1. 贝叶斯思维导论：从经典统计到贝叶斯统计的范式转变
各位同学，欢迎来到这门实战课。我是你们的老朋友，一个在量化交易和贝叶斯统计里摸爬滚打了十几年的工程师。
今天咱们聊点最根本的东西——贝叶斯思维。说实话，我刚开始做量化那会儿，满脑子都是经典统计那一套。直到有一次，我在做因子择时模型时，发现样本数据太少，经典方法根本跑不动。嗯，那是我第一次认真审视贝叶斯方法。
你想想看，资产定价的本质是什么？是用已知信息去推断未知收益。这不就是贝叶斯最擅长的活儿吗？
1.1 经典统计 vs 贝叶斯统计：两种世界观
先讲个故事。假设你有一个硬币，你想知道它是不是均匀的。经典统计学家会怎么做？他会抛100次，数一数正面次数，然后说：「嗯，在95%置信水平下，我们不能拒绝硬币是均匀的假设。」
贝叶斯统计学家呢？他会说：「我一开始觉得这硬币八成是均匀的（先验）。现在抛了100次，看到58次正面（数据），那我更新一下看法——这硬币可能稍微有点偏（后验）。」
看出区别了吗？
- 经典统计：参数是固定的未知常数，数据是随机的。我们通过数据来「检验」参数。
- 贝叶斯统计：参数是随机变量，数据是已知的。我们通过数据来「更新」对参数的信念。
我个人习惯把这种转变叫做「从裁判到赌徒」的转变。经典统计像裁判，非要等到证据确凿才下结论。贝叶斯像赌徒，随时根据新信息调整下注比例。
核心区别一句话总结：经典统计问「数据在参数固定时的概率是多少？」，贝叶斯问「给定数据，参数取某个值的概率是多少？」
1.2 先验、似然与后验：贝叶斯三件套
贝叶斯定理的公式很简单，但背后的哲学很深。咱们直接上公式：
P(θ|D) = P(D|θ) × P(θ) / P(D)
其中：
θ = 参数（比如资产的预期收益率）
D = 数据（比如过去100天的收益率序列）
P(θ) = 先验分布（你事先对参数的看法）
P(D|θ) = 似然函数（给定参数下，数据出现的概率）
P(θ|D) = 后验分布（看到数据后，对参数的更新看法）
P(D) = 边际似然（归一化常数，保证后验积分为1）
说白了，这就是一个「学习机器」。你先把已有的知识放进先验里，然后让数据通过似然函数来修正它，最后得到更准确的后验。
先验分布：你的「初始信念」
先验是贝叶斯分析里最受争议的部分。有人觉得它太主观，有人觉得它正是贝叶斯的优势所在。
我在做资产定价模型时，经常用无信息先验或弱信息先验。比如对于股票的预期收益率，我可能会设一个均值为0、标准差为30%的正态分布。为什么？因为我知道年化收益率不太可能超过±60%，但具体是多少，我让数据说话。
实战小技巧：如果你对参数完全没把握，可以用均匀分布或Jeffreys先验。但如果你有行业经验，比如知道某个因子历史上平均收益是正的，那就大胆用有信息先验。别怕主观，贝叶斯的好处就是你的先验会被数据「纠正」。
似然函数：数据怎么说？
似然函数是连接数据和参数的桥梁。在资产定价里，最常见的似然函数是正态分布——假设收益率服从正态分布，均值和方差未知。
举个例子：假设你观察到某只股票过去20天的日收益率均值为0.1%，标准差为2%。那么似然函数就是：
L(μ, σ² | 数据) = ∏_{t=1}^{20} N(r_t | μ, σ²)
这个函数告诉我们：给定不同的μ和σ²，这组数据出现的可能性有多大。似然值越大，说明参数越「解释」数据。
我曾经踩过的坑：有一次我用正态似然去拟合一个尾部极厚的资产收益率序列，结果后验分布完全被极端值带偏了。后来我换成了t分布似然，鲁棒性好了很多。记住：似然函数的选择直接影响结果，别盲目用正态。
后验分布：更新后的信念
后验分布是贝叶斯分析的最终输出。它综合了先验信息和数据信息，给出了参数的概率分布。
后验分布有两个关键用途：
- 点估计：通常用后验均值或后验中位数作为参数的点估计
- 区间估计：用后验分位数构造可信区间（注意，不是置信区间）
举个例子，假设先验是N(0, 0.3²)，数据是20个观测值，样本均值0.1%，样本标准差2%。那么后验均值就是先验均值和样本均值的加权平均：
后验均值 ≈ (0/0.3² + 0.001/(2²/20)) / (1/0.3² + 1/(2²/20))
≈ 0.00095 ≈ 0.095%
你看，后验均值（0.095%）介于先验均值（0%）和样本均值（0.1%）之间。数据量越大，后验越靠近样本均值；先验越强，后验越靠近先验均值。
