Random Variables

FRM Part I · FRM · 约 3 分钟阅读 · 更新於: 2026年11月9日

歡迎來到隨機變量（Random Variables）的世界！

歡迎你！如果你正剛開始準備 FRM 考試，隨機變量這一章絕對是你最重要的里程碑之一。為什麼呢？因為在金融領域，我們永遠無法確切預測明天的股價或利率是多少。我們每天都在與不確定性打交道。隨機變量為我們提供了一種數學工具，將這種不確定性「打包」起來，以便進行風險衡量。不用擔心數學不是你最喜歡的科目——我們將會運用簡單的邏輯和真實世界的例子，一步步為你拆解其中的奧秘。

1. 到底什麼是隨機變量？

你可以把隨機變量（Random Variable, RV）想像成一個尚未發生的實驗之可能結果的「佔位符」或「容器」。我們通常用大寫字母，如 $ X $ 或 $ Y $ 來表示它們。

例子： 想像你在拋硬幣。你無法預測會是正面還是反面。如果我們定義：若是正面，$ X = 1 $；若是反面，$ X = 0 $，那麼 $ X $ 就是我們的隨機變量。

離散型與連續型隨機變量

這是你首先必須弄清楚的一大區分：

• 離散型隨機變量 (Discrete Random Variables)： 這些數值之間有「間隙」。你可以數得出具體的結果（例如：1, 2, 3...）。
類比： 想像樓梯。你可以站在第 1 階或第 2 階，但不可能站在第 1.5 階。
金融例子： 一間公司在一年內貸款違約的次數（0, 1, 2...）。

• 連續型隨機變量 (Continuous Random Variables)： 這些可以在某個範圍內取任何數值，中間沒有間隙。
類比： 想像溜滑梯。你可以隨時處於任何一個高度。
金融例子： 標準普爾 500 指數的精確每日回報率（例如：1.25%, 1.251%, 1.2515%...）。

小複習： 如果你可以用手指數出來，那通常就是離散型。如果你需要用秤或時鐘精確測量，那通常就是連續型。

2. 描述概率：PMF、PDF、CDF 與分位數函數

我們如何得知某個結果發生的可能性？這就需要用到特定的函數。

離散型變量：PMF

概率質量函數 (Probability Mass Function, PMF)，記作 $ P(X = x) $，告訴我們變量等於某個特定值的準確概率。
規則 1： 每一個獨立的概率必須介於 0 到 1 之間，即 $ 0 \leq P(X = x) \leq 1 $。
規則 2： 所有可能結果的概率總和必須等於 1：$ \sum P(X = x) = 1 $。

連續型變量：PDF

概率密度函數 (Probability Density Function, PDF)，記作 $ f(x) $，情況則有所不同。對於連續型變量，出現精確單一實數值（例如精確的 1.000000%）的概率實際上是零：$ P(X = x) = 0 $。相反，我們通過計算兩個點之間曲線下的面積來求得區間內的概率：$ P(a \leq X \leq b) = \int_{a}^{b} f(x)\,dx $。

累積分布函數 (CDF)

累積分布函數 (Cumulative Distribution Function, CDF)，記作 $ F(x) $，就像是一個「累計總額」。它告訴我們隨機變量小於或等於某個數值的概率：$ F(x) = P(X \leq x) $。
CDF 的性質： 它是非遞減的，從 0 開始（當 $ x \to -\infty $），並達到 1（當 $ x \to \infty $）。對於連續型變量，CDF 的導數即為 PDF：$ f(x) = F'(x) $。

分位數函數（逆 CDF）

分位數函數 (Quantile Function)，記作 $ Q(p) = F^{-1}(p) $（其中 $ 0 < p < 1 $），其運作方向與 CDF 剛好相反。CDF 是輸入一個數值 $ x $ 並輸出概率 $ p $，而分位數函數則是輸入一個概率 $ p $，並返回滿足 $ P(X \leq x_p) = p $ 的臨界值 $ x_p $。
金融應用： 這是風險價值 (Value at Risk, VaR) 的基礎概念，風險經理利用它在給定的置信水平下（例如 $ p = 0.05 $ 或 $ p = 0.01 $）求解截止損失值。

