| 量 | 精确值（美元²） | 近似值 |
|---|---|---|
| E[(X−M)²] | 40,000,000/3 | 13,333,333.33 |
| E[(M−Y)²] | 20,000,000/3 | 6,666,666.67 |
| E[(X−Y)²] | 20,000,000 | 20,000,000 |
Y=(0,0,10,000,10,000) 只用 L/H 信息，合法；Y=X 虽为零误差，却在 H 组有不同取值，因此不是该信息下的合法候选。
", "scope": "默认及正文列明的迁移算例，不依赖点击状态" }, "execution": { "status": "executed", "runtime": "Chromium 144.0.7559.96 JavaScript in author sandbox", "independent_check": "Python Fraction 的共同四状态精确结果；其余边界见验证报告" }, "source_ids": [ "QTB-DEMBO-2021", "QTB-CBOE-SPX" ] }, "shared_inputs": { "schema_version": "qt-b-inputs-1", "content_version": "2026-09-21-QT-B-review-v3", "shared_case": { "id": "EXP-COND-01", "identity": "教学构造；真实产品条款仅用于支付乘数和结算值的解释，不是历史行情、样本频率或风险中性模型", "state_ids": [ "w1", "w2", "w3", "w4" ], "probabilities": [ 0.1, 0.3, 0.4, 0.2 ], "signals": [ "L", "L", "H", "H" ], "settlement_points": [ 5900, 6000, 6100, 6200 ], "strike_points": 6000, "multiplier_usd_per_point": 100, "contracts": 1, "payoff_type": "call", "probability_measure": "P_model", "clocks": { "t0": "未观察信号", "t1": "模型约定已收到 L/H 信号", "t2": "合约规定结算值确定；支付金额可计算", "cash_delivery": "与 t2 的金额确定区分，不在本实验建立账户到账/交收模型" }, "partitions": { "trivial": [ [ 0, 1, 2, 3 ] ], "signal": [ [ 0, 1 ], [ 2, 3 ] ], "full": [ [ 0 ], [ 1 ], [ 2 ], [ 3 ] ], "cross": [ [ 0, 2 ], [ 1, 3 ] ] }, "partition_labels": { "trivial": "尚无信号", "signal": "只知 L/H", "full": "完整状态", "cross": "交叉分组 {1,3}/{2,4}" }, "events": { "H": [ 2, 3 ], "T": [ 3 ], "L": [ 0, 1 ], "all": [ 0, 1, 2, 3 ], "empty": [] }, "case_source_ids": [ "QTB-CBOE-SPX" ] }, "defaults": { "events": { "event": "T", "given": "H" }, "conditional": { "partition": "signal" }, "measurable": { "partition": "signal", "candidate": [ 0, 1, 2, 2 ] }, "projection": { "partition": "signal", "candidate_usd": [ 0, 0, 10000, 10000 ], "outer_partition": "trivial" }, "rn": { "partition": "signal", "shift_usd": 15000 }, "integration": { "pareto_alpha": 1.5, "cap": 100, "spike_n": 10, "probe_x": 0.02, "dyadic_n": 4 } }, "named_cases": { "zero_group": { "probabilities": [ 0.25, 0.75, 0, 0 ], "partition": "signal" }, "zero_atom": { "probabilities": [ 0.25, 0.75, 0, 0 ], "partition": "full" }, "bad_future_candidate": { "candidate_usd": [ 0, 0, 10000, 20000 ] }, "cap_grid": [ 10, 100, 1000 ], "alpha_grid": [ 0.8, 1, 1.5, 3 ], "integration_spike_grid": [ 2, 10, 100 ], "mse_probe_grid_usd": [ 0, 10000, 13333.333333333334, 20000 ], "dyadic_grid": [ 1, 2, 4, 8 ] }, "units": { "probabilities": "dimensionless", "settlement_points": "index points (contract-defined settlement value)", "payoff": "USD / one contract", "expectation": "USD", "mse": "USD^2", "pareto": "dimensionless pedagogical variable, support [1,infinity)", "spike": "dimensionless on (0,1) with Lebesgue probability" }, "numerical_policy": { "probability_sum_absolute_tolerance": 1e-12, "calculation_relative_tolerance": 1e-10, "calculation_absolute_tolerance": 1e-08, "null_group": "mass exactly zero; conditional ratios undefined; canonical CE constant 0 on that group; never infer impossibility outside the model", "normalization": "invalid probabilities rejected, never silently normalized", "finite": "all finite numeric inputs required", "identity": "fixed finite model; no stochastic simulation and no financial return denominator used" } }, "body_scope": "完整正文、静态核算与题目解析" } } ``` ## Supplied entry 我们已经知道，信息会限制一个决定能够依赖什么。现在把问题再推进一步：若只能使用已有信息，怎样用一个可知的量概括仍然未知的结果？条件期望同时回答两个问题：怎样保留每个可辨认事件上的平均；在平方误差有意义时，怎样找到最好的预测。 本篇以可测性、积分和线性代数为基础。读完后，应能用定义检验候选条件期望，独立证明唯一性与塔式性质，并说明均方最优结论为什么需要比“期望存在”更强的假设。对可测性或可积性不熟悉的地方，可就地查阅 [可测空间与信息](https://ou-liu-red-sugar.github.io/zh/notebook/measurable-information/)、[积分与可积性](https://ou-liu-red-sugar.github.io/zh/notebook/integration-expectation/)。 ## 一、不是只保留一个总平均 固定概率空间 $(\Omega,\mathcal F,P)$、子 $\sigma$-代数 $\mathcal G\subseteq\mathcal F$，以及实值随机变量 $X\in L^1(P)$，即 $E|X|<\infty$。$\mathcal G$ 表示当前允许使用的信息；$L^1(\mathcal G)$ 中的变量还须 $\mathcal G$-可测。 **定义（条件期望）。** 令上述对象固定，则 **$X$ 关于 $\mathcal G$ 的条件期望**是指满足下列条件的随机变量 $M$： $$ M\in L^1(\mathcal G),\qquad \int_A M\,dP=\int_A X\,dP\quad\text{对所有 }A\in\mathcal G. $$ 记作 $M=E[X\mid\mathcal G]$。这个记号代表一个几乎处处等价类；选取其中一个具体可测函数，称为一个**版本**。[^ce] 第一个条件说，观察现有信息后能够确定 $M$ 的值。第二个条件说，不只全体结果上的平均，每个已经能辨认的事件上的加权总量也要保留。它们缺一不可：$X$ 本身当然保留所有积分，却未必已经可知；常数 $EX$ 虽然总是可知，也未必保留各个局部事件上的积分。 我们用一张完整的教学情景表检验定义。采用一份标准 SPX 看涨期权的支付形式：$Z$ 为**合约规定的结算值**，$K=6000$ 点，一张合约的金额为 $X=100(Z-K)^+$ 美元。SPX 的每点 100 美元、欧式行权和现金结算是产品条款；下表的结算情景、概率和提前揭晓的信号则全是人为设定。它们不是历史频率，也不是从期权价格倒出的概率。[^spx] | 状态 | 模型概率 | 时点 $t_1$ 已收到的信号 | $t_2$ 结算值（点） | 支付 $X$（美元） | |---|---:|---|---:|---:| | $\omega_1$ | 0.10 | L | 5900 | 0 | | $\omega_2$ | 0.30 | L | 6000 | 0 | | $\omega_3$ | 0.40 | H | 6100 | 10000 | | $\omega_4$ | 0.20 | H | 6200 | 20000 | 令 $L=\{\omega_1,\omega_2\}$、$H=\{\omega_3,\omega_4\}$、$\mathcal G=\{\varnothing,L,H,\Omega\}$。在 $t_1$，模型只允许知道 L/H；$t_2$ 才知道结算值。确定支付金额也不等于账户已经收到现金。本篇计算支付的平均，尚未建立交易、交收或定价模型。 我们有 $$ EX=0.10(0)+0.30(0)+0.40(10000)+0.20(20000)=8000. $$ 候选量 $$ M=0\,1_L+\frac{40000}{3}\,1_H $$ 在每组内恒定，所以 $\mathcal G$-可测。在 $L$ 上，两边积分都是零；在 $H$ 上， $$ E[M1_H]=\frac{40000}{3}(0.60)=8000=E[X1_H]. $$ 空集和全空间的等式随之成立，因而它满足完整定义。