4. 大数定律与中心极限定理：为什么Monte Carlo方法有效？

说实话，很多初学者学Monte Carlo模拟，上来就写代码、跑路径、算VaR。但很少有人停下来问一句：凭什么我跑一万次随机路径，结果就能逼近真实值？

我当年刚入行时也犯过这个错。有一次给老板汇报压力测试结果，他问我：“你模拟了5000次，凭什么说这个数字可信？”我当时支支吾吾，答不上来。后来我才明白，支撑Monte Carlo方法的，其实是两个数学定理——大数定律和中心极限定理。

说白了，没有这两个定理，Monte Carlo就是一堆随机数在瞎折腾。有了它们，随机数才能变成可靠的量化工具。

4.1 大数定律：为什么样本均值会收敛？

大数定律讲的是这么一件事：当试验次数足够多时，样本均值会趋近于期望值。

举个例子。你抛一枚公平硬币，正面概率是0.5。抛10次，可能正面出现7次，频率0.7。但抛1000次呢？正面频率大概率在0.5附近。抛100万次呢？几乎就是0.5。

这就是大数定律在起作用。在Monte Carlo模拟中，我们正是利用这个性质：

• 每次模拟路径，相当于一次随机试验
• 所有路径的平均收益，就是样本均值
• 路径数量越大，样本均值越接近真实期望

我在做衍生品定价时遇到过一个问题：模拟10万条路径，结果和5万条路径几乎一样。当时我以为是代码写错了，后来才意识到——对于某些简单产品，5万条路径已经足够收敛了。再多跑，边际收益很小。

4.2 中心极限定理：误差到底有多大？

大数定律给了我们信心，但还不够。你想想看，做压力测试时，领导问的不是“你模拟了多少次”，而是“你的结果误差有多大”。

这时候就需要中心极限定理登场了。

中心极限定理告诉我们：无论原始分布是什么样，样本均值的分布都会近似于正态分布。而且这个正态分布的方差，会随着样本量增大而缩小。

具体来说：

• 假设每次模拟结果的方差是 σ²
• 模拟N次后，样本均值的方差是 σ² / N
• 样本均值的标准差是 σ / √N

这意味着什么？意味着我们可以给Monte Carlo结果加上一个置信区间。

4.3 两个定理如何支撑Monte Carlo？

咱们把这两个定理串起来，看看它们到底怎么支撑Monte Carlo方法的：

1. 大数定律保证：模拟次数足够多时，结果会收敛到真实值
2. 中心极限定理告诉我们：收敛的速度是 1/√N，而且可以量化误差

换句话说：大数定律给了你方向，中心极限定理给了你尺子。

我曾经踩过一个坑。有一次做信用风险压力测试，模拟了1万次，结果看起来挺稳定。但我用中心极限定理算了一下标准误，发现置信区间宽得吓人。后来增加到10万次，结果才真正可靠。嗯，这就是理论指导实践的好处。

4.4 知识体系总览

下面这张图，是我自己梳理的本章知识结构。你看一眼就能明白两个定理在Monte Carlo中的位置：

4.5 实战中的注意事项

理论说完了，咱们聊聊实战中容易踩的坑。

我曾经在做一个多资产组合的压力测试时，用了Excel自带的随机数生成器。结果跑了20万次，置信区间还是不稳定。后来换成Mersenne Twister算法，问题才解决。你想想看，随机数质量直接影响收敛性，这个坑我替你们踩过了。

另外还有一点：不要盲目追求模拟次数。根据中心极限定理，误差和1/√N成正比。想提高10倍精度，需要增加100倍模拟次数。有时候，用方差缩减技术（比如对偶变量法、控制变量法）比单纯增加N更划算。

4.6 一个简单的验证代码

下面这段代码，我经常用来给学生演示大数定律和中心极限定理。你可以跑一下试试：

import numpy as np
import matplotlib.pyplot as plt

# 模拟抛硬币：1表示正面，0表示反面
np.random.seed(42)
N_list = [10, 50, 100, 500, 1000, 5000, 10000]
results = []

for N in N_list:
    flips = np.random.binomial(1, 0.5, size=N)
    mean = np.mean(flips)
    results.append(mean)

# 输出结果
for N, mean in zip(N_list, results):
    print(f"N={N:5d}, 正面频率={mean:.4f}, 与0.5的误差={abs(mean-0.5):.4f}")

# 输出示例：
# N=   10, 正面频率=0.6000, 与0.5的误差=0.1000
# N=  100, 正面频率=0.4900, 与0.5的误差=0.0100
# N= 1000, 正面频率=0.4970, 与0.5的误差=0.0030
# N=10000, 正面频率=0.4998, 与0.5的误差=0.0002

看到没？随着N增大，频率越来越接近0.5。这就是大数定律在说话。

再算一下标准误：

# 中心极限定理验证
p = 0.5
for N in [100, 1000, 10000]:
    std_error = np.sqrt(p * (1-p) / N)
    print(f"N={N:5d}, 理论标准误={std_error:.4f}, 95%置信区间=[{0.5-1.96*std_error:.4f}, {0.5+1.96*std_error:.4f}]")

这个标准误，就是中心极限定理给我们的“尺子”。有了它，你就能自信地说：“我的模拟结果误差在±1.96个标准误之内。”

4.7 小结

大数定律和中心极限定理，是Monte Carlo方法的两个轮子。一个保证方向正确，一个告诉你离目标还有多远。

我个人习惯是：每次写Monte Carlo代码前，先问自己三个问题：

• 我的模拟次数够不够让大数定律生效？
• 我的随机数是否独立同分布？
• 我能不能用中心极限定理给出置信区间？

这三个问题想清楚了，代码写起来心里就有底。否则，跑再多路径也只是在自欺欺人。

---

公众号:蓝海资料掘金营，微信deep3321