跳转到内容

0.7 概率、期望值与正态分布:盈利概率、盈亏比与钟形曲线

为什么要学:卖出期权的策略,盈利概率常常达到 70%–90%,长期却可能亏损。这正是十条纪律第 8 条所说的「高盈利概率不等于正期望」,理解它需要先学会计算期望值。此外,期权定价模型假设对数收益率服从正态分布,也就是价格服从对数正态分布(本节后文),后面的很多计算都建立在这个假设之上。

生活类比:保险公司。

  • 保险公司每年向很多人收取一小笔保费,大多数年份不需要赔付,这是高概率的小额盈利。偶尔遇上大灾,它就要一次赔付一大笔,这是低概率的大额亏损。
  • 它能长期盈利,是因为算准了「概率 × 金额」,把保费定得足够高,而且保单分散在成千上万个互不相关的投保人身上。
  • 类比的局限:保单之间互不相关,你卖出的期权却不是这样。市场大跌时,它们往往同时亏损,风险无法像保单那样分散。

概率(probability)衡量一件事发生的可能性,取值在 0(不可能发生)到 1(必然发生)之间,也常写成百分比。例如,抛硬币得到正面的概率是 1/2 = 50%,掷骰子得到 6 点的概率是 1/6 ≈ 16.7%。一件事所有可能结果的概率加起来一定等于 1(100%),所以「不发生」的概率 = 1 − 「发生」的概率。

概率有三个来源:

  • 理论:硬币和骰子的结构决定了概率,它可以直接算出,也不会改变。市场里的概率却只能用下面两种方法估计,而且会随时间改变,这是交易比掷骰子更难的地方。
  • 历史频率:一件事过去 100 次里发生了 30 次,就估计它的概率约为 30%。但历史不一定重演,样本太少时误差也很大。
  • 市场价格:期权价格里包含了市场对各种结果的概率估计。第3章讲怎样从期权价格读出这种概率,以及它与真实概率的区别。

赌徒谬误(gambler’s fallacy)是估计概率时常见的错误:以为「连续 5 次正面,下一次该出反面了」。实际上,每次抛硬币都是独立的,前面的结果不影响下一次,所以下一次出正面的概率仍是 50%。同样的道理,「连跌 5 天,明天一定反弹」也没有根据。

期望值(expected value,EV)是每种结果的「概率 × 盈亏」之和,它代表一件事重复很多次之后,平均每次的结果。写成公式:

EV=p1×x1+p2×x2+⋯+pn×xnEV = p_1 \times x_1 + p_2 \times x_2 + \cdots + p_n \times x_n

其中 p₁、p₂……是每种结果的概率,x₁、x₂……是对应的盈亏(盈利为正、亏损为负),EV 是期望值。

如果只有盈利和亏损两种结果,公式简化为:期望值 = 盈利概率 × 平均盈利 − 败率 × 平均亏损,其中败率 = 1 − 盈利概率。第11章会反复使用这个公式。

大数定律(law of large numbers)指各次结果互不影响、分布不变时,重复的次数越多,平均结果越接近期望值;反过来,次数少的时候,结果主要由运气决定。结果里偶尔有极大的亏损时(本节后文的「肥尾」),平均结果接近期望值的速度很慢,几十笔交易的平均也可能离期望值很远。因此,期望值为正的策略也可能连续亏损好几次,期望值为负的策略也可能连续盈利好几次。判断一个策略的好坏,不能看最近几次的输赢。

盈利概率(win rate)是盈利的次数占总次数的比例。用自己做过的交易算出的盈利概率只是一个样本估计:交易笔数少时误差很大,十几二十笔交易不足以得出结论(6.7 讲怎样估计它的误差)。

盈亏比(payoff ratio,也叫赔率)是平均每次的盈利 ÷ 平均每次的亏损。

这两个数要一起看,因为按上一节的简化公式,期望值同时取决于两者。盈利概率高,只说明盈利的次数多;如果平均亏损远大于平均盈利,少数几次亏损仍然可以抵消多次盈利。所以,盈利概率高、盈亏比低,可能是长期亏损的游戏;盈利概率低、盈亏比高,也可能是长期盈利的游戏。只看其中一个,无法判断策略的期望值是正是负。

