第二章：概率论与统计基础
各位同学好，我是老张。今天咱们聊聊量化策略里最基础、也最绕不开的东西——概率论与统计。说实话，我见过不少做策略的同行，上来就撸机器学习模型，结果连条件概率都没搞明白，回测曲线漂亮得不行，实盘一跑就崩。嗯，这坑我踩过，所以今天咱们把地基打牢。
2.1 条件概率：策略里的“如果…那么…”
条件概率说白了就是：在已知某些信息的情况下，某件事发生的概率有多大。公式很简单：
P(A|B) = P(A∩B) / P(B)我在做因子分析时经常用到这个。比如，我想知道“当成交量放大时，股价上涨的概率”。这里的“成交量放大”就是条件B，“股价上涨”就是事件A。你想想看，如果不加条件，直接算股价上涨的概率，可能只有50%。但加上成交量放大的条件，这个概率可能就变成65%了。这就是条件概率的价值——帮我们找到更靠谱的交易信号。
核心要点：条件概率是量化策略中所有“择时”逻辑的数学基础。没有它，你所谓的“策略逻辑”就是空中楼阁。
2.2 贝叶斯定理：从结果反推原因
贝叶斯定理是条件概率的逆运算。公式长这样：
P(A|B) = P(B|A) * P(A) / P(B)我个人习惯把贝叶斯定理叫做“事后诸葛亮定理”。为什么？因为它允许我们根据已经发生的结果，去更新对原因的信念。
举个例子。假设你有一个选股策略，历史上胜率是60%。今天策略发出了买入信号，但大盘突然暴跌。这时候，你该不该信这个信号？贝叶斯定理告诉我们：需要结合“大盘暴跌时策略表现如何”这个条件概率，来更新你对策略的信任度。
我的经验：在实盘策略中，我每周都会用贝叶斯方法更新因子权重。说白了，就是让市场数据自己说话，而不是死守着一成不变的参数。我曾经因为没做贝叶斯更新，在2015年股灾时吃了大亏——策略信号全失效了，我还傻傻地满仓扛着。
2.3 期望与方差：策略的“收益”和“风险”
期望就是加权平均，告诉你长期来看能赚多少。方差衡量的是波动，告诉你风险有多大。
E[X] = Σ xi * P(xi)
Var(X) = E[(X - E[X])²]做策略的人，天天跟这两个东西打交道。我见过太多人只看期望收益，不看方差。结果呢？回测曲线漂亮得像条直线，实盘一上去就上下翻飞，心脏受不了。
| 指标 | 含义 | 策略中的应用 |
|---|---|---|
| 期望收益 | 长期平均收益 | 判断策略是否值得做 |
| 方差/标准差 | 收益的波动程度 | 衡量策略风险，设置止损 |
| 夏普比率 | 期望收益/标准差 | 风险调整后的收益指标 |
避坑指南：我曾经犯过一个错误——只看样本内期望收益，没考虑样本外方差会变大。结果策略上线后，实际波动是回测的2倍。记住：回测里的方差往往偏小，实盘要打1.5到2倍的折扣。
2.4 协方差与相关性：因子之间的“关系网”
协方差衡量两个变量一起变动的方向。相关性是标准化后的协方差，取值在-1到1之间。
Cov(X,Y) = E[(X - E[X])(Y - E[Y])]
Corr(X,Y) = Cov(X,Y) / (σX * σY)做多因子策略时，相关性分析是必修课。你想想看，如果两个因子相关性高达0.9，那它们本质上是在说同一件事。把它们都放进模型，不仅浪费，还会导致多重共线性问题。
我个人的习惯是：先算所有因子两两之间的相关系数矩阵，然后设定一个阈值（比如0.7），超过这个阈值的因子只保留一个。这一步做完，模型稳定性会明显提升。
实战技巧：不要只看线性相关性。金融数据里经常有非线性关系。我会同时算一下Spearman秩相关系数，它能捕捉单调关系，对异常值也更鲁棒。
2.5 假设检验：你的策略真的有效吗？
假设检验是量化策略的“照妖镜”。它帮我们回答一个关键问题：策略的收益到底是真本事，还是纯属运气？
最常用的是t检验，检验策略的平均收益是否显著不为零。还有F检验，用来比较不同策略的方差是否相等。
t = (x̄ - μ0) / (s / √n)这里有个坑，我必须要说。很多人做假设检验时，样本量不够大，或者数据存在自相关，导致t统计量失真。我曾经见过一个策略，用日频数据回测了3年，t值高达3.5，看起来非常显著。但仔细一看，策略的持仓周期是5天，每天的收益其实是高度自相关的。用普通t检验，自由度被高估了，显著性也被夸大了。
我的建议：做假设检验时，至少用两种方法交叉验证。比如t检验加上bootstrap检验。如果两者结论一致，那才比较放心。另外，p值小于0.05不代表策略一定有效——多重比较下，p值会膨胀，记得做Bonferroni校正。
知识体系总览
下面这张图是我自己画的，把本章的核心逻辑串起来了。你看一遍，应该能对概率统计在量化策略中的角色有个整体认识。
好了，第二章的内容就到这里。概率统计这东西，光看不行，得动手算。我建议你把文中的公式自己推导一遍，然后用真实数据跑一跑。下一章咱们聊时间序列分析，那又是另一片天地了。
公众号:蓝海资料掘金营，微信deep3321