03.0 概述

市场是不确定的，但不确定性本身是有结构的。 概率论给了我们一套语言来描述"明天可能会发生什么"以及"每种可能性有多大"——这正是量化交易与赌博、算命之间最本质的区别。

---

本章定位

概率论是整系列中 连接广度最大的章节。它同时是：

• 04 数理统计的直接前提——所有统计推断（参数估计、假设检验）都建立在概率分布和抽样理论之上
• 06 随机过程的直接前提——布朗运动、伊藤引理本质上是对概率论在时间维度上的扩展
• 07 信息论的数学基础——熵和 KL 散度使用概率分布作为输入

它也是从 确定性数学（01 微积分、02 线性代数）到 不确定性建模 的转折点。前面的章节处理的是"给定 x，y 是多少"的确定性问题，从本章开始，我们处理的是"x 可能是这些值，每个值各有概率"的不确定性问题。

---

知识链条

五个小节构成一个 从公理到工具、从理论到实践 的清晰链条：

3.1 概率空间
    └── 概率论的公理化基础：样本空间 Ω、事件 F、概率测度 P
        │
        ▼
3.2 随机变量与分布
    └── 从事件到数字：用函数将随机结果映射为可计算的数值
        │
        ▼
3.3 期望、方差与条件期望
    └── 从分布到数字：期望是"中心"，方差是"离散度"
        │                  └── 条件期望：给定新信息后的最优预测
        │
        ├──────────────────────┐
        ▼                      ▼
3.4 贝叶斯定理              3.5 大数定律 & CLT
    └── 更新信念                └── 极限行为
    P(θ|data) ∝ P(data|θ)P(θ)    样本均值→期望，分布→正态

关键转折点在 3.3：3.1–3.2 建立模型，3.3–3.5 给出这个模型的输出——期望告诉我们"平均来看"，贝叶斯告诉我们"如何学习"，LLN/CLT 告诉我们"为什么多观察会逼近真相"。

---

量化应用速览

小节	核心概念	量化应用	实战例子
3.1 概率空间	$(\Omega, \mathcal{F}, P)$，条件概率 $P(A \mid B) = \frac{P(A \cap B)}{P(B)}$	风险中性概率测度 $\mathbb{Q}$ 的定义基础；Derivatives 定价的测度变换	鞅定价：$V_t = e^{-r(T-t)}\mathbb{E}^\mathbb{Q}[V_T \mid \mathcal{F}_t]$
3.2 随机变量与分布	PMF/PDF $f(x)$，CDF $F(x)$，正态 $N(\mu,\sigma^2)$、t 分布、$\chi^2$、F 分布	收益率分布假设、VaR 计算、期权定价中的对数正态假设	假设 $R_t \sim N(\mu, \sigma^2)$，$VaR_{95\%} = \mu - 1.645\sigma$
3.3 期望、方差与条件期望	$\mathbb{E}[X] = \int x f(x) dx$，$\text{Var}(X) = \mathbb{E}[(X-\mu)^2]$	夏普比率 $SR = \frac{\mathbb{E}[R_p] - R_f}{\sigma_p}$、投资组合期望收益	$\mathbb{E}[R_p] = \boldsymbol{w}^T \boldsymbol{\mu}$，各资产期望收益的加权平均
3.4 贝叶斯定理	$P(A \mid B) = \frac{P(B \mid A)P(A)}{P(B)}$	Black-Litterman 模型：先验市场均衡 + 投资者观点 → 后验预期收益	BL 模型：$\mu_{BL} = [(\tau\Sigma)^{-1} + P^T\Omega^{-1}P]^{-1}[(\tau\Sigma)^{-1}\Pi + P^T\Omega^{-1}Q]$
3.5 LLN & CLT	LLN: $\bar{X}_n \xrightarrow{p} \mu$；CLT: $\sqrt{n}(\bar{X}_n - \mu) \xrightarrow{d} N(0,\sigma^2)$	多样化降低风险的理论基础（LLN）；VaR 计算的 Normal 逼近（CLT）	持有 $n$ 支不相关资产，组合方差 $\propto 1/n$——LLN 在量化中的直接体现

---

学习路径

• 推荐顺序：3.1 → 3.2 → 3.3 → 3.4 → 3.5（线性递进，3.4 和 3.5 可交换）
• 前置知识：01 高等数学中的积分概念（3.3 期望的定义需要积分）；集合论基础（3.1 概率空间需要集合运算）
• 时间预估：3.1–3.3（3–4 天）+ 3.4（1–2 天）+ 3.5（1–2 天）
• 章节依赖：本章是 04 数理统计 和 06 随机过程 的共同前提

下一步：学完不确定性建模后，进入 04 数理统计——学习如何从数据中推断真相。