联合概率:投资风险管理实战应用
2,622人已学习 · 更新时间 2026 年 6 月 16 日
联合概率是指计算两个事件同时发生且在同一时间点发生的可能性的统计测量。简而言之,联合概率是事件 X 发生时事件 Y 发生的概率。为了使联合概率有效,两个事件必须彼此独立,也就是说它们不是条件性的,也不依赖彼此。可以使用维恩图来可视化联合概率。
核心描述
- 联合概率是指计算两个事件同时发生且在同一时间点发生的可能性的统计测量。简而言之,联合概率是事件 X 发生时事件 Y 发生的概率。为了使联合概率有效,两个事件必须彼此独立,也就是说它们不是条件性的,也不依赖彼此。可以使用维恩图来可视化联合概率。联合概率可以帮助量化两个(或更多)事件一起发生的概率,从而支持基于情景的思考,而不是只盯着单一结果。
- 在投资与风险管理中,联合概率常被用来把市场波动与宏观事件(例如利率变动或通胀意外)以及组合层面的事件(例如两只持仓在同一时期双双下跌)联系起来。
- 通过简单的表格和基于条件的推理,联合概率可以让分散化、对冲以及 “情景假设(what-if)” 规划变得更具体、更可量化。
定义及背景
概率中的 “联合” 是什么意思
联合概率指事件 A 和事件 B 在同一时间段内同时发生的概率。用通俗的话说,就是:“在同一个时期里,这两件事都发生的概率是多少?”
示例包括:在央行给市场带来意外的同一天,某股票指数下跌;或者两个行业板块在同一个月都出现下跌。
投资者为什么在意联合概率
现实世界中的很多损失来自多个事件 “扎堆” 发生:相关性上升、流动性收紧,或者多只仓位共同对同一个宏观冲击作出反应。联合概率提供了一种刻画这种 “扎堆” 现象的方式,而不仅仅停留在 “所有东西一起跌了” 这类模糊的表述。
它还能使沟通更清晰:区分 “每个单独事件都不常见” 和 “两个事件一起发生更加罕见(或者并不罕见,如果它们是联动的)”。
联合概率 vs. 条件概率(容易混淆的地方)
联合概率关注的是 “A 且 B”。
条件概率关注的是 “在 B 已经发生的情况下 A 的概率”。
二者是相互关联的:如果一个事件会改变另一个事件发生的可能性,那么条件概率解释的就是为什么联合概率会比 “简单相乘” 的结果更高(或更低)。
计算方法及应用
金融课堂中常用的核心公式
概率论中一个标准恒等式是:
\[P(A \cap B)=P(A)\,P(B \mid A)\]
如果 A 和 B 相互独立(即一个事件的发生不影响另一个事件发生的概率),则有:
\[P(A \cap B)=P(A)\,P(B)\]
这些公式用得很广,因为它们把 “事件 A 多常发生” 与 “在 A 已经发生的情况下 B 的表现如何” 拆分开来。
简单的频数表方法(适合入门)
假设你回顾了一个假想数据集中的 120 个月,对两个事件进行统计(仅为示例,不代表预测):
- A:“宽基股指当月收益率 < 0”
- B:“10 年期国债收益率当月变动 > 0”(利率上行)
你统计得到:
| 在 120 个月中的结果 | 次数 |
|---|---|
| A 发生 | 54 |
| B 发生 | 58 |
| A 和 B 同时发生 | 26 |
则联合概率的估计值为 \(\frac{26}{120}=0.2167\)(约 21.7%)。
这是基于样本的估计,反映在这个示例数据中这两个事件一同出现的大致频率。
投资中的实用场景(不过度依赖数学)
- 分散化检查: 如果两只持仓经常同时下跌,那么 “同时回撤” 的联合概率可能比你预期的更高。
- 压力测试: 把 “市场下跌” 与 “融资成本上升” 两个事件组合起来,考察 “双重打击” 的情景。
- 事件风险管理: 在财报季,你可以追踪 “业绩不及预期” 和 “股价跳空下跌” 的联合概率,用来框定尾部结果出现的频率预期。
优势分析及常见误区
联合概率 vs. 相关系数
相关系数是对 “线性共振动” 的整体概括,而联合概率关注的是特定事件对(例如 “两者都跌超过 2%”)。
两只资产可能只有中等相关性,但在 “风险偏好下降” 的月份中,它们同时下跌的联合概率却可能很高,而这恰恰是投资者最关心下行风险的时刻。
决策中的优势
- 情景更清晰: 联合概率要求你精确定义事件(阈值、时间窗口)。
- 风险表达更具体: 可以讨论 “共同受压的可能性”,而不是只看平均波动率。
- 模块化思考: 使用 \(P(A \cap B)=P(A) P(B\mid A)\) 会促使你思考:当 A 已经发生时,有哪些东西发生了变化。
常见误区
- “两个事件都不常见,那联合概率一定很小。” 不一定。如果事件存在联动,\(P(B\mid A)\) 可能远大于 \(P(B)\)。
- “默认就是独立的。” 在市场中,“独立” 通常是需要额外论证的假设,而不是天然成立的起点。
- “历史上的联合概率就代表未来的概率。” 历史估计来自特定样本和特定市场阶段。市场环境、政策和结构性变化都可能让过去的频率对未来的参考价值下降。
实战指南
第一步:用可量化的规则定义事件
先确定时间尺度(日度、周度或月度),再用可观测阈值定义 A 和 B。示例:
- A:“指数单日跌幅 ≤ -1%”
- B:“美元兑一篮子货币升值 ≥ 0.5%”
清晰的规则可以减少事后的选择性偏差,也方便在不同时间段之间进行对比。
第二步:构建小数据集并进行计算
在电子表格中可以这样做:
- 建两列数据,分别标记每个日期的 A = 1/0 和 B = 1/0;
- 统计 A = 1 且 B = 1 的行数;
- 用 “同时发生次数 ÷ 总样本数” 来估计联合概率。
然后再用 “同时发生次数 ÷ A 发生的次数” 计算 \(P(B\mid A)\)。
这有助于判断:在 A 发生之后,B 的出现概率是否被显著改变。
第三步:把数字转化为风险问题
与其问 “市场会不会波动很大?”,不如问 “我关心的这两个风险因子有多频繁一起出现?”
