所有選擇權指南
極端機率截然不同的兩個對稱模型閱讀約15分鐘
金融中的常態分布與Student-t分布
比較常態與Student-t分布的尾部衰減、自由度、尺度和變異數、概似、多元相依，以及它們作為金融報酬模型的局限
由 Mark 撰寫 · 官方資料列於文末
直接解答
常態分布的尾部由均值和變異數決定，並按指數速度衰減。Student-t分布增加自由度ν，尾部按冪律衰減，給予極端觀測更高機率。它可能更好地擬合金融報酬，但一個對稱靜態分布無法解釋所有狀態、偏斜與波動率聚集
兩者都是對稱位置尺度分布族
常態變數可寫成X=μ+σZ，其中Z是標準常態，σ等於標準差
位置尺度Student-t變數可寫成X=μ+sT_ν，其中s是尺度，ν控制尾部厚度
兩者都圍繞μ對稱，因此若不擴展或變換，都不能產生報酬偏斜
Student-t來自變異數不確定性
若Z∼N(0,1)、V∼χ²_ν且互相獨立，則T=Z/√(V/ν)服從標準Student-t分布
隨機分母讓較大的標準化值比固定變異數常態模型更有可能出現
當ν趨於無窮，分母不確定性消失，Student-t分布趨近常態分布
自由度決定動差是否存在
Student-t尾部按ν控制的冪律衰減，常態尾部則按距離平方呈指數衰減
均值在ν>1、變異數在ν>2、四階動差在ν>4時存在；更低ν時相應母體動差不存在
ν>4時超額峰度為6/(ν−4)，明確顯示其向常態尾部靠近的過程
尺度不一定是標準差
對ν>2的位置尺度t分布，Var(X)=s²ν/(ν−2)，所以s小於標準差
若把常態σ與t尺度s都當成波動率比較，會製造虛假的尾部或概似差異
軟體使用不同參數名稱，有時採用變異數標準化版本，因此必須記錄確切密度約定
概似會改變中心與尾部的取捨
常態最大概似讓殘差平方占主導，少數極端觀測可能推高變異數估計
Student-t概似透過ν降低大型標準化殘差的影響，在不宣告其不可能的情況下提供穩健擬合
ν若估計在動差邊界附近，即使最佳化器收斂，變異數、峰度與風險度量也可能不穩定
多元模型會改變聯合極端
多元常態律代表Gaussian Copula，在低於完全相關時漸近尾部相依為零
多元t分布共享隨機尺度，在有限ν下產生對稱的正尾部相依
若股票共同崩盤不同於共同上升，或相依隨狀態變化，這種對稱性仍可能錯誤
應用樣本外尾部檢驗選模型
比較機率與分位數圖、門檻超越、預測概似、區間覆蓋率以及VaR或ES回測
在滾動視窗重新擬合，若結構仍殘留則檢驗skewed-t、混合、隨機波動率與過濾殘差等替代方案
t擬合更好代表它對所選任務更有用，並不表示報酬真實服從一個永恆不變的t規律
常見問題
Student-t為何比常態分布尾部更厚？
其隨機尺度混合產生冪律衰減，而常態機率隨距離平方呈指數衰減
自由度是什麼？
參數ν控制尾部厚度與動差的存在，較小正值會產生更重尾部
Student-t尺度等於波動率嗎？
通常不等於。在常見位置尺度約定下，ν>2時標準差為s√[ν/(ν−2)]
Student-t總是更適合金融報酬嗎？
不是。它捕捉對稱重尾，卻可能遺漏偏斜、波動率動態、跳躍和狀態相依
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