期权交易中最常见的陷阱,是只凭盈利概率高就卖出离现价很远的期权。这样做大多数时候能获得一小笔盈利,这是盈利概率高;偶尔遇上大行情,就会亏损一大笔,这是盈亏比低。第8章的「77% 盈利概率」就是一个例子。

盈利概率 83% 的游戏也可能长期亏损:比较的是「概率 × 金额」的面积

掷骰子:1–5 点赢 $10,6 点输钱(下面的例子 2、3)· 宽 = 概率,高 = 金额,面积 = 概率 × 金额

6 点输 $60

1–5 点赢 $10 × 5/6 = +$8.336 点输 $60 × 1/6 = −$10

期望值 ≈ −$1.67 每次

6 点输 $40

1–5 点赢 $10 × 5/6 = +$8.336 点输 $40 × 1/6 = −$6.67

期望值 ≈ +$1.67 每次

左图:赢的面积 8.33 小于输的面积 10;右图:输的面积缩小到 6.67,小于赢的面积。
期望值 · 概率 × 金额

正态分布(normal distribution)是一种钟形的分布:中间的结果最多,越往两边越少,而且左右对称。身高、测量误差等很多现象都接近正态分布。一条正态分布只由两个数决定:平均数决定钟形的中心,标准差决定钟形的宽度。

68–95–99.7 规则给出了结果落在平均数附近各个区间的比例:

  • 约 68% 的结果,落在平均数 ±1 个标准差(±1σ)之内。
  • 约 95% 的结果,落在 ±2σ 之内。
  • 约 99.7% 的结果,落在 ±3σ 之内。

正态分布左右对称,所以 ±1σ 以外的 32% 平均分在两侧:高于 +1σ 的机会约为(100% − 68%)÷ 2 = 16%,低于 −1σ 的机会也约为 16%。同理,高于 +2σ 的机会约为(100% − 95%)÷ 2 = 2.5%。

用在股价上,年化波动率就是一年收益率的标准差(0.6),所以一年后股价的 1σ 约等于股价 × 年化波动率。SPY 按 $770、年化波动率 15% 计算,一年后的 1σ = 770 × 15% = $115.5。下图画出了这个例子。

按示例参数计算 · SPY $770、年化波动率 15%、正态近似 · 非实时
按示例参数计算 · SPY $770、年化波动率 15%、正态近似 · 非实时

图中颜色最深的一段是 ±1σ,一年后的价格约有 68% 的可能落在这里;加上两侧颜色较浅的部分是 ±2σ,约有 95% 的可能。两个区间的算法见例子 4。

这张图做了一个简化:把价格的分布画成左右对称。真实的定价模型使用对数正态分布(lognormal distribution):股价最多跌到 0,上涨却没有上限,所以向上的空间比向下大(2.8)。期限短、波动小时,两种分布差别不大;期限长、波动大时,差别就很明显。例如 NVDA($225、年化波动率 40%)一年后的 ±2σ 区间,按正态近似是 $45–$405,按对数正态分布约为 $93–$462。

肥尾:真实市场比钟形曲线更极端

Section titled “肥尾:真实市场比钟形曲线更极端”

肥尾(fat tails)指真实市场涨跌分布两端的「尾巴」比正态分布更肥:特别大的涨跌比正态分布预测的多得多,而且越极端,差距越大。

按正态分布,单日涨跌超过 ±3σ,约 370 个交易日才有一次(约 1.5 年);超过 ±4σ,约 63 年一次;超过 ±5σ,约 6,900 年一次。然而,真实的标普 500 出现过这样的单日涨跌:

  • 1987 年 10 月 19 日单日跌约 20%
  • 2020 年 3 月 16 日单日跌约 12%
  • 2025 年 4 月 9 日单日涨约 9.5%

按平时约 1% 的日标准差算,这些都是 9σ 以上的事件:用涨跌幅除以 1%,三天分别约为 20σ、12σ 和 9.5σ。按正态分布,它们几乎永远不会发生;现实中却在几十年里发生了好几次。从 1975 年以来的全部交易日看,超过 4σ 的单日涨跌有 80 天,而正态分布预测的不到 1 天(数据与证据)。

按正态分布,5σ 约 6,900 年一遇;标普 500 在几十年里出现过 9.5σ、12σ、20σ 的单日涨跌

标普 500 的单日涨跌,以平时约 1% 的日标准差为 1σ · 浅色是 ±3σ 以内:按正态分布,约 99.7% 的交易日落在这里

按正态分布:单日涨跌

超过 ±3σ约 370 个交易日一次(约 1.5 年)

