全部期权指南
许多小风险看似正态却并非正态的原因阅读约15分钟
金融收益与中心极限定理
理解中心极限定理对标准化总和的结论、金融收益可能违反的条件、有限样本近似的局限，以及时间平方根规则何时失效
由 Mark 编写 · 官方资料列于文末
直接答案
中心极限定理说明，许多性质足够良好的随机贡献之和经过适当中心化与缩放后会趋近正态分布。它是带条件的渐近结论，并不能证明日收益服从正态，也不能保证有限期限的尾部损失呈钟形
定理讨论总和而非原始观测
设X_1,…,X_n独立同分布，具有有限均值μ和正的有限方差σ²
经典结论是当n趋于无穷时，(Σ_iX_i−nμ)/(σ√n)依分布收敛到N(0,1)
每个X_i可以偏斜或离散；结论针对标准化聚合，而不是每项输入的形状
中心化与缩放不可缺少
在独立性下，总和围绕nμ增长，而标准差按σ√n增长
对样本均值，√n(Ȳ_n−μ)/σ具有同一标准极限，标准误按1/√n缩小
省略中心化、使用错误方差或忽略协方差会改变对象，并可能使正态比较无效
收敛不等于精确正态
依分布收敛描述极限中的固定标准化阈值，并不表示某个特定n下分布完全相等
速度取决于偏度、尾厚、格点效应与更强矩条件，在远尾可能非常缓慢
正态近似在中心附近看似充分，却仍可能显著低估有限样本的大额损失概率
金融收益会挑战假设
收益呈现波动率聚集、序列依赖、跳跃、结构断点、敞口变化与时变分布
弱依赖和Martingale版本的中心极限定理存在，但各自用明确正则条件替代独立性
如果方差无限，经典√n正态极限可能彻底失效，并在不同缩放下出现非正态稳定极限
时间平方根是模型结论
对方差恒定的非相关平稳增量，Var(Σ_iX_i)=nσ²，因此波动率与√n成正比
自协方差会增加2Σ_{h=1}^{n−1}(n−h)γ_h，所以持续或反转会改变期限方差
复利、随机波动率、跳跃、重叠数据和日历效应也会破坏机械的日度到年度换算
推断需要可估计的长期方差
以样本估计替换σ所得的渐近标准误，只有在估计量与依赖假设有效时才成立
异方差与自相关一致方法估计长期方差，而不是假装观测彼此独立
小样本、重尾、数据窥探和不稳定均值会让看似精确的置信区间校准错误
验证应围绕近似用途
检查依赖、波动率状态、尾部图、子样本稳定性，以及不同期限标准化聚合的变化
分别比较中心区间与尾部阈值的经验覆盖率，因为中位数附近成功不能验证风险资本
当Bootstrap、稳健、稳定律或显式时间序列方法的假设更符合决策与诊断时，应采用这些替代方案
常见问题
中心极限定理说什么？
在适当条件下，中心化总和除以其标准差会趋近标准正态分布
它证明股票收益服从正态吗？
不能。它描述带条件的渐近聚合，不表示单期收益或有限期限尾部服从正态
波动率为什么按时间平方根缩放？
它来自方差恒定的平稳非相关增量条件，而不是单由中心极限定理推出
如果收益方差无限会怎样？
经典正态中心极限定理可能失效，标准化总和可在不同缩放下趋于非正态稳定律
资料来源与延伸阅读
把这个概念应用到一份期权
选择合约和目标，让价格、时间与波动率假设在同一份分析中清晰呈现
分析我的期权