第2章：概率论基础回顾：条件概率、全概率公式、贝叶斯公式
说实话，很多做量化的人一上来就搞各种复杂模型，结果连最基础的概率公式都没吃透。我见过不少同行，策略回测跑得飞起，一问到「这个条件概率怎么算的」就卡壳了。嗯，这章咱们就把地基打牢。
贝叶斯统计的核心，说白了就是「用新信息更新旧认知」。你想想看，做交易不也是这样吗？每天开盘前有个预期，盘中看到价格波动，再调整判断。这不就是贝叶斯思想吗？
2.1 条件概率：给定信息下的概率
先问个问题：如果今天大盘涨了，你的股票涨的概率是多少？
这个「给定大盘涨」的条件，就是条件概率的精髓。数学上这么写：
P(A|B) = P(A∩B) / P(B) (当P(B) > 0)读作「在B发生的条件下，A发生的概率」。分母是B的概率，分子是A和B同时发生的概率。
直觉理解：条件概率就是「缩小样本空间」。原本我们在整个样本空间里算概率，现在知道了B发生了，就把样本空间缩小到B内部，只看B里面A占了多少。
我在做因子分析时遇到过这种情况：想算「给定换手率高的股票，收益也高的概率」。如果不加条件，直接算所有股票高收益的概率，那结果完全没意义。条件概率帮我们聚焦到特定子集上。
避坑指南：我曾经犯过一个低级错误——把P(A|B)和P(B|A)搞混了。这两个值往往天差地别。比如「得新冠的人检测阳性的概率」和「检测阳性的人得新冠的概率」，完全不是一回事。前者可能接近100%，后者可能只有10%。
2.2 全概率公式：化繁为简的利器
全概率公式解决什么问题？当你想算一个事件的概率，但这个事件依赖于多个不同的「场景」时，就可以用这个公式。
数学形式：
P(A) = Σ P(A|Bᵢ) × P(Bᵢ)其中B₁, B₂, ..., Bₙ是样本空间的一个完备划分（互斥且覆盖全部）。
举个例子你就明白了：
假设市场有三种状态：牛市（概率20%）、震荡市（概率60%）、熊市（概率20%）。你的策略在牛市赚钱概率90%，震荡市赚钱概率60%，熊市赚钱概率20%。那么策略整体赚钱的概率是多少？
P(赚钱) = 0.9×0.2 + 0.6×0.6 + 0.2×0.2
= 0.18 + 0.36 + 0.04
= 0.58说白了，就是把每种场景下的条件概率，按场景发生的概率加权平均。
量化中的应用：做多因子模型时，全概率公式经常用来计算「整体选股胜率」。把市场分成不同风格环境（价值、成长、动量等），分别算因子在各环境下的表现，再按环境概率加权。
2.3 贝叶斯公式：从结果反推原因
终于到主角了。贝叶斯公式长这样：
P(B|A) = P(A|B) × P(B) / P(A)看着简单，但威力巨大。它告诉我们：观察到结果A后，如何更新对原因B的信念。
拆解一下：
- P(B)：先验概率——你最初的判断
- P(A|B)：似然——如果B是真的，看到A的可能性有多大
- P(B|A)：后验概率——看到A后，你对B的新判断
我习惯把贝叶斯公式理解成「学习的过程」。你一开始有个观点（先验），然后看到新数据（似然），最后更新观点（后验）。
实战案例：假设你开发了一个选股信号，历史回测显示信号发出后，股票上涨的概率是70%。但你知道整体市场上涨的概率只有50%。现在信号发出了，股票上涨的概率到底是多少？
用贝叶斯公式：
P(涨|信号) = P(信号|涨) × P(涨) / P(信号)
= 0.7 × 0.5 / 0.5
= 0.7嗯，这里P(信号)恰好是0.5，所以结果和条件概率一样。但换个场景就不一定了。
2.4 三个公式的关系
这三个公式其实是一脉相承的：
- 条件概率是基础，定义了「给定信息下的概率」
- 全概率公式是条件概率的扩展，帮我们计算「不知道哪个场景发生时的整体概率」
- 贝叶斯公式是全概率公式的逆用，帮我们「根据结果反推原因」
我个人习惯把贝叶斯公式写成另一种形式，更容易看出更新过程：
P(B|A) = P(B) × [P(A|B) / P(A)]方括号里的比值，就是「新信息带来的调整因子」。如果大于1，说明新信息支持B；小于1，说明削弱了B。
常见误区：很多人以为贝叶斯公式只适用于「先验+数据→后验」的迭代过程。其实它就是一个数学恒等式，任何时候都能用。只不过在贝叶斯统计中，我们把它解释为「信念更新」而已。
2.5 知识体系总览
下面这张图把三个公式的关系画清楚了：
2.6 量化中的实战应用
讲完理论，说说我在量化里怎么用这些公式的。
场景一：信号可靠性评估
你开发了一个技术指标，历史数据显示：指标发出买入信号后，后续5天上涨的概率是65%。但整体市场上涨概率只有55%。这个信号到底有没有用？
用贝叶斯公式算一下：
P(涨|信号) = P(信号|涨) × P(涨) / P(信号)
= 0.65 × 0.55 / 0.50
= 0.715嗯，信号确实提升了胜率，从55%提升到71.5%。
场景二：多策略组合
我有三个策略，各自在不同市场环境下表现不同。用全概率公式可以算出整体期望收益：
| 市场状态 | 概率 | 策略A收益 | 策略B收益 | 策略C收益 |
|---|---|---|---|---|
| 牛市 | 0.3 | +15% | +8% | +5% |
| 震荡 | 0.5 | +2% | +6% | +3% |
| 熊市 | 0.2 | -10% | -3% | +1% |
策略A的期望收益 = 0.3×15% + 0.5×2% + 0.2×(-10%) = 3.5%
策略B的期望收益 = 0.3×8% + 0.5×6% + 0.2×(-3%) = 4.8%
策略C的期望收益 = 0.3×5% + 0.5×3% + 0.2×1% = 3.2%
你看，策略B虽然牛市不如A猛，但震荡市稳、熊市亏得少，整体期望反而最高。这就是全概率公式帮我们做的「场景加权」分析。
核心要点：这三个公式不是枯燥的数学符号，而是量化投资中每天都在用的思维工具。条件概率帮你聚焦，全概率公式帮你综合，贝叶斯公式帮你更新。掌握了它们，你就掌握了概率思维的精髓。
好了，这章就到这里。记住一句话：概率不是用来算的，是用来想的。公式只是工具，背后的逻辑才是关键。