标签： #贝叶斯

经典期权定价把模型参数当精确已知，可波动率 σ 是噪声最大的量，点估计把参数不确定性『藏』掉了。贝叶斯 MCMC 把 σ 当作随机变量，从观测收益里抽后验，再对后验做预测定价——天然给出公允价的可信区间。本文以无解析解的亚式看涨期权为例，用 numpy+scipy 从零实现随机游动 Metropolis，在 GBM 合成数据上把 σ 真值 0.20 用后验均值 0.201 无偏还原，并展示贝叶斯定价 2.88 与点估计 1.10 的分歧来自参数的可观测不确定性。附完整 Python 与四张真实计算图。

最大熵组合用 w_i ∝ exp(λ·μ_i) 把「观点强度」编码成一个温度参数：观点越空、权重越接近等权（熵最大、最不偏见）；观点越强、权重越集中。本文 numpy 从零实现最大熵组合 + 收益约束，量化「倾斜中档 λ=51 时归一化熵从 1.00 降到 0.84、年化 Sharpe 3.80→3.47」；300 次 OOS 蒙特卡洛诚实显示熵倾斜并不比等权更赚，但它把组合方差从 2.37% 拉到 3.4%、把权重集中度和尾部风险压在可控区间——它卖的是「可解释的不确定性量化」而非超额收益。附完整 Python 与四张真实计算图。

Roll 估计量有个著名死穴：一旦价格变化的序列协方差算出正数，开根号直接失败——低信噪比下这能废掉三成样本。Hasbrouck (2009) 的解法是换武器：把 Roll 模型原封不动搬进贝叶斯框架，用 Gibbs 抽样把「每笔交易是买是卖」这个隐变量和价差参数一起从后验里抽出来。本文从 Roll 模型的状态空间形式推到三步 Gibbs 循环（抽方向 → 抽价差 → 抽波动率），全程只用 numpy 手写采样器。500 笔模拟实测：真实半价差 0.05，后验均值 0.0494，95% 可信区间 [0.048, 0.051]；隐藏的交易方向恢复准确率 96.8%；低信噪比场景下 Roll 三成样本算不出数且幸存样本偏高 24%，Gibbs 每次都给出正的估计和完整的不确定性刻画。灵魂在于截断先验：价差被约束为非负，协方差为正的样本不再是灾难而只是「后验更宽」。诚实边界：模型仍是 Roll 的全部假设（方向独立、无逆向选择）、MCMC 收敛需检查、计算量是矩估计的千倍（中阶）。

传统压力测试要么拍脑袋设情景、要么只能重演历史。熵池化(Entropy Pooling, Meucci 2008)用最小相对熵(KL)，在「满足一个压力观点」的约束下，找离历史先验最近的那条后验分布——于是「2008 股灾概率抬到 22%」不再是凭空编的情景，而是对历史分布的一次可量化「最小手术」。本文用 3 资产、4000 情景从零复现，并点明离散约束数值不稳定、过拟合观点、灾难定义主观性三类真实陷阱（进阶）。

主观观点怎么严谨地织进概率分布？熵池化(Entropy Pooling)用最小相对熵(KL)在「满足观点」下找离先验最近的后验 q∝p·exp(λf)，从对偶推导到 numpy 实现全程跑通，并把观点变成可交易的组合权重变化（高阶）。

Glosten-Milgrom(1985) 用贝叶斯把买卖价差解释为逆向选择成本：知情买盘推高报价、知情卖盘压低报价。本文再加一层库存风险，让报价随持仓整体下移并加宽，附完整 Python。

经典均值-方差在小样本下会被噪声牵着走。用正态-逆威沙特(NIW)共轭先验把「主观观点」编码成数学，后验均值自动向先验收缩，后验协方差带可信带，最终权重更稳健、更可解释。