阶段3概率与分布●●●●●

条件概率与贝叶斯：观点更新的数学操作系统

我的掌握程度：
q-232精讲

先掌握这个答案

条件概率：P(A|B)=P(A∩B)/P(B)——"在B发生的世界里A的概率"。贝叶斯定理：P(H|E)=P(E|H)P(H)/P(E)——三段式：先验P(H)（看到证据前的信念）×似然P(E|H)（假设下证据出现的概率）÷证据P(E)（归一化）=后验（更新后的信念）。金融三应用：①观点更新：先验=基本面判断40%涨，证据=放量突破（似然比2:1）→后验≈57%；②信号叠加：多因子打分的概率解释（朴素贝叶斯版因子合成——假设因子条件独立）；③贝叶斯收缩：IC加权其实是"向先验收缩"——Black-Litterman（q-559）是它的组合版大成。两派之争的实务答案：频率派给你检验（q-246起），贝叶斯给你更新——一个管"这个证据可信吗"、一个管"信念该挪多少"——都用。

先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。

从理解到使用

本阶段实战方法 · 每个统计量都要带单位和假设

计算收益、波动、回归、显著性或相关性时，先明确样本和推断条件。

  1. 写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。
  2. 手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。
  3. 解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。

使用边界

  • p值不是原假设为真的概率，也不是策略未来盈利概率。
  • 日波动×√252依赖时间聚合假设；252是教学常用交易日数，实际市场与口径可能不同。
不懂的术语：因子（Factor）IC（信息系数）因子合成（Factor Combination）Black-Litterman 模型
背景 · 从一个困惑说起
你以为的"这只股票会涨的概率是60%"是什么意思？它是条件概率——在你当前信息下的主观概率。新信息来了（财报超预期），概率应该怎么变？贝叶斯定理给出了唯一自洽的答案。它是量化研究员"改变想法"的操作系统。
由此产生的问题
条件概率与贝叶斯定理的形式？先验/似然/后验的分工？金融里的三个应用（观点更新/信号叠加/贝叶斯收缩）？为什么"频率派 vs 贝叶斯派"的争论对实务者没那么重要？
核心概念
条件概率：P(A|B)=P(A∩B)/P(B)——"在B发生的世界里A的概率"。贝叶斯定理：P(H|E)=P(E|H)P(H)/P(E)——三段式：先验P(H)（看到证据前的信念）×似然P(E|H)（假设下证据出现的概率）÷证据P(E)（归一化）=后验（更新后的信念）。金融三应用：①观点更新：先验=基本面判断40%涨，证据=放量突破（似然比2:1）→后验≈57%；②信号叠加：多因子打分的概率解释（朴素贝叶斯版因子合成——假设因子条件独立）；③贝叶斯收缩：IC加权其实是"向先验收缩"——Black-Litterman（q-559）是它的组合版大成。两派之争的实务答案：频率派给你检验（q-246起），贝叶斯给你更新——一个管"这个证据可信吗"、一个管"信念该挪多少"——都用。
为什么需要它
①反拒判思维：人天然抗拒改变观点（确认偏误）——贝叶斯把"改想法"变成乘法规则，让更新有纪律有幅度；②量化的深层语法：从因子加权到BL模型、从风控的情景更新到组合的动态调整——"用新证据修正旧信念"是它们共同的数学母体；③防止两极：既不顽固（无视证据）也不轻信（一次证据全盘翻转）——后验的幅度由似然比控制。
实际应用场景
实操模板：把每次新信息写成似然比（这个证据在"涨的世界"比在"跌的世界"常见多少倍）→后验几率=先验几率×似然比——对数化后即加法，可累加多个证据（朴素贝叶斯）。
与之前知识的联系
q-231（大数定律给出频率基础）之上的人类推理层；q-559（BL模型）是它的组合理论巅峰；观点更新的幅度控制呼应q-249（p值：证据强度的频率派度量）。
⚠ 常见误解
  • 贝叶斯=主观拍脑袋：先验可以是数据频率（客观贝叶斯）；且后验会被数据收敛——先验的影响随证据减弱
  • 看到利好就该翻多：更新幅度=似然比——利好若在涨跌两个世界同样常见（似然比≈1），它没有信息量
  • 概率是市场的真实属性：它是你信息状态下的信念度量——不同人不同先验得出不同后验，这恰恰是交易存在的原因

🤖 AI导师

导师会先检查你的前置知识（大数定律、期望），再用案例、公式和代码帮助理解。此功能需要先启用服务。

量化学徒 · 研究与实践学习系统 ｜ 示例用于教学，实际规则以适用日期和官方说明为准