1. MCMC基础概念：从马尔可夫链到蒙特卡洛
大家好，欢迎来到这门课的第一章。说实话，MCMC这个名字听起来挺唬人的——马尔可夫链蒙特卡洛，六个字里三个专有名词。但别被它吓到，拆开来看，每个部分其实都不难理解。
我最早接触MCMC是在做期权定价的时候。当时有个复杂的随机波动率模型，解析解根本算不出来。导师丢给我一句：「去跑个MCMC吧。」我愣了半天，心想这玩意儿到底是什么？后来啃了几篇论文，踩了不少坑，才算真正搞明白。今天我就把这些经验分享给你。
1.1 马尔可夫链：有记忆，但只记上一秒
先说说马尔可夫链。这个概念其实很生活化。
你想想看，明天的天气跟什么有关？跟今天有关，跟昨天也有关，甚至跟大前天都有关。但马尔可夫链做了一个简化：未来只依赖于现在，与过去无关。用数学语言说就是：
P(X_{t+1} | X_t, X_{t-1}, ..., X_0) = P(X_{t+1} | X_t)嗯，这就是「马尔可夫性」。说白了，就是「活在当下」。
我在做高频交易策略时，经常用马尔可夫链来建模订单流的状态。比如当前是「密集成交」还是「稀疏挂单」，下一时刻的状态只跟当前有关。这个假设虽然简单，但在很多场景下够用了。
核心要点：马尔可夫链是一个随机过程，它的未来状态只依赖于当前状态，不依赖于更早的历史。
一个马尔可夫链由三要素组成：
- 状态空间：所有可能的状态集合，比如{牛市, 熊市, 震荡市}
- 转移概率矩阵：从状态i到状态j的概率，记作P(i→j)
- 初始分布：最开始处于各个状态的概率
举个例子，一个简单的两状态马尔可夫链：
# 状态：0=上涨，1=下跌
# 转移概率矩阵
P = [[0.7, 0.3], # 今天上涨，明天70%继续涨，30%跌
[0.4, 0.6]] # 今天下跌，明天40%涨，60%继续跌1.2 平稳分布：链子跑久了会稳定吗？
好，现在问题来了：如果我们让这个马尔可夫链一直跑下去，状态分布会变成什么样？
答案是：在满足一定条件下，它会收敛到一个稳定的分布，这个分布就叫平稳分布。
数学上，平稳分布π满足：
π = π · P也就是说，把平稳分布乘以转移矩阵，得到的还是它自己。这就像是一个「不动点」。
我记得有一次做资产配置的模拟，需要从后验分布中采样。当时我手动算了一下平稳分布，发现它跟历史数据的经验分布非常接近。那一刻我才真正体会到：马尔可夫链不是瞎跑，它是有目标的。
个人经验：判断一个链是否达到平稳，我通常会看多个链的收敛情况（Gelman-Rubin诊断），而不是只看一条链。单链容易骗人。
1.3 细致平衡条件：平稳分布的「通行证」
那么，怎么保证一个马尔可夫链有平稳分布？或者说，怎么设计转移概率，让链收敛到我们想要的分布？
这里就要提到细致平衡条件了：
π(i) · P(i→j) = π(j) · P(j→i)这个公式的意思是：从状态i到j的概率流，等于从j到i的概率流。系统处于「微观平衡」状态。
满足细致平衡条件的马尔可夫链，一定有一个平稳分布π。反过来不一定成立，但细致平衡是构造MCMC算法的核心工具。
我曾经在实现Metropolis-Hastings算法时，因为没仔细检查细致平衡条件，结果采样出来的分布完全不对。排查了两天才发现是提议分布的对称性没处理好。嗯，这个坑我替你踩过了。
注意：细致平衡是充分条件，不是必要条件。但几乎所有实用的MCMC算法都基于它来设计。
1.4 蒙特卡洛方法：用随机数解决确定性问题
聊完马尔可夫链，我们来说说蒙特卡洛。
蒙特卡洛方法的核心思想很简单：用大量随机样本来近似计算复杂问题。
比如，你想计算一个不规则图形的面积。解析几何搞不定？没关系，往里面随机撒点，数一数落在图形内的比例，乘以总面积就得到了近似值。这就是蒙特卡洛。
在金融里，蒙特卡洛最常见的应用是期权定价：
import numpy as np
def monte_carlo_option_price(S0, K, T, r, sigma, n_sim=100000):
"""蒙特卡洛模拟欧式看涨期权价格"""
np.random.seed(42)
Z = np.random.standard_normal(n_sim)
ST = S0 * np.exp((r - 0.5 * sigma**2) * T + sigma * np.sqrt(T) * Z)
payoff = np.maximum(ST - K, 0)
price = np.exp(-r * T) * np.mean(payoff)
return price
# 试试看
price = monte_carlo_option_price(100, 105, 1, 0.05, 0.2)
print(f"期权价格 ≈ {price:.2f}")你看，代码很简单。但问题是：当我们需要从复杂的高维分布中采样时，普通的蒙特卡洛就失效了。这时候，MCMC就登场了。
1.5 MCMC的核心思想：让马尔可夫链帮你采样
好，现在我们把两个概念串起来。
MCMC的核心思想是：构造一个马尔可夫链，让它的平稳分布等于我们想要采样的目标分布，然后运行这个链，收集样本。
说白了就是三步：
- 设计：构造一个转移核，使得目标分布π是它的平稳分布
- 运行：从某个初始状态开始，按照转移核一步步跳转
- 收集：扔掉前期的「热身」样本（burn-in），用后面的样本做估计
为什么要扔掉前期的样本？因为刚开始链还没收敛到平稳分布，那些样本是有偏的。我一般会扔掉前20%-50%的样本，具体比例看收敛速度。
一句话总结：MCMC = 马尔可夫链（保证收敛到目标分布） + 蒙特卡洛（用样本做近似计算）
下面这张图展示了MCMC的整体流程：
1.6 为什么金融领域需要MCMC？
你可能要问：传统的蒙特卡洛方法不也能采样吗？为什么非要搞个MCMC？
原因很简单：很多金融模型的后验分布是高维的、非标准的、甚至没有解析形式。比如：
- 随机波动率模型的参数估计
- 信用风险中的违约概率推断
- 贝叶斯统计中的后验分布采样
- 因子模型中的隐状态推断
在这些场景下，普通的蒙特卡洛方法根本无从下手。而MCMC可以灵活地处理任意复杂的分布——只要你能写出它的概率密度函数（最多差一个常数倍）。
我的建议：刚开始学MCMC时，不要一上来就搞复杂的金融模型。先拿一个简单的一维高斯分布练手，把Metropolis-Hastings算法跑通，再逐步增加难度。这样出了问题也好排查。
1.7 本章小结
好了，第一章的内容就到这里。我们覆盖了：
| 概念 | 一句话理解 | 金融应用场景 |
|---|---|---|
| 马尔可夫链 | 未来只依赖现在 | 状态转换建模、订单流预测 |
| 平稳分布 | 链跑久了会稳定下来的分布 | 资产配置的长期权重 |
| 细致平衡 | 微观上正反概率流相等 | 构造MCMC算法的核心条件 |
| 蒙特卡洛 | 用随机数做近似计算 | 期权定价、风险度量 |
| MCMC | 用马尔可夫链帮你采样 | 贝叶斯推断、隐状态估计 |
下一章，我们会深入最经典的MCMC算法——Metropolis-Hastings。我会带着你一步步实现它，并告诉你我在实际项目中踩过的那些坑。
公众号:蓝海资料掘金营，微信deep3321