3. 期望值：數據的「中心」

期望值 (Expected Value)，記作 $ E(X) $ 或 $ \mu $，是隨機變量的長期平均值或總體一階矩。它是數據的「重心」。

對於離散型變量，計算方法是將每個結果乘以其發生的概率，然後相加：
$ E(X) = \sum [x_i \cdot P(X = x_i)] $

對於連續型變量，則是通過積分計算：
$ E(X) = \int_{-\infty}^{\infty} x \cdot f(x)\,dx $

例子： 如果你有 50% 的機會賺取 \$10，且有 50% 的機會賺取 \$0，你的期望值為：
$ (10 \cdot 0.5) + (0 \cdot 0.5) = \$5 $。

你知道嗎？ 期望值不一定要是一個在單次嘗試中實際可能出現的數值！在上述硬幣例子中，你單次嘗試絕不可能得到 \$5；你只會拿到 \$10 或 \$0。期望值代表的是經過多次獨立重複後的平均值。

4. 方差與標準差：衡量「風險」

在 FRM 中，風險通常被定義為不確定性或離散程度 (Dispersion)。方差和標準差告訴我們結果偏離平均值的「散開程度」。

方差 ($ \sigma^2 $)： 二階中心矩，定義為偏離平均值之平方差的平均數：
$ Var(X) = E[(X - \mu)^2] = E(X^2) - [E(X)]^2 $
方差越大，代表離散程度越高，不確定性越強。

標準差 ($ \sigma $)： 方差的正平方根：$ \sigma = \sqrt{Var(X)} $。我們經常使用標準差，因為它的計量單位與底層變量完全相同（例如美元或百分比點）。

5. 偏度與峰度：風險的形狀

除了平均值和方差，我們還要觀察定義分布形狀的標準化高階矩。

偏度（三階標準化矩）： 衡量圍繞平均值的不對稱性：
$ Skew(X) = \frac{E[(X - \mu)^3]}{\sigma^3} $
• 對稱分布： $ Skew = 0 $（例如標準常態分布）。
• 正偏 (Positive Skew)： 右側有長尾（頻繁的小額虧損，少數的巨大收益）。
• 負偏 (Negative Skew)： 左側有長尾（頻繁的小額收益，少數的災難性虧損——這是信用風險和空頭期權策略的典型特徵！）。

峰度（四階標準化矩）： 衡量尾部厚度與尖峰程度：
$ Kurt(X) = \frac{E[(X - \mu)^4]}{\sigma^4} $
• 常態分布的峰度剛好為 3。
• 超額峰度 (Excess Kurtosis)： 定義為 $ Kurtosis - 3 $。
• 厚尾 (Leptokurtic)： 超額峰度大於 0 的分布。極端異常值事件發生的頻率遠高於常態分布的預期，這使得尾部風險建模對風險經理至關重要。

6. 線性轉換：對位置、尺度與形狀的影響

假設我們將隨機變量 $ X $ 轉換為 $ Y = aX + b $，其中 $ a $ 和 $ b $ 為常數。了解這種線性轉換如何影響各項摘要指標對考試至關重要：

• 平均值： 平移與縮放會直接影響平均值：
$ E(aX + b) = aE(X) + b $

• 方差： 加上常數 $ b $ 不會改變離散程度，而乘以尺度 $ a $ 則會將該係數平方：
$ Var(aX + b) = a^2 Var(X) $

• 標準差： 取方差的平方根會得出 $ a $ 的絕對值：
$ \sigma(aX + b) = |a|\sigma(X) $

• 中位數： 與平均值類似，中位數會同時受到尺度縮放和位置平移的影響：
$ Median(aX + b) = a \cdot Median(X) + b $

• 四分位距 (IQR)： IQR 是第 75 百分位數與第 25 百分位數之間的距離 ($ Q_3 - Q_1 $)。加上常數會對兩個百分位數產生等量平移，使間距保持不變，而尺度縮放則會按比例縮放此距離：
$ IQR(aX + b) = |a| \cdot IQR(X) $

• 偏度： 位置平移 $ b $ 沒有影響。當 $ a > 0 $ 時進行縮放，偏度保持不變；但當 $ a < 0 $ 時，尾部方向會反轉：
$ Skew(aX + b) = \text{sign}(a) \cdot Skew(X) $

• 峰度： 由於經過 $ \sigma^4 $ 標準化，峰度對位置平移和尺度縮放轉換均具有完全不變性（只要 $ a \neq 0 $）：
$ Kurt(aX + b) = Kurt(X) $

