所有選擇權指南
回答不同問題的兩個極限定理閱讀約15分鐘
大數法則與中央極限定理比較
比較樣本均值的收斂與其誤差分布，包括弱和強大數法則、縮放、相依、遍歷性及金融解釋
由 Mark 撰寫 · 官方資料列於文末
直接解答
大數法則說，在適當條件下樣本均值趨近母體均值。中央極限定理描述圍繞該極限的隨機誤差經過縮放後的分布，並常給出常態近似。大數法則回答均值去向何處，中央極限定理回答它在途中如何波動
兩個定理回答不同問題
對均值為μ的觀測X_1,…,X_n，樣本均值是X̄_n=n^(−1)Σ_iX_i
大數法則問X̄_n是否隨n增大接近μ，中央極限定理問√n(X̄_n−μ)等縮放差異的極限分布
收斂到正確數值本身並不給出誤差速度、形狀、信賴區間或有用的有限樣本近似
弱大數法則使用依機率收斂
弱法則說明，對每個ε>0都有P(|X̄_n−μ|>ε)→0
它代表固定大小誤差的機率消失，並非每條實現路徑最終都會永遠保持接近
對iid觀測，有限期望足以支持廣泛的弱法則，而簡單變異數證明通常額外假設有限變異數
強大數法則是逐路徑命題
強法則說明X̄_n→μ幾乎必然成立，即在一個機率為零的集合之外所有結果都收斂
幾乎必然收斂蘊含依機率收斂，但沒有額外結構時反向並不成立
強法則仍是漸近命題，不會告訴特定決策容忍度需要多大的n
中央極限定理放大剩餘誤差
對具有正有限變異數σ²的iid變數，√n(X̄_n−μ)/σ依分布收斂到N(0,1)
√n因子阻止縮小誤差坍縮為零，從而揭示其非退化極限形狀
即使經典中央極限定理失敗，大數法則仍可能成立，例如均值存在但變異數不存在的重尾情形
相依需要的不只是一段長歷史
平穩遍歷過程可能滿足大數法則，而中央極限定理還需要更嚴格地控制相依與波動
金融時間序列的均值、變異數、部位、流動性與狀態會變化，長記錄未必像來自同一規律的重複抽樣
來自同一危機群或過時狀態的更多觀測，所增加的有效資訊可能遠少於列數
分散化使用相關但獨立的邏輯
在許多弱相依部位中，個別衝擊的平均可能穩定，體現類似大數法則的效應
共同因子、尾部相依、集中權重和相關違約不會僅因持有很多名稱而消失
同樣，當投資機會集本身變化時，長期平均報酬不保證揭示永久預期報酬
實務推斷需要兩類診斷
繪製運行均值和子樣本估計，再檢查相依、結構斷點、尾部動差與有效樣本量
不要把均值收斂當作不確定性估計，應使用相關中央極限定理或重抽樣方案支持的標準誤
引用任一定理前，報告估計目標、收斂假設、期限、誤差區間及對視窗與狀態的敏感性
常見問題
大數法則與中央極限定理的主要差別是什麼？
大數法則關注均值向目標收斂，中央極限定理關注目標周圍偏差的縮放分布
大數法則需要常態資料嗎？
不需要。在相應動差與相依條件下，它適用於遠超常態分布的範圍
中央極限定理失敗時大數法則還能成立嗎？
可以。有限均值可讓平均收斂，即使無限變異數讓經典常態中央極限定理失敗
金融資料越多估計就一定越可靠嗎？
不一定。相依、狀態變化、資料品質和不穩定目標會讓有效資訊遠少於觀測數
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