WHY为什么整个金融行业都对正态分布上瘾如果你学过任何一门金融课大概率会被一个东西反复轰炸——正态分布Normal Distribution也叫高斯分布。资产收益率假设正态、风险模型假设正态、期权定价假设正态、VaR计算假设正态……仿佛金融世界的一切都可以用一个钟形曲线搞定。为什么因为它太好用了。正态分布的迷人之处1. 数学上极其优雅正态分布有两个参数——均值μ和标准差σ——就能完整描述整条曲线。均值告诉你中心在哪标准差告诉你数据有多分散。有了这两个数你可以直接算出任何区间内的概率•±1σ 覆盖 68.27% 的数据•±2σ 覆盖 95.45% 的数据•±3σ 覆盖 99.73% 的数据这组数字经验法则/68-95-99.7规则是每一个金融从业者的常识底色。2. 中心极限定理CLT撑腰大量独立随机变量之和趋近于正态分布——这是统计学中最强大的定理之一。金融资产的价格变动理论上可以分解为无数独立的信息冲击之和所以收益率应该接近正态。这个逻辑链条看起来很完美。3. 现代金融大厦的地基•Markowitz的均值-方差优化假设收益率正态用均值和方差就能完整刻画投资选择•CAPM模型β的计算依赖协方差矩阵正态假设下协方差就是全部•Black-Scholes期权定价核心假设就是标的资产收益率服从对数正态分布•VaR在险价值标准参数VaR直接查正态分布表可以说没有正态分布假设就没有现代金融工程的整个体系。但是——这个迷人的假设有致命缺陷1987年10月19日黑色星期一。道琼斯指数单日暴跌22.6%。如果股市收益率真的服从正态分布这种级别的暴跌超过20个标准差应该几百万年才发生一次。但事实上它在一代人之内就发生了。这不是孤例。2000年互联网泡沫、2008年金融危机、2010年闪崩、2015年A股熔断、2020年3月美股连续熔断……每一次极端事件按正态分布算都是几百万分之一甚至更低的概率。正态分布说极端事件几乎不可能发生。现实说极端事件比你想象的频繁得多。这就是正态分布在金融中最致命的bug——肥尾效应Fat Tails。一句话总结正态分布让你觉得风险是可控的、极端事件可以忽略。但金融市场恰恰在极端事件中杀人最狠。HOW正态分布的数学本质以及金融数据为什么不正常正态分布的数学定义正态分布的概率密度函数PDF•μ 均值决定曲线中心位置•σ 标准差决定曲线宽窄•曲线关于均值对称两端无限延伸但尾部概率衰减极快尾部衰减速度是关键。正态分布的尾部以的速度衰减——指数级的平方非常快。这意味着距离均值越远的极端值出现的概率以超指数速度下降。金融数据不正常的三个证据证据一峰度Kurtosis远超3正态分布的峰度超额峰度为0。但大量实证研究表明金融资产的收益率分布往往呈现高峰度Leptokurtic——超额峰度为正值意味着•分布更尖峰集中在均值附近的数据比正态分布更密集•尾部更肥极端值出现的频率比正态分布预测的高得多经典数据•标普500日收益率的超额峰度约为7-14正态分布为0•个别新兴市场的超额峰度可达20证据二偏度Skewness不为0正态分布完全对称偏度为0。但股票收益率往往呈现负偏——下跌的幅度和频率大于上涨。这意味着市场崩盘的速度往往比上涨更快、更猛烈。证据三波动率聚集Volatility Clustering正态分布假设收益率独立同分布。但真实市场中大波动之后跟着大波动小波动之后跟着小波动——这是Mandelbrot在1960年代就发现的规律。波动率不是常数而是会变化的有时平静得像湖面有时剧烈得像风暴。肥尾到底有多肥用一个具体例子感受假设某指数日收益率均值0.05%日波动率1%。正态分布预测单日跌幅超过5%5个标准差的概率约为0.00006%大约170万年发生一次。现实数据美股历史上单日跌幅超过5%发生了几十次大约每3-5年一次。差距现实比正态分布预测的概率高了10万倍以上。这就是为什么Nassim Taleb在《黑天鹅》里说用正态分布预测金融风险就像用温度计测量海啸。那为什么金融行业还在用因为好用而且暂时没有更好的通用替代品。1.正态分布假设下的模型简单、直观、可计算2.在正常市场环境下正态近似其实不差3.替代模型如t分布、极值分布、GARCH族模型更复杂参数估计更困难4.监管框架巴塞尔协议等大量基于正态假设构建但聪明的从业者早就在做修正了。WHAT认清正态分布的局限后你怎么做核心认知1.正态分布是现代金融的理论基石均值-方差优化、CAPM、Black-Scholes、VaR都建立在这个假设上2.金融资产收益率不服从正态分布——高峰度肥尾、负偏度、波动率聚集是三大经验事实3.肥尾意味着极端事件的发生概率被正态分布严重低估——差距可达数万倍4.正态分布不是错误而是近似——在正常市场条件下够用在极端条件下失效5.风险管理不能只靠正态分布——必须有肥尾意识使用压力测试、情景分析等补充工具实战中的应对策略1. 别迷信参数VaR标准VaR假设正态会严重低估尾部风险。替代方案•历史模拟VaR用真实历史数据排序不依赖分布假设•极值理论EVT专门建模尾部行为用广义帕累托分布拟合极端损失•Cornish-Fisher展开在正态VaR基础上用偏度和峰度修正2. 回测中加入压力情景别只看平均表现和最大回撤。专门设计极端情景•单日暴跌10%•连续5天下跌累计20%•流动性枯竭期价差扩大到正常的5倍•多资产同时暴跌相关性突然趋向13. 用更稳健的分布模型分布类型特点适用场景正态分布薄尾、对称理论推导、正常市场近似t分布厚尾、对称拟合日收益率自由度越低尾越肥对数正态右偏拟合资产价格价格不能为负广义帕累托厚尾极值理论建模尾部损失稳定分布厚尾偏度Mandelbrot提出但参数估计困难4. 仓位管理留足肥尾缓冲如果你的风控完全基于正态分布假设仓位会偏大。实际操作中•最大单笔仓位不超过总资金的5%单策略不超过20%•预留至少10%的现金作为黑天鹅缓冲•永远不要满仓满杠杆——正态分布会骗你但市场不会5. 监控分布特征的变化分布不是静态的。市场结构在变肥尾程度也在变•危机期间肥尾加重、相关性趋向1•平静期间肥尾减轻、分散化效果更好•用滚动窗口计算超额峰度和偏度发现尾部风险上升时主动降仓行动清单☐计算你持仓的日收益率分布看看超额峰度和偏度是多少☐对比你的风控模型是否假设了正态分布如果是评估尾部风险被低估了多少☐在策略回测中加入至少3个极端压力情景☐检查最大单笔仓位确保留有足够的肥尾缓冲☐学习极值理论EVT的基础概念作为正态分布的补充工具一句话总结正态分布是金融学最迷人的假设——优雅、好用、数学完备。但金融市场不是正态的尾部风险才是真正致命的。认清这个假设的局限你的风控才算及格。下一篇预告第26篇——t分布、对数正态分布为什么金融数据总是不正常