超过 ±4σ约 63 年一次

超过 ±5σ约 6,900 年一次

真实的标普 500

2025 年 4 月 9 日单日涨约 9.5%

9.5σ

2020 年 3 月 16 日单日跌约 12%

12σ

1987 年 10 月 19 日单日跌约 20%

20σ
肥尾 · 正态分布与标普 500 的真实单日

肥尾主要有三个来源:隔夜的突发消息会造成跳空;大波动之后往往跟着大波动,也就是 0.6 讲的波动聚集;恐慌时,投资者会争相卖出。

肥尾对期权交易有三点意义:

  1. 卖出期权的最大风险来自肥尾。平时积累的小额盈利,可能被一次极端行情全部抵消。
  2. 对指数和多数个股,离现价很远的看跌期权,市场价格往往高于用平值期权的 IV 按 Black-Scholes 模型算出的价格,因为投资者愿意为防范「崩盘」多付钱(第2章「看跌偏斜」)。
  3. 因此,仓位要按「最坏情况」确定,而不是按「正常情况」确定。

例子(示例价格,非实时):

  1. 抛硬币游戏:正面赢 $10,反面输 $10。
    • 期望值 = 0.5 × 10 + 0.5 × (−10) = 5 − 5 = $0。所以无论重复多少次,平均每次都不盈不亏。
    • 如果正面改为赢 $12,期望值 = 0.5 × 12 − 0.5 × 10 = +$1,即平均每次盈利 $1。
  2. 骰子游戏(高盈利概率陷阱):掷出 1–5 点你赢 $10,掷出 6 点你输 $60。
    • 盈利概率 = 5/6 ≈ 83%,看起来很有吸引力。
    • 然而期望值 = 5/6 × 10 − 1/6 × 60 ≈ 8.33 − 10 = −$1.67(每次)。
    • 掷 600 次,预计总共亏损约 600 × 1.67 ≈ $1,000。
  3. 同一个游戏,6 点只输 $40:
    • 期望值 = 5/6 × 10 − 1/6 × 40 ≈ 8.33 − 6.67 = +$1.67(每次)。
    • 盈利概率没有变,只是亏损变小,这个游戏就从长期亏损变成了长期盈利。决定长期输赢的是「概率 × 金额」的平衡,而不是盈利概率本身。
  4. 用 68–95–99.7 规则估算区间(接上图):SPY $770,年化波动率 15%,1σ = $115.5。
    • 68% 区间:从 770 − 115.5 = $654.5 到 770 + 115.5 = $885.5。
    • 95% 区间:2σ = 231,所以是 $539 到 $1,001。
    • 99.7% 区间:3σ = 346.5,所以是 $423.5 到 $1,116.5。
    • 一年后高于 $885.5 的机会约为 16%,低于 $654.5 的机会也约为 16%。
  5. 肥尾的代价:一个策略已经连续 11 个月每月盈利 $200,第 12 个月遇上一次 5σ 的暴跌,亏损 $5,000。
    • 全年结果 = 11 × 200 − 5,000 = −$2,800。
    • 按正态分布,这样的暴跌「几千年一次」;在真实市场里,它可能几年就出现一次。
  6. 用期望值评估一笔期权交易(预告,概率为假设):你花 $2.00 买入一张期权。假设到期时它有 30% 的机会值 $6.00,有 70% 的机会价值为 0。
    • 到期价值的期望 = 0.3 × 6.00 + 0.7 × 0 = $1.80。
    • 每股的期望盈亏 = 1.80 − 2.00 = −$0.20;一张合约对应 100 股,就是 −$20。
    • 如果你认为「值 $6 的机会」其实有 40%,期望盈亏就变成 0.4 × 6.00 − 2.00 = +$0.40。可见结论完全取决于对概率的估计,而估计概率正是交易中最难的部分。

常见误区:

