第一章：贝叶斯思维入门——从频率学派到贝叶斯学派

大家好，我是你们这门课的主讲。今天咱们聊聊贝叶斯统计的起点。

说实话，我刚开始做量化的时候，满脑子都是频率学派那套东西。什么最大似然估计、置信区间，背得滚瓜烂熟。直到有一次，我在做因子择时模型时，样本数据少得可怜，频率学派的方法直接崩了——参数估计方差大得离谱。这时候我才意识到，嗯，该换个思路了。

1.1 频率学派 vs 贝叶斯学派：两种世界观

先问个问题：概率到底是什么？

频率学派说：概率是事件在大量重复试验中的长期频率。比如抛硬币，抛一万次，正面朝上的比例趋近于0.5，这就是概率。说白了，他们相信数据足够多时，真相自然浮现。

贝叶斯学派说：概率是你对某个事件的主观信念强度。比如明天会不会下雨，你看了天气预报，觉得有70%的可能。这个70%不是长期频率，而是你基于当前信息的判断。

我个人习惯把这两种学派比作两种投资风格：

• 频率学派：像量化高频交易，依赖大量历史数据，相信统计规律会重复。
• 贝叶斯学派：像主观价值投资，先有个初始判断（先验），然后根据新信息不断调整（后验）。

1.2 先验、似然、后验——贝叶斯公式的三剑客

贝叶斯公式长这样：

P(θ|D) = P(D|θ) * P(θ) / P(D)

别被符号吓到。咱们拆开看：

• P(θ) —— 先验概率。就是你在看到数据之前，对参数θ的初始信念。比如你觉得某个因子超额收益的均值大概在0.5%左右，这就是先验。
• P(D|θ) —— 似然。给定参数θ，数据D出现的可能性。说白了，就是你的模型有多「像」数据。
• P(θ|D) —— 后验概率。看到数据之后，你对参数θ的更新信念。这是贝叶斯分析的最终输出。

你想想看，这个过程像不像我们做投资决策？

• 先验：你一开始觉得某只股票估值合理（初始判断）。
• 似然：你看到财报数据超预期（新信息）。
• 后验：你调整判断，认为这只股票被低估了（更新信念）。

1.3 一个简单的例子：抛硬币猜正反

咱们用Python跑个例子，感受一下贝叶斯更新的过程。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import beta

# 先验：假设硬币是均匀的，Beta(2,2)
prior_a, prior_b = 2, 2

# 观测数据：抛10次，7次正面
n_heads = 7
n_tails = 3

# 后验：Beta(prior_a + n_heads, prior_b + n_tails)
post_a = prior_a + n_heads
post_b = prior_b + n_tails

# 绘制先验和后验
x = np.linspace(0, 1, 100)
prior_pdf = beta.pdf(x, prior_a, prior_b)
post_pdf = beta.pdf(x, post_a, post_b)

plt.plot(x, prior_pdf, label='先验 Beta(2,2)')
plt.plot(x, post_pdf, label='后验 Beta(9,5)')
plt.legend()
plt.title('抛硬币：先验 vs 后验')
plt.show()

运行这段代码，你会看到：先验分布比较平坦（表示我们不确定），后验分布明显向右偏移（因为数据支持正面概率更高）。

为什么会这样？因为贝叶斯公式把先验和似然「拧」在了一起。数据越多，后验越靠近似然；数据越少，后验越靠近先验。说白了，这就是一个「学习」的过程。

1.4 知识体系框架图

下面这张SVG图，帮你理清本章的核心逻辑：

1.5 避坑指南：先验怎么选？

先验的选择是贝叶斯分析中最容易翻车的地方。我踩过不少坑，分享几个经验：

• 不要用太强的先验：比如你觉得某个因子一定有效，先验设成尖峰分布。结果新数据一进来，后验几乎没变化——这就是「先验绑架」了数据。
• 共轭先验是个好东西：比如二项分布用Beta先验，正态分布用正态先验。数学上方便，计算也快。我刚开始手算后验时，共轭先验救了我不少时间。
• 无信息先验：如果你真的不知道参数长什么样，用均匀分布或Jeffreys先验。但要注意，无信息先验有时会导致后验不收敛——嗯，这个坑我也踩过。

1.6 贝叶斯在量化中的典型应用场景

说了这么多理论，咱们看看贝叶斯到底能用在哪儿：

场景	频率学派做法	贝叶斯做法	我的评价
因子择时	用历史均值做点估计	用先验+新数据更新后验	贝叶斯更灵活，尤其样本少时
风险预算	用历史波动率	用后验波动率分布	贝叶斯能给出不确定性区间
参数估计	最大似然估计	最大后验估计	贝叶斯自带正则化效果

我个人习惯在因子择时中用贝叶斯。为什么呢？因为市场环境变化快，历史数据往往不够用。频率学派的方法需要大量样本才能稳定，而贝叶斯可以先用先验「撑住」，等新数据来了再慢慢调整。

1.7 本章小结

好，咱们捋一下今天的内容：

• 频率学派和贝叶斯学派的根本区别在于：参数是固定的还是随机的。
• 贝叶斯公式的核心：先验 × 似然 → 后验。
• 先验的选择很重要，太强或太弱都会出问题。
• 贝叶斯在量化中特别适合样本少、需要不断更新的场景。

最后说一句：贝叶斯思维不是万能的。如果你有海量数据，频率学派的方法可能更简单直接。但如果你像我一样，经常面对「数据少、噪声大、需要快速决策」的情况，贝叶斯绝对值得你花时间掌握。

下一章，咱们会深入先验分布的具体选择——共轭先验、无信息先验、主观先验，到底怎么用？到时候见。

---