概率论在量化里不是「基础知识」，而是日常语言：每一笔交易都是在一个随机变量的实现上下注。本篇把最核心的四个概念——期望、方差、协方差、条件概率——逐一翻译成交易操作，并解释两个在策略评估中无处不在的定理（大数定律、中心极限定理）以及一个经常被违反的假设（正态分布）。
随机变量与期望：你的策略有正的数学期望吗
把未来一天的策略收益率记作随机变量 r。期望 E[r] 是长期平均意义上的单次下注价值。任何交易决策的第一问都该是：E[r] > 0 吗？——而且要扣除成本：
E[净收益] = 胜率 × 平均盈利 − (1 − 胜率) × 平均亏损 − 成本
一个胜率 60%、平均赚 1%、平均亏 1.5%、双边成本 0.3% 的日频策略：0.6×1% − 0.4×1.5% − 0.3% = −0.3%。胜率过半仍然亏钱——胜率本身毫无意义，期望才有意义。趋势跟踪策略胜率常低于 40% 却长期盈利，靠的是盈亏比拉高期望。
期望的线性性 E[a·r₁ + b·r₂] = a·E[r₁] + b·E[r₂] 不要求独立性——这是组合收益期望可以直接逐项相加的原因。
方差与波动率：风险不是一个数，是你对均值的偏离
方差 Var[r] = E[(r − E[r])²] 度量收益围绕均值的分散程度，标准差 σ（波动率）是其平方根。交易中的三个直接用法：
- 年化换算：日波动率 ×√252。日波动 1% 的策略年化约 15.9%；
- 夏普比率：
Sharpe = E[r] / σ（无风险利率取 0 的相对口径），每承担一单位波动换来多少收益； - 仓位换算：目标波动率倒推仓位——想让组合年化波动控制在 10%，而标的年化波动 25%，则仓位 ≈ 10/25 = 40%（见仓位 sizing ）。
注意方差对平方敏感：大亏一天对方差贡献超过十个小赚日，这正是它比「平均亏损」更贴近风险本质的原因。
协方差与相关：分散化为什么有效
协方差 Cov[r₁,r₂] = E[(r₁−μ₁)(r₂−μ₂)] 度量两个资产如何共动；除以两个标准差得到相关系数 ρ ∈ [−1,1]。两资产组合方差：
Var(w₁r₁ + w₂r₂) = w₁²σ₁² + w₂²σ₂² + 2w₁w₂ρ₁₂σ₁σ₂
只要 ρ₁₂ < 1，组合方差就小于成分方差的加权平均——这就是分散化的数学本质。银行股与券商股 ρ 高达 0.8+，分散有限；股票与国债 ρ ≈ −0.3，才是真正的对冲。推广到 N 个资产就是协方差矩阵 Σ，它是组合优化的核心输入（见协方差矩阵与 PCA ）。
常见分布：正态是好仆人、坏主人
| 分布 | 量化场景 | 关键提醒 |
|---|---|---|
| 正态 N(μ,σ²) | 收益率的一阶近似、风险模型的默认假设 | 现实收益肥尾且偏斜 |
| t 分布 | 收益率拟合（自由度 3–6 常见） | 尾部比正态厚，更贴近极端行情频率 |
| 二项分布 | n 天里上涨天数 | 胜率检验的原材料 |
| 泊松分布 | 极端事件/跳空计数、限价单成交次数 | 稀有事件建模 |
| 对数正态 | 价格（非收益）的分布假设 | 价格非负；GBM 定价的底层假设 |
| 卡方分布 | 方差检验、协方差检验统计量 | 风险模型回溯测试 |
肥尾的现实含义：正态假设下，标普 500 单日 −20% 以上约为「宇宙年龄才会见一次」的事件，而 1987 年真实发生过；2020 年 4 月 WTI 原油甚至收出 −37 美元。用正态算 VaR 会系统性低估尾部（解决路线见风险度量 ：历史模拟、t 分布、极值理论）。A 股还有截断效应：±10% 涨跌停把尾部硬切掉，日收益分布在边界处堆积——回测与风控都不能假装它不存在。
大数定律与中心极限定理：为什么「次数」比「预测」可靠
大数定律（LLM）：独立同分布下，样本均值随次数增加收敛到期望。交易含义：正期望的策略必须靠足够的重复次数把优势兑现。一个 55% 胜率的系统，100 笔样本里亏损的概率仍然可观，10000 笔里亏损概率趋近于零——这是「小资金高频验证、验证后再放大」的数学依据，也是「用三个月回测判断十年策略」不可靠的原因（样本不足以让 LLN 发挥）。
中心极限定理（CLT）：独立同分布随机变量之和（标准化后）趋近正态——无论单期收益长什么样。这就是为什么：日收益肥尾，但月/季收益（多日加总）更接近正态；IC 序列的 t 检验 t = mean(IC)/std(IC) × √T 有意义；夏普比率的显著性检验 t ≈ Sharpe × √T 成立（见假设检验
）。同时注意 CLT 的边界：收益不完全独立（波动聚集、自相关），收敛速度在尾部很慢——对「厚尾+t 小样本」，谨慎对待基于正态的显著性结论。
条件概率与贝叶斯思维：策略信念的持续更新
条件概率 P(A|B) = P(A∩B)/P(B) 的交易化：不是问「股票明天上涨的概率」，而是问「在放量突破的条件下，明天上涨的概率」——所有因子本质上都是条件概率的压缩表达。
贝叶斯公式把「先验信念 + 新证据 → 后验信念」形式化：
P(H|D) ∝ P(D|H) × P(H)
策略研究中的三处直接应用：
- 因子有效性是信念不是事实：回测前对「动量在 A 股有效」赋一个不高不低的先验，回测证据（似然）将其更新为后验——单次回测的 5% 显著性不应把信念推到 95% 确定，因为「因子普遍无效」的先验概率并不低；
- 调参的贝叶斯优化：把「参数→绩效」视为黑盒函数，用后验分布引导下一步采样，比网格搜索省一个数量级的算力（见AutoML 与因子挖掘 ）；
- Black-Litterman 的灵魂：把市场均衡权重当先验、观点当似然、观点置信度控制更新幅度——整个模型就是一次贝叶斯更新（见Black-Litterman ）。
贝叶斯思维的最大礼物是允许自己被打脸：先验可以错，只要更新机制诚实，长期仍会收敛到真相——这恰恰是「圣杯思维」的反面。
关联阅读：统计推断 把本篇的 CLT 变成可操作的检验工具；蒙特卡洛模拟 用随机采样代替解析推导；随机过程 把概率升级为随时间演化的模型。