  • 「盈利概率 80% 的策略一定赚钱。」——还要看盈亏比。盈利概率 80%、平均盈利 1、平均亏损 5 时,期望值 = 0.8 × 1 − 0.2 × 5 = −0.2,这是一个长期亏损的策略。
  • 「期望值为正,这次一定赚。」——期望值是长期的平均结果,短期结果主要由运气决定。如果仓位太大,一连串亏损就可能让账户在长期到来之前出局。
  • 「3σ 的事件几乎不会发生。」——这是按正态分布得出的结论。真实市场有肥尾,这类事件比正态分布预测的常见得多。
  • 「正态分布说明价格迟早会回到平均数。」——正态分布描述的是各种结果的可能性,并不保证价格一定会回到平均数。
  • 「已经连跌 5 天,明天反弹的概率更大。」——这是赌徒谬误。过去几天的下跌,不会让下一天「欠」你一次上涨。

思考题:

  1. 一个游戏:70% 的机会赢 $30,30% 的机会输 $80。期望值是多少?(答:0.7 × 30 − 0.3 × 80 = 21 − 24 = −$3。期望值为负,所以长期是亏损的。)
  2. 某股票 $100,按它的波动率,30 天的 1σ 约是股价的 8.6%(0.8 讲怎么从年化波动率换算)。按正态近似,30 天后 68% 与 95% 的区间各是多少?(答:1σ ≈ 100 × 8.6% = $8.60,所以 68% 区间约为 $91.40–$108.60;2σ ≈ $17.20,所以 95% 区间约为 $82.80–$117.20。)
  3. 为什么「连赢 10 次」不能证明一个策略有正期望?(答:10 次的样本太少,结果主要由运气决定。而且高盈利概率、低盈亏比的策略本来就经常连续盈利,直到遇上一次大额亏损。)

关键术语:

中文 English 释义
概率 probability 一件事发生的可能性,取值在 0 到 1 之间
期望值 expected value(EV) 各种结果的「概率 × 盈亏」之和,即长期平均每次的结果
大数定律 law of large numbers 各次结果互不影响、分布不变时,重复的次数越多,平均结果越接近期望值;结果带肥尾时,接近得很慢
赌徒谬误 gambler’s fallacy 误以为独立事件会「轮流出现」,例如认为连续亏损之后该盈利了
盈利概率 win rate 交易盈利的概率:复盘时等于盈利笔数 ÷ 总笔数;对一笔持有到期的期权交易,是按模型估算的到期越过盈亏平衡点的概率,对买方来说低于实值概率,对卖方来说高于到期时为虚值的概率(3.1)
盈亏比 payoff ratio(也叫赔率) 平均盈利 ÷ 平均亏损;需要和盈利概率一起看
正态分布 normal distribution 中间多、两边少、左右对称的钟形分布;约 68%、95%、99.7% 的结果落在 ±1σ、±2σ、±3σ 之内
68–95–99.7 规则 68–95–99.7 rule 正态分布下,约 68%、95%、99.7% 的结果分别落在 ±1σ、±2σ、±3σ 之内
对数正态分布 lognormal distribution 定价模型所用的价格分布:股价取对数之后呈正态分布,所以股价不会为负,上涨的空间比下跌大(2.8)
肥尾 fat tails 极端涨跌比正态分布预测的更常见

课后练习

学完这一节,先独立算下面的题,再展开参考答案核对。做错了就点「收进错题本」,到「复习」页按第 1、3、7 天重做;错因照样记进你自己的错题本。

A10【0.7 期望值】一个游戏:90% 的机会赢 $20,10% 的机会输 $250。期望值是多少?它的盈利概率高吗?值得参与吗?

参考答案
  1. 期望值 = 0.9 × 20 − 0.1 × 250 = 18 − 25 = −$7(每次)。
  2. 盈利概率 90% 很高,但盈亏比只有 20 ÷ 250 = 0.08:赢一次得到 $20,输一次付出 $250。
  3. 期望值为负,长期来看每参与一次平均亏损 $7,所以不值得参与。

换一组数字再练

题目参数每次随机生成,答完点「检查」即时判对错。价格是示例、不是实时行情;答数量时按提示的单位填写,亏损或下跌填负数。

需要启用 JavaScript 才能自动出题。

问 AI 导师

卡住了,或者想换个角度再学一遍?把下面这段提示词交给 Claude 或其他 AI 助手,它会按本课程的教学规则一对一带你学这一节。提示词可以先改再复制。

AI 也会算错:它给的数字请自己复算,拿不准时以正文和答案页为准。

仅供学习,不构成投资建议。课程里的价格和数据都是标注过的示例,不是实时行情。