欢迎来到随机变量（Random Variables）的世界！
欢迎你！如果你正刚开始准备 FRM 考试，随机变量这一章绝对是你最重要的里程碑之一。为什么呢？因为在金融领域，我们永远无法确切预测明天的股价或利率是多少。我们每天都在与不确定性打交道。随机变量为我们提供了一种数学工具，将这种不确定性“打包”起来，以便进行风险衡量。不用担心数学不是你最喜欢的科目——我们将会运用简单的逻辑和真实世界的例子，一步步为你拆解其中的奥秘。
1. 到底什么是随机变量？
你可以把随机变量（Random Variable, RV）想象成一个尚未发生的实验之可能结果的“占位符”或“容器”。我们通常用大写字母，如 \( X \) 或 \( Y \) 来表示它们。
例子： 想象你在抛硬币。你无法预测会是正面还是反面。如果我们定义：若是正面，\( X = 1 \)；若是反面，\( X = 0 \)，那么 \( X \) 就是我们的随机变量。
离散型与连续型随机变量
这是你首先必须弄清楚的一大区分：
• 离散型随机变量 (Discrete Random Variables)： 这些数值之间有“间隙”。你可以数得出具体的结果（例如：1, 2, 3...）。
类比： 想象楼梯。你可以站在第 1 阶或第 2 阶，但不可能站在第 1.5 阶。
金融例子： 一间公司在一年内贷款违约的次数（0, 1, 2...）。
• 连续型随机变量 (Continuous Random Variables)： 这些可以在某个范围内取任何数值，中间没有间隙。
类比： 想象滑梯。你可以随时处于任何一个高度。
金融例子： 标准普尔 500 指数的精确每日回报率（例如：1.25%, 1.251%, 1.2515%...）。
小复习： 如果你可以用手指一个个数出来，那通常就是离散型。如果你需要用秤或时钟精确测量，那通常就是连续型。
2. 描述概率：PMF、PDF、CDF 与分位数函数
我们如何得知某个结果发生的可能性？这就需要用到特定的函数。
离散型变量：PMF
概率质量函数 (Probability Mass Function, PMF)，记作 \( P(X = x) \)，告诉我们变量等于某个特定值的准确概率。
规则 1： 每一个独立的概率必须介于 0 到 1 之间，即 \( 0 \leq P(X = x) \leq 1 \)。
规则 2： 所有可能结果的概率总和必须等于 1：\( \sum P(X = x) = 1 \)。
连续型变量：PDF
概率密度函数 (Probability Density Function, PDF)，记作 \( f(x) \)，情况则有所不同。对于连续型变量，出现精确单一实数值（例如精确的 1.000000%）的概率实际上是零：\( P(X = x) = 0 \)。相反，我们通过计算两个点之间曲线下的面积来求得区间内的概率：\( P(a \leq X \leq b) = \int_{a}^{b} f(x)\,dx \)。
累积分布函数 (CDF)
累积分布函数 (Cumulative Distribution Function, CDF)，记作 \( F(x) \)，就像是一个“累计总额”。它告诉我们随机变量小于或等于某个数值的概率：\( F(x) = P(X \leq x) \)。
CDF 的性质： 它是非递减的，从 0 开始（当 \( x \to -\infty \)），并达到 1（当 \( x \to \infty \)）。对于连续型变量，CDF 的导数即为 PDF：\( f(x) = F'(x) \)。
分位数函数（逆 CDF）
分位数函数 (Quantile Function)，记作 \( Q(p) = F^{-1}(p) \)（其中 \( 0 < p < 1 \)），其运作方向与 CDF 刚好相反。CDF 是输入一个数值 \( x \) 并输出概率 \( p \)，而分位数函数则是输入一个概率 \( p \)，并返回满足 \( P(X \leq x_p) = p \) 的临界值 \( x_p \)。
金融应用： 这是风险价值 (Value at Risk, VaR) 的基础概念，风险经理利用它在给定的置信水平下（例如 \( p = 0.05 \) 或 \( p = 0.01 \)）求解截止损失值。
3. 期望值：数据的“中心”
期望值 (Expected Value)，记作 \( E(X) \) 或 \( \mu \)，是随机变量的长期平均值或总体一阶矩。它是数据的“重心”。
对于离散型变量，计算方法是将每个结果乘以其发生的概率，然后相加：
\( E(X) = \sum [x_i \cdot P(X = x_i)] \)
对于连续型变量，则是通过积分计算：
\( E(X) = \int_{-\infty}^{\infty} x \cdot f(x)\,dx \)
