風險資產的回報是一個隨機變量,因為結果(可能的值)是不確定的。 「事件」是一組指定的結果。
使用三種方法來估計機率:
機率通常被表述為「賠率」。如果事件 $E$ 的機率為 $P(E)$,則賠率為:
$$賠率\ for\ E=\frac{P(E)}{1−P(E)}$$
$$P(A | B) = \frac{P(AB)}{P(B)}, P(B) ≠ 0$$
可以用代數運算上面的內容來導出機率的乘法規則。
$$P(AB)=P(A∣B)P(B)=P(BA)=P(B∣A)P(A)$$
機率乘法規則
A 和 B 的聯合機率可以表示為 $P(AB) = P(A | B)P(B)$
機率的加法規則
$$P(A 或 B) = P(A) + P(B) – P(AB)$$
或者
$$P(A U B) = P(A) + P(B) - P(A ∩ B)$$
獨立與依賴
投資經理人及其客戶非常感興趣的一個領域是,過去的業績記錄是否有助於識別重複的贏家和輸家。從數學上講,事件 A 和 B 是獨立的,當且僅當 P(A∣B)=P(A) 或等效地,P(B∣A)=P(B)。對於獨立事件,P(AB)=P(A)P(B)。
獨立事件的乘法規則
$P(AB) = P(A)P(B)$
總機率規則
$P(A)=P(AS)+P(AS^C)=P(A|S)P(S)+P(A∣S^C)P(S^C)$
$P(A)=P(AS_1)+P(AS_2)+…+P(AS_n)=P(A|S_1)P(S_1)+P(A|S_2)P(S_2)+…+P(A |S_n)P(S_n)$
其中 $S_1, S_2, …, S_n$ 是互斥且詳盡的場景或事件。
$S$ 的補碼是 $S^C$。它表示事件 $S$ 沒有發生。其遵循$P(S)+P(S^C)=1$。此符號可用於定義總機率規則。
$$E(X) = \displaystyle\sum_{i=1}^n{P(X_{i})X_{i}}$$
其中 $X_{i}$ 是 $X$ 的 $n$ 個可能結果之一
設 $w_{i}$ 為任意常數,$R_{i}$ 為隨機變數。
$E(w_{i}R_{i}) = w_{i}E(R_{i})$
$$E(w_{1}R_{1}+w_{2}R_{2}+…+w_{n}R_{n})=w_{1}E(R_{1})+w_{2} E(R_{2})+…+w_{n}E(R_{n})$$
與$E(X)$相關的風險
$$Var(X)=\sigma^2(X)=E{[X−E(X)]^2}$$
($X$ 的變異數是以 $X$ 的平方單位表示的數量。例如,如果隨機變數的回報率以百分比為單位,則回報率的變異數以平方百分比為單位。)
將變異數公式總結為:
$$\sigma^2(X)=P(X_{1})[X_{1}−E(X)]^2+P(X_{2})[X_{2}−E(X)]^ 2+…+P(X_{n})[X_{n}−E(X)]^2=\sum_{i=1}^n{P(X_{i})[X_{i}−E( X)]^2}$$
其中 $X_{i}$ 是隨機變數 $X$ 的 $n$ 個可能結果之一。
$σ^2(X)=E{[X−E(X)]^2}=\sum_{i=1}^n{{P(X_i)[X_i−E(X)]^2} }=E(X^2)−[E(X)]^2$
「條件期望值」考慮新資訊或事件。這可用於定義期望值的總機率規則。
$$E(X)=E(X∣S_1)P(S_1)+E(X∣S_2)P(S_2)+…+E(X∣S_n)P(S_n)$$
也可以計算條件方差。
$E(X|S) = P(X_{1}|S)X_{1} + P(X_{2}|S)X_{2} + … + P(X_{n}|S)X_{n }$
$$E(X) = E(X|S_{1})P(S_{1}) + E(X|S_{2})P(S_{2}) + … + E(X|S_{n ) })P(S_{n})$$
其中 $S_1, S_2, …, S_n$ 是互斥且詳盡的場景或事件。
*條件變異數和無條件變異數之間的關係將在後面的課程中繼續。
# 計算每股盈餘的 E(X):將每個預測與其機率相乘
ev['weighted'] = ev['probability']*ev['EPS ($)']
expected = ev['weighted'].tolist()
ev=sum(expected)
# 計算方差
list1=[]
for i in range(len(ev['EPS ($)'])):
diff = ev['EPS ($)'][i] - ev
diff_sqr = diff**2
eps = diff_sqr*ev['Probability'][i]
list1.append(eps)
var_x=sum(list1)
print(var_x)
標準差比變異數更容易解釋,因為它與隨機變數的單位相同。
# 計算標準差
var_x**0.5
計算給定每種情況下變數 $X$ 的變異數:
$\sigma^2{(X|S)}$
$\sigma^2{(X|S^C)}$