隨機變數：預期報酬與變異數的本質

在金融市場的無情波動中，每一筆交易、每一個報價、每一份盈餘報告，本質上都是一場機率遊戲。投資人每天都在與「不確定性」搏鬥，而我們用來量化並駕馭這些不確定性的核心語言，正是隨機變數 (Random Variables)。從擲硬幣的簡單勝負，到預測下個月的股市報酬率，隨機變數提供了一個嚴謹的數學框架，讓我們能夠計算期望、衡量風險，甚至捕捉極端事件的輪廓。本章將解構隨機變數的核心概念，從機率函數到四大母體動差，帶你透視金融市場背後的統計邏輯。

隨機變數 (Random Variable) 的本質，是將未來不確定的結果映射為具體的數值。根據結果的性質，我們可以將其分為兩大類：

離散型隨機變數的可能結果是可數的 (Countable)。最基礎的例子是伯努利隨機變數 (Bernoulli Random Variable)，它只有兩個可能的結果：0 或 1。在市場中，這可以代表一筆選擇權是否被履約。

對於離散型隨機變數，我們使用機率質量函數 (Probability Mass Function, PMF) 來描述每一個特定結果發生的機率。PMF 必須滿足所有可能結果的機率總和等於 100%。

連續型隨機變數則有不可數的 (Uncountable) 無限多個可能結果。例如，下個月特定股票的精確報酬率。因為結果有無限多種，單一特定數值發生的機率為零。

因此，我們使用機率密度函數 (Probability Density Function, PDF) 來描述連續型隨機變數。PDF 允許我們透過計算某個區間內的面積（積分），來求得變數落於該區間內的機率。

無論是離散型還是連續型，累積分配函數 (CDF) 都是極度重要的工具。CDF 定義為隨機變數小於或等於某個特定值 x 的機率：

CDF 將所有的機率累加，提供了一個完整的機率輪廓，幫助我們回答諸如「損失超過特定金額的機率是多少」等風險管理的核心問題。

期望值 (Expected Value) 是我們對隨機變數結果的「最佳猜測」，它是所有可能結果的機率加權平均數。在長期的重複試驗下，實際結果的平均值會趨近於期望值。

對於離散型隨機變數 X，期望值的計算公式為：

在金融中，期望值等同於預期報酬。然而，僅知道期望值是不足的，我們還必須了解結果圍繞期望值散佈的情況。這引出了分配的四大動差。

要完整刻畫一個隨機變數的分配特徵，統計學家依賴四個核心的母體動差 (Population Moments)。

第一動差即為期望值，通常以符號表示。它決定了分配的中心位置，是我們對未來的基準預期。隨後的動差稱為中央動差 (Central Moments)，因為它們是衡量變數偏離平均數的程度。

變異數衡量數據圍繞平均數的離散程度，是金融界最經典的風險指標。其計算方式為變數與平均數差值的平方的期望值：

我們通常取變異數的平方根，即標準差 (Standard Deviation)，因為它的單位與原變數相同，更具直觀的解釋力。

第三中央動差用於衡量分配的對稱性：

標準化後的第三中央動差稱為偏態。若偏態為 0，分配為完美對稱。在市場中，我們經常見到負偏態 (Negative Skew) 的報酬分配，這意味著多數時候市場呈現小幅上漲，但偶爾會出現極端的崩盤大跌。

第四中央動差衡量分配形狀，特別是尾部極端事件的機率：

標準化後的第四動差稱為峰度。具有高峰度的分配被稱為「肥尾」 (Fat-tailed) 分配。這表示相對於常態分配，極端事件發生的機率更高。這是所有量化模型必須警惕的陷阱：黑天鵝事件比想像中更容易發生。

在實務分析中，除了動差，我們也依賴分位數與變數轉換。

分位數函數是 CDF 的反函數。它回答了「在哪個數值之下，包含了特定百分比的機率？」這個問題。

當機率為 50% 時，我們得到中位數 (Median)。

結合 75% 與 25% 的分位數，我們得到四分位距 (Interquartile Range, IQR)，這是另一種衡量數據離散程度的穩健指標，能有效包容中間 50% 的機率分佈。

當隨機變數經歷線性轉換時，其動差也會有系統性地改變。這在投資組合權重調整或匯率轉換中非常常見。

平均數會同時受平移與縮放影響。

變異數不受平移影響，但會依比例平方放大：

偏態的絕對值不變（但若轉換比例為負，則符號顛倒）。

峰度則完全不受線性轉換的影響。

隨機變數不僅僅是教科書上的數學符號，它是我們理解金融市場隨機遊走的基石。從 PMF 與 PDF 描繪的機率地圖，到 CDF 提供的累積視角；從期望值定錨的預期報酬，到變異數、偏態與峰度所揭示的風險深淵。掌握這四大動差，我們便能剝開市場雜訊的外衣，量化極端事件的威脅。在這個充滿不確定性的世界裡，不精通隨機變數的投資人只能憑直覺盲行，而懂得機率語言的量化分析師，則能在混沌中建立起堅不可摧的交易邏輯。