翻车事故，根源都在概率论没吃透。说白了，风险中性定价这套工具，底层全是概率论在撑着。

我个人习惯是，每次开始一个新模型之前，先花半小时把概率论的基本盘捋一遍。这就像开车前检查轮胎，看着多余，真上了高速你就知道有多重要了。

2.1 概率空间：你赌的是什么？

先问个问题：你买了一张彩票，中奖概率是百万分之一。这个「概率」到底是什么意思？

数学上，我们用一个三元组来定义概率空间：(Ω, F, P)。我当年学的时候觉得这玩意儿太抽象，直到有一次做期权定价模型，发现标的资产的价格路径根本定义不清楚，才意识到这个框架有多重要。

• Ω（样本空间）：所有可能结果的集合。比如掷骰子，Ω = {1,2,3,4,5,6}。
• F（事件域）：你能关注的事件集合。比如「掷出偶数点」就是一个事件。
• P（概率测度）：给每个事件分配一个0到1之间的数，表示它发生的可能性。

嗯，这里要注意：概率空间不是唯一的。同一个随机现象，你可以用不同的概率空间来描述。关键看你的模型需要什么。

2.2 随机变量：把不确定性变成数字

随机变量，说白了就是一个函数。它把样本空间里的每个结果，映射成一个实数。

举个例子：明天某只股票的价格。如果明天有100种可能的情况，每种情况对应一个价格，这就是一个随机变量。

我刚开始做量化的时候，经常混淆「随机变量」和「它的取值」。记住：随机变量是一个函数，不是数字。你看到X，心里要想着「这是一个映射」，而不是「这是一个数」。

2.3 期望与方差：你赚多少？风险多大？

期望，就是加权平均。每个可能的结果乘以它发生的概率，然后加起来。

方差，衡量的是不确定性。期望告诉你「平均能赚多少」，方差告诉你「这个平均值的可信度有多高」。

我记得有一次做投资组合优化，两个策略的期望收益一模一样，但方差差了三倍。很多新手会选那个方差大的，觉得「反正期望一样，搏一搏」。结果呢？回撤大到扛不住，被迫平仓。

指标	数学定义	金融含义
期望 E[X]	∑ x · P(X=x)	预期收益
方差 Var(X)	E[(X - E[X])²]	风险度量
标准差 σ	√Var(X)	波动率

2.4 条件期望：用已知信息更新你的判断

条件期望，是金融数学里最核心的概念之一。它回答的问题是：在已知某些信息的情况下，你对未来的最佳估计是什么？

举个例子：你知道今天某只股票涨了5%，那么你对它明天价格的期望，肯定和不知道这个信息时不一样。这个「知道今天涨了5%之后的新期望」，就是条件期望。

数学上，条件期望记作 E[X | F]，其中F代表你已知的信息。它本身也是一个随机变量——因为你的信息不同，条件期望的值也会不同。

我个人觉得，理解条件期望的关键在于：它不是一个数字，而是一个函数。这个函数把「信息」映射成「估计值」。

2.5 知识体系总览

下面这张图，是我自己整理的概率论基础框架。每次做新模型之前，我都会看一眼，确保自己没有跑偏。

这张图里，四个模块是层层递进的。概率空间是地基，随机变量是工具，期望和方差是度量，条件期望是核心应用。在风险中性定价里，你几乎每天都在跟条件期望打交道。

2.6 一个简单的代码示例

最后，我给大家看一段Python代码。这是我平时做快速验证时用的模板，用来计算一个离散随机变量的期望和条件期望。

import numpy as np

# 定义样本空间和概率
outcomes = np.array([1, 2, 3, 4, 5, 6])
probs = np.array([1/6] * 6)

# 计算期望
expectation = np.sum(outcomes * probs)
print(f"期望值: {expectation}")

# 条件期望：已知结果是偶数
even_mask = (outcomes % 2 == 0)
even_outcomes = outcomes[even_mask]
even_probs = probs[even_mask] / np.sum(probs[even_mask])
cond_expectation = np.sum(even_outcomes * even_probs)
print(f"条件期望（已知为偶数）: {cond_expectation}")

这段代码很简单，但背后的逻辑很重要。注意看条件概率的计算：even_probs = probs[even_mask] / np.sum(probs[even_mask])。这一步就是贝叶斯公式的体现——在已知信息下重新归一化概率。

好了，概率论基础就聊到这儿。这些东西看着简单，但每次用的时候多想想，能帮你避开不少坑。