別慌！考試重點快速摘要

• 離散型 = 可數結果 (PMF)；連續型 = 無限連續體，區間上的概率 (PDF)。
• CDF 給出 $ P(X \leq x) $；分位數函數為其反函數，返回指定累積概率 $ p $ 對應的數值 $ x $。
• 期望值： $ E(aX + b) = aE(X) + b $。
• 離散程度： $ Var(aX + b) = a^2Var(X) $ 及 $ \sigma(aX + b) = |a|\sigma(X) $；$ IQR(aX + b) = |a|IQR(X) $。
• 形狀： 峰度在線性轉換下保持不變；若 $ a < 0 $，偏度符號反轉。
• 超額峰度 $ > 0 $ 代表厚尾 (leptokurtic)，意味著極端市場波動出現的可能性更高。

參考資料

2026 FRM Part I Learning Objectives — Global Association of Risk Professionals
2026 FRM Candidate Guide — Global Association of Risk Professionals

快速检查

你现在能答出来吗？

展开每个问题，快速检查你是否掌握本章重点。

什麼是離散型隨機變量與連續型隨機變量的主要區別？

離散型隨機變量的取值之間存在間隙且結果可數；連續型隨機變量則可在某區間內取任何數值，中間沒有間隙。

離散型隨機變量的概率質量函數（PMF）必須滿足哪兩條基本規則？

規則一為每個可能結果的概率介於 0 到 1 之間（$ 0 \leq P(X = x) \leq 1 $），規則二為所有可能結果的概率總和等於 1（$ \sum P(X = x) = 1 $）。

對於連續型隨機變量，為什麼單一點的概率 $ P(X = x) = 0 $，我們該如何求得其概率？

因為連續變量有無限多個可能值，單一精確數值的概率為零；區間概率需透過對概率密度函數（PDF）求曲線下面積（積分）來計算：$ P(a \leq X \leq b) = \int_{a}^{b} f(x)\,dx $。

累積分布函數（CDF）的定義及其主要數學性質是什麼？

CDF 定義為變量小於或等於特定值的累積概率 $ F(x) = P(X \leq x) $；它是非遞減函數，從 0 增長至 1，且其導數為 PDF（$ f(x) = F'(x) $）。

什麼是分位數函數（逆 CDF），它在金融風險管理中有何核心應用？

分位數函數是 CDF 的反函數 $ Q(p) = F^{-1}(p) $，輸入累積概率 $ p $ 並輸出對應臨界值 $ x_p $；它是計算風險價值（VaR）的數學基礎。

什麼是隨機變量的期望值，它在離散與連續情況下如何計算？

期望值是長期加權平均數（重心）；離散型計算公式為 $ E(X) = \sum x_i P(X = x_i) $，連續型則為 $ E(X) = \int_{-\infty}^{\infty} x f(x)\,dx $。

方差與標準差如何定義，兩者在金融風險度量中有何差異？

方差為二階中心矩 $ Var(X) = E[(X - \mu)^2] = E(X^2) - [E(X)]^2 $；標準差為方差的正平方根 $ \sigma = \sqrt{Var(X)} $，單位與原始變量一致。

偏度（Skewness）衡量的是什麼，正偏與負偏在金融上有何具體特徵？

偏度為三階標準化矩，衡量分布圍繞均值的不對稱性；正偏具有右側長尾（少數巨額收益），負偏具有左側長尾（頻繁小賺但偶發災難性巨損）。

什麼是超額峰度（Excess Kurtosis），厚尾分布對風險經理有何含義？

超額峰度為峰度減 3（常態分布峰度為 3）；大於 0 代表厚尾分布（Leptokurtic），意味著極端黑天鵝事件的發生概率遠高於常態分布預期。

在線性轉換 $ Y = aX + b $ 下，平均值、方差與標準差如何變化？

$ E(aX + b) = aE(X) + b $、$ Var(aX + b) = a^2Var(X) $，以及 $ \sigma(aX + b) = |a|\sigma(X) $。

在線性轉換 $ Y = aX + b $（$ a \neq 0 $）下，偏度與峰度會如何變化？

峰度完全保持不變（$ Kurt(aX + b) = Kurt(X) $）；偏度對平移不變，但當 $ a < 0 $ 時偏度符號反轉（$ Skew(aX + b) = \text{sign}(a) \cdot Skew(X) $）。

准备好检验自己了吗？

把这些笔记转成考试风格练习。获取同主题的无限 AI 题目，并即时看到批改与解析。

练这个主题

把笔记变成真正的练习

不要只停留在阅读。立即用无限 AI 题目练习，拿到即时批改与清楚反馈。

立即开始练习查看收费

看完笔记了？现在就用 AI 题目测一测自己。

马上练这一题