例如,如果你的组合同时对 “股市下跌” 和 “利率上升” 敏感,那么这两个事件的联合概率就是衡量 “组合同时承压期” 的一个方法。
案例研究(假设性示例,不构成投资建议)
某位投资者持有两只 ETF:一只宽基股票 ETF 和一只长久期债券 ETF。
他担心的是这样一种月份:股市下跌、收益率上行(对两只持仓都较为不利)。
在一个选定的 120 个月示例数据中,他估计:
- \(P(A)\)(股市下跌)= 54/120
- \(P(B)\)(收益率上行)= 58/120
- \(P(A \cap B)\)(两者同时发生)= 26/120
同时计算 \(P(B\mid A)=26/54\approx 0.481\)。
结论并不是 “未来一定如此”,而是:在这个例子里,两事件共同出现的频率足够高,需要在风险规划上有所准备,例如调整仓位规模、预留流动性缓冲,并避免想当然地认为 “债券总能对冲股市下跌”。
券商工具可以如何辅助(仅为示例)
如果你在使用 长桥证券 的自选股或组合分析工具,可以按关键驱动因素(例如权益 Beta、久期敏感度)给持仓打标签,并回看多个驱动因素同时对你不利的时间段。
目的在于监测 “组合压力信号” 的联合概率,而不是做短期业绩预测。
资源推荐
学习路径建议
- 统计学教材中的基础概率章节(重点是条件概率与独立性),为理解联合概率打下正确的基础。
- 风险管理入门读物,解释共振动、回撤以及情景分析等概念,最好用相对通俗的语言。
- 各国央行与统计机构发布的宏观数据(如利率决议、通胀数据),用这些数据练习统一地定义 “事件日”。
能力提升练习
- 每个月为你关心的两个事件构建一张 2×2 列联表(contingency table)。
- 比较在不同市场阶段(例如某次政策转折前后)的联合概率,观察 \(P(B\mid A)\) 是如何变化的。
- 加入第三个事件 C(例如 “信用利差走阔”),思考多事件联合概率如何让你对 “分散化” 的假设变得更加谨慎。
常见问题
一句话概括什么是联合概率?
联合概率是两个事件同时发生的概率,写作 \(P(A \cap B)\),通常通过 \(P(A) P(B\mid A)\) 来计算。
联合概率与 “概率 A 加概率 B” 有什么不同?
很多人说的 “A 加 B” 通常指的是 “A 或 B”,那是完全不同的事件。
联合概率是 “A 且 B”,意思是在同一时间窗口内两个事件都发生。
联合概率高是不是说明两者存在因果关系?
不是。联合概率度量的是 “共现” 而不是 “因果”。
两个事件可以因为第三个驱动因素(例如某项宏观政策)而一起出现,而并非彼此直接导致。
怎么判断假设 “独立性” 是否合理?
比较 \(P(B\mid A)\) 是否接近 \(P(B)\)。
如果两者差异明显,独立性假设大概率比较薄弱,这时应当用条件行为来估计联合概率,而不是简单相乘。
可以用联合概率做投资组合分散化决策吗?
可以,作为辅助视角之一。
它能够突出说明:亏损在不同持仓之间 “扎堆” 出现的频率。
但使用时应当结合波动率、回撤分析以及对共同驱动因素和风险的定性判断一并考虑。
总结
联合概率把 “可能有两件事同时出问题” 变成一个可度量的概念,帮助投资者从 “情景” 而不是 “孤立风险” 的角度思考。
通过清晰定义事件、从数据中估计 \(P(A \cap B)\),并用条件概率来理解这些数字,你可以更好地认识风险 “聚集” 的可能性,避免想当然地认为分散化总是有效。
在理解其局限性的前提下,联合概率能够为投资组合讨论、压力测试和风险规划提供更有结构的框架。