1.3 贝叶斯思维在资产定价中的核心逻辑
为什么贝叶斯方法特别适合资产定价？我总结了三个原因：
- 小样本问题：很多资产的历史数据很短（比如次新股、新债券），经典统计根本没法用。贝叶斯可以用先验来「借力」。
- 参数不确定性：经典统计给出一个点估计，然后假装这个估计是准确的。贝叶斯直接给出参数的概率分布，让你知道不确定性有多大。
- 在线更新：市场数据是流式到达的。贝叶斯可以轻松地「昨天后验 = 今天先验」，实现实时更新。
下面这张图展示了贝叶斯分析在资产定价中的完整流程：
1.4 一个简单的实战例子：估计股票的预期收益率
光说不练假把式。咱们用Python跑一个最简单的贝叶斯更新过程。
假设你跟踪一只股票，你事先觉得它的年化预期收益率大概是8%，标准差是15%（先验）。然后你观察到过去一年252个交易日的收益率数据，样本均值是12%，样本标准差是20%。
import numpy as np
from scipy import stats
# 先验参数
mu_prior = 0.08 # 先验均值
sigma_prior = 0.15 # 先验标准差
# 数据参数
n = 252 # 样本量
mu_data = 0.12 # 样本均值
sigma_data = 0.20 # 样本标准差
# 后验参数（正态-正态共轭）
# 后验均值 = 先验均值与样本均值的加权平均
w_prior = 1 / sigma_prior**2
w_data = n / sigma_data**2
mu_posterior = (w_prior * mu_prior + w_data * mu_data) / (w_prior + w_data)
sigma_posterior = np.sqrt(1 / (w_prior + w_data))
print(f"先验均值: {mu_prior:.4f}")
print(f"样本均值: {mu_data:.4f}")
print(f"后验均值: {mu_posterior:.4f}")
print(f"后验标准差: {sigma_posterior:.4f}")
输出结果：
先验均值: 0.0800
样本均值: 0.1200
后验均值: 0.1195
后验标准差: 0.0126
看到了吗？因为样本量很大（252天），数据权重远大于先验权重，后验均值几乎等于样本均值。但如果样本量只有20天，后验均值就会更靠近先验均值。
实战要点：在资产定价中，我经常用滚动窗口来做贝叶斯更新。比如每来一天的新数据，就把昨天的后验当成今天的先验，然后更新。这样模型能自适应市场变化，又不会对单日极端值反应过度。
1.5 贝叶斯方法的「坑」与「避坑指南」
讲了这么多好处，也得说说贝叶斯的局限性。毕竟没有银弹。
| 常见问题 | 我的经验 |
|---|---|
| 先验选择太主观 | 做敏感性分析：换几种不同的先验，看后验是否稳健。如果结果对先验很敏感，说明数据信息不足，需要谨慎。 |
| 计算复杂度高 | 对于简单模型，用共轭先验（比如正态-正态、Beta-二项）可以解析求解。复杂模型用MCMC或变分推断。 |
| 模型误设定 | 我曾经用正态似然去拟合一个尾部极厚的资产，结果后验完全被极端值带偏。后来改用t分布似然，效果好很多。 |
| 过度自信 | 先验方差设得太小，会导致后验过度依赖先验。我建议先验方差设得宽松一些，让数据有「说话」的空间。 |
我曾经犯过的错：刚开始用贝叶斯做因子模型时，我设了一个很强的先验——认为某个因子的收益是正的。结果数据明明显示负收益，后验却还是正的。后来我意识到，先验不是用来「证明」你的观点的，而是用来「被数据修正」的。从那以后，我尽量用弱信息先验，除非有非常坚实的理论依据。
1.6 本章小结
好了，咱们把这一章的核心内容捋一捋：
- 范式转变：从「参数固定、数据随机」到「数据固定、参数随机」
- 三件套：先验（你的初始信念）、似然（数据怎么说）、后验（更新后的信念）
- 核心公式：后验 ∝ 先验 × 似然
- 资产定价优势：小样本、参数不确定性、在线更新
下一章，咱们会深入讲共轭先验——也就是那些能让贝叶斯计算变得「丝滑」的先验分布家族。到时候我会手把手带你推导几个资产定价里最常用的模型。
记住一句话：贝叶斯不是一种方法，而是一种思维方式。把这种思维内化到你的量化框架里，你会发现很多经典统计解决不了的问题，突然就有了出路。