所有選擇權指南
許多小風險看似常態卻並非常態的原因閱讀約15分鐘
金融報酬與中央極限定理
理解中央極限定理對標準化總和的結論、金融報酬可能違反的條件、有限樣本近似的局限，以及時間平方根規則何時失效
由 Mark 撰寫 · 官方資料列於文末
直接解答
中央極限定理說明，許多性質足夠良好的隨機貢獻之和經適當中心化與縮放後會趨近常態分布。它是帶條件的漸近結論，不能證明日報酬服從常態，也不能保證有限期限的尾部損失呈鐘形
定理討論總和而非原始觀測
設X_1,…,X_n獨立同分布，具有有限均值μ和正的有限變異數σ²
經典結論是當n趨於無窮時，(Σ_iX_i−nμ)/(σ√n)依分布收斂到N(0,1)
每個X_i可以偏斜或離散；結論針對標準化聚合，而不是每項輸入的形狀
中心化與縮放不可缺少
在獨立性下，總和圍繞nμ成長，而標準差按σ√n成長
對樣本均值，√n(Ȳ_n−μ)/σ具有同一標準極限，標準誤按1/√n縮小
省略中心化、使用錯誤變異數或忽略共變異數會改變對象，並可能讓常態比較無效
收斂不等於精確常態
依分布收斂描述極限中的固定標準化門檻，並不表示某個特定n下分布完全相等
速度取決於偏度、尾厚、格點效應與更強動差條件，在遠尾可能非常緩慢
常態近似在中心附近看似充分，卻仍可能顯著低估有限樣本的大額損失機率
金融報酬會挑戰假設
報酬呈現波動率聚集、序列相依、跳躍、結構斷點、部位變化與時變分布
弱相依和Martingale版本的中央極限定理存在，但各自用明確正則條件替代獨立性
如果變異數無限，經典√n常態極限可能徹底失效，並在不同縮放下出現非常態穩定極限
時間平方根是模型結論
對變異數恆定的非相關平穩增量，Var(Σ_iX_i)=nσ²，因此波動率與√n成正比
自共變異數會增加2Σ_{h=1}^{n−1}(n−h)γ_h，所以持續或反轉會改變期限變異數
複利、隨機波動率、跳躍、重疊資料和日曆效應也會破壞機械的日度到年度換算
推斷需要可估計的長期變異數
以樣本估計替換σ所得的漸近標準誤，只有在估計量與相依假設有效時才成立
異質變異與自相關一致方法估計長期變異數，而不是假裝觀測彼此獨立
小樣本、重尾、資料窺探和不穩定均值會讓看似精確的信賴區間校準錯誤
驗證應圍繞近似用途
檢查相依、波動率狀態、尾部圖、子樣本穩定性，以及不同期限標準化聚合的變化
分別比較中心區間與尾部門檻的經驗覆蓋率，因為中位數附近成功不能驗證風險資本
當Bootstrap、穩健、穩定律或明確時間序列方法的假設更符合決策與診斷時，應採用這些替代方案
常見問題
中央極限定理說什麼？
在適當條件下，中心化總和除以其標準差會趨近標準常態分布
它證明股票報酬服從常態嗎？
不能。它描述帶條件的漸近聚合，不表示單期報酬或有限期限尾部服從常態
波動率為何按時間平方根縮放？
它來自變異數恆定的平穩非相關增量條件，而不是單由中央極限定理推出
如果報酬變異數無限會怎樣？
經典常態中央極限定理可能失效，標準化總和可在不同縮放下趨於非常態穩定律
資料來源與延伸閱讀
把這個概念應用到一份期權
選擇合約和目標，讓價格、時間與波幅假設在同一份分析中清晰呈現
分析我的期權