2. 概率论回顾：概率空间、随机变量、期望与方差、协方差与相关性

说实话，很多做量化的人一上来就搞策略、调参数，结果模型一跑就崩。为什么？因为概率论的基础没打牢。我当年刚入行时也吃过这个亏——写了个看似完美的统计套利策略，回测曲线漂亮得不行，结果实盘第一天就亏了5%。后来一查，是相关性分析出了问题。

所以这一章，咱们把概率论的核心概念过一遍。别嫌基础，这些是你搭建交易模型的「地基」。

2.1 概率空间：交易的「宇宙」

概率空间是什么？说白了，就是描述「所有可能发生的情况」的框架。在量化交易里，这个框架就是你的市场。

一个完整的概率空间由三部分组成：

• 样本空间 Ω：所有可能结果的集合。比如明天茅台涨还是跌，这就是两个结果。
• 事件域 F：你能关注到的事件集合。比如「涨幅超过5%」就是一个事件。
• 概率测度 P：给每个事件分配一个概率值，0到1之间。

我在项目中遇到过一件事：有个同事用历史数据算出了「上涨概率70%」，结果实盘连续亏损。后来发现，他用的样本空间根本不对——只选了牛市数据，忽略了熊市场景。你看，概率空间没定义好，后面全白搭。

2.2 随机变量：把市场「数字化」

随机变量，就是把随机事件映射成数字。比如「股价涨了」映射成1，「跌了」映射成0。这样我们就能用数学工具处理了。

随机变量分两种：

• 离散型：取值有限或可数。比如「今天交易量是1000手还是2000手」。
• 连续型：取值是某个区间内的任意实数。比如「收益率是3.14159...%」。

嗯，这里要注意：在量化交易中，我们大部分时间都在处理连续型随机变量。但离散型也有用，比如判断「是否触发止损」这种二值问题。

2.3 期望与方差：衡量「收益」和「风险」

期望就是平均值，方差就是波动程度。这两个概念，是量化交易的核心。

期望 E[X]：你长期来看能赚多少。公式很简单：

离散型：E[X] = Σ x_i * p_i
连续型：E[X] = ∫ x * f(x) dx

举个例子：一个策略有60%概率赚10%，40%概率亏5%。期望收益就是：

E = 0.6 * 10% + 0.4 * (-5%) = 4%

看起来不错对吧？但别急，我们还要看方差。

方差 Var[X]：衡量收益的波动程度。公式：

Var[X] = E[(X - E[X])²]

方差越大，风险越高。我曾经见过一个策略，期望收益很高，但方差大得吓人。回测时运气好，连续赚了几个月。实盘一上来就遇到极端行情，直接爆仓。你想想看，期望再高，扛不住波动也是白搭。

2.4 协方差与相关性：资产之间的「关系」

做量化交易，很少只交易一个资产。你买茅台，可能也买五粮液。这时候就需要知道它们之间的关系。

协方差 Cov(X,Y)：衡量两个变量一起变动的程度。

Cov(X,Y) = E[(X - E[X])(Y - E[Y])]

• 协方差为正：两个变量同向变动
• 协方差为负：两个变量反向变动
• 协方差为零：没有线性关系

但协方差有个问题——它受量纲影响。比如茅台涨1块和涨1%，数值差很多。所以我们需要相关系数。

相关系数 ρ：把协方差标准化，范围在-1到1之间。

ρ = Cov(X,Y) / (σ_X * σ_Y)

相关系数更直观：

ρ 值	含义	交易应用
ρ ≈ 1	完全正相关	对冲无效，别买两个一样的
ρ ≈ 0	不相关	可以分散风险
ρ ≈ -1	完全负相关	完美的对冲工具

为什么会这样？因为相关性只衡量线性关系。市场中的关系往往是非线性的。所以我的建议是：

• 用相关系数做初步筛选
• 用协方差矩阵做组合优化
• 但永远不要迷信单一指标

2.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个「思维导图」来用：

这张图你看懂了吗？从概率空间出发，定义随机变量，然后计算期望和方差来评估单个资产，最后用协方差和相关性来分析资产之间的关系。这就是量化交易的概率论基础框架。

---

公众号:蓝海资料掘金营，微信deep3321