例子： 如果你有 50% 的机会赚取 \$10，且有 50% 的机会赚取 \$0，你的期望值为：
\( (10 \cdot 0.5) + (0 \cdot 0.5) = \$5 \)。
你知道吗？ 期望值不一定要是一个在单次尝试中实际可能出现的数值！在上述硬币例子中，你单次尝试绝不可能得到 \$5；你只会拿到 \$10 或 \$0。期望值代表的是经过多次独立重复后的平均值。
4. 方差与标准差：衡量“风险”
在 FRM 中，风险通常被定义为不确定性或离散程度 (Dispersion)。方差和标准差告诉我们结果偏离平均值的“散开程度”。
方差 (\( \sigma^2 \))： 二阶中心矩，定义为偏离平均值之平方差的平均数：
\( Var(X) = E[(X - \mu)^2] = E(X^2) - [E(X)]^2 \)
方差越大，代表离散程度越高，不确定性越强。
标准差 (\( \sigma \))： 方差的正平方根：\( \sigma = \sqrt{Var(X)} \)。我们经常使用标准差，因为它的计量单位与底层变量完全相同（例如美元或百分比点）。
5. 偏度与峰度：风险的形状
除了平均值和方差，我们还要观察定义分布形状的标准化高阶矩。
偏度（三阶标准化矩）： 衡量围绕平均值的不对称性：
\( Skew(X) = \frac{E[(X - \mu)^3]}{\sigma^3} \)
• 对称分布： \( Skew = 0 \)（例如标准正态分布）。
• 正偏 (Positive Skew)： 右侧有长尾（频繁的小额亏损，少数的巨大收益）。
• 负偏 (Negative Skew)： 左侧有长尾（频繁的小额收益，少数的灾难性亏损——这是信用风险和空头期权策略的典型特征！）。
峰度（四阶标准化矩）： 衡量尾部厚度与尖峰程度：
\( Kurt(X) = \frac{E[(X - \mu)^4]}{\sigma^4} \)
• 正态分布的峰度刚好为 3。
• 超额峰度 (Excess Kurtosis)： 定义为 \( Kurtosis - 3 \)。
• 厚尾 (Leptokurtic)： 超额峰度大于 0 的分布。极端异常值事件发生的频率远高于正态分布的预期，这使得尾部风险建模对风险经理至关重要。
6. 线性转换：对位置、尺度与形状的影响
假设我们将随机变量 \( X \) 转换为 \( Y = aX + b \)，其中 \( a \) 和 \( b \) 为常数。了解这种线性转换如何影响各项摘要指标对考试至关重要：
• 平均值： 平移与缩放会直接影响平均值：
\( E(aX + b) = aE(X) + b \)
• 方差： 加上常数 \( b \) 不会改变离散程度，而乘以尺度 \( a \) 则会将该系数平方：
\( Var(aX + b) = a^2 Var(X) \)
• 标准差： 取方差的平方根会得出 \( a \) 的绝对值：
\( \sigma(aX + b) = |a|\sigma(X) \)
• 中位数： 与平均值类似，中位数会同时受到尺度缩放和位置平移的影响：
\( Median(aX + b) = a \cdot Median(X) + b \)
• 四分位距 (IQR)： IQR 是第 75 百分位数与第 25 百分位数之间的距离 (\( Q_3 - Q_1 \))。加上常数会对两个百分位数产生等量平移，使间距保持不变，而尺度缩放则会按比例缩放此距离：
\( IQR(aX + b) = |a| \cdot IQR(X) \)
• 偏度： 位置平移 \( b \) 没有影响。当 \( a > 0 \) 时进行缩放，偏度保持不变；但当 \( a < 0 \) 时，尾部方向会反转：
\( Skew(aX + b) = \text{sign}(a) \cdot Skew(X) \)
• 峰度： 由于经过 \( \sigma^4 \) 标准化，峰度对位置平移和尺度缩放转换均具有完全不变性（只要 \( a \neq 0 \)）：
\( Kurt(aX + b) = Kurt(X) \)
别慌！考试重点快速摘要
• 离散型 = 可数结果 (PMF)；连续型 = 无限连续体，区间上的概率 (PDF)。
• CDF 给出 \( P(X \leq x) \)；分位数函数为其反函数，返回指定累积概率 \( p \) 对应的数值 \( x \)。
• 期望值： \( E(aX + b) = aE(X) + b \)。
• 离散程度： \( Var(aX + b) = a^2Var(X) \) 及 \( \sigma(aX + b) = |a|\sigma(X) \)；\( IQR(aX + b) = |a|IQR(X) \)。
• 形状： 峰度在线性转换下保持不变；若 \( a < 0 \)，偏度符号反转。
• 超额峰度 \( > 0 \) 代表厚尾 (leptokurtic)，意味着极端市场波动出现的可能性更高。