反过来，常数 8000 在 $L$ 上的积分是 $8000(0.40)=3200$，并不是零。**保留总平均不等于保留条件平均。** ## 二、为什么只有一个答案，又为什么只能说几乎处处 **命题（唯一性）。** 若 $M,N\in L^1(\mathcal G)$ 都满足上述积分恒等式，则 $M=N$，$P$-几乎处处。[^ce] **证明。** 对每个正整数 $n$，令 $A_n=\{M-N>1/n\}$。因为 $M,N$ 都 $\mathcal G$-可测，$A_n\in\mathcal G$，所以可以把它代入定义： $$ 0=\int_{A_n}(M-N)\,dP\ge\frac1nP(A_n). $$ 故 $P(A_n)=0$。而 $\{M>N\}=\bigcup_{n\ge1}A_n$，可列个零概率事件之并仍为零概率，得到 $P(M>N)=0$。交换 $M,N$，再得 $P(N>M)=0$，证明完成。 这里可测性不是装饰：若 $A_n$ 不属于 $\mathcal G$，就没有权利把它代入积分恒等式。 “几乎处处”也不能删去。另取 $\Omega=\{a,b,c\}$、$P(a)=P(b)=1/2$、$P(c)=0$，完整信息下 $X=(2,4,9)$。函数 $(2,4,0)$ 和 $(2,4,100)$ 都是条件期望版本；在 $c$ 上的值不会改变任何积分。一般改动还必须保留 $\mathcal G$-可测性，不能因为某集合概率为零就任意拆开一个无法辨认的信息组。 唯一性只说明“若有答案，不会有两个本质不同的答案”。一般的存在性还需要构造。[条件期望存在性的证明](https://ou-liu-red-sugar.github.io/zh/notebook/conditional-expectation-existence/) 从两个有限测度出发，完整验证 Radon–Nikodym 定理的适用条件，再构造 $M$；这里先调用那项存在性结论，不把有限分组公式当作一般证明。 ## 三、先按细信息平均，再回到粗信息 **命题（塔式性质）。** 若 $X\in L^1(P)$，且 $\mathcal H\subseteq\mathcal G\subseteq\mathcal F$，则 $$ E[E[X\mid\mathcal G]\mid\mathcal H]=E[X\mid\mathcal H]\quad\text{a.s.} $$ 这对应 Dembo 的 Proposition 4.2.8，印刷页 160。[^tower] **证明。** 令 $M=E[X\mid\mathcal G]$、$N=E[M\mid\mathcal H]$。$N$ 可积且 $\mathcal H$-可测。对每个 $A\in\mathcal H$，也有 $A\in\mathcal G$，故 $$ \int_A N\,dP=\int_A M\,dP=\int_A X\,dP. $$ $N$ 因而满足 $E[X\mid\mathcal H]$ 的定义，再用唯一性即可。 特别地，取平凡信息 $\mathcal H=\{\varnothing,\Omega\}$，便得到 $E[M]=EX$。在四状态表中，这就是 $$ 0.40(0)+0.60\left(\frac{40000}{3}\right)=8000. $$ 不是把两个组平均再等权平均；两个组的概率不同。 嵌套条件必须真的核对。另一划分 $\{\omega_1,\omega_3\}/\{\omega_2,\omega_4\}$ 与 L/H 交叉，既不更细也不更粗；不能只因为两者各有两组，就套用塔式性质。 ## 四、平方误差最优：补齐从 $L^1$ 到 $L^2$ 的桥 现在加强为 $X\in L^2(P)$，并令 $M=E[X\mid\mathcal G]$。我们要证明，对任意 $Y\in L^2(\mathcal G)$， $$ E[(X-Y)^2]=E[(X-M)^2]+E[(M-Y)^2]. \tag{1} $$ 第二项非负，所以 $M$ 最小化均方误差；达到相同最小值的 $Y$ 必须与 $M$ 几乎处处相同。正交刻画见 Dembo Proposition 4.3.1；下面直接从定义完成所需的延伸，不预先假定 $M$ 已在 $L^2$ 中。[^projection] **第一步：从事件推广到有界检验函数。** 定义已给出 $E[(X-M)1_A]=0$。有限线性组合说明，对每个 $\mathcal G$-可测简单函数 $V$，有 $E[(X-M)V]=0$。若 $V$ 有界，选 $\mathcal G$-可测简单函数 $V_j\to V$，并使 $|V_j|\le \|V\|_\infty+1$。乘积由 $(\|V\|_\infty+1)|X-M|$ 支配，后者可积。由支配收敛， $$ E[(X-M)V]=0. \tag{2} $$ 这一步只用到了 $X,M\in L^1$。[^bounded] **第二步：证明 $M\in L^2$，不能先用后证。** 取有界检验函数 $V_n=M1_{\{|M|\le n\}}$。记 $$ a_n=E[M^2 1_{\{|M|\le n\}}]. $$ 由式 (2) 及 Cauchy–Schwarz， $$ a_n=E[XV_n]\le \|X\|_2\|V_n\|_2=\|X\|_2\sqrt{a_n}. $$ $a_n$ 有限；若 $a_n=0$，结论直接成立，否则两边除以 $\sqrt{a_n}$，得 $a_n\le E[X^2]$。因为 $M$ 可取处处有限的实值版本，$M^2 1_{\{|M|\le n\}}\uparrow M^2$，单调收敛给出 $$ E[M^2]=\lim_n a_n\le E[X^2]<\infty. \tag{3} $$ 这里用截断证明了所需的 $L^2$ 收缩，不必先建立一般条件 Jensen 不等式。 **第三步：推广到所有 $L^2$ 检验函数。** 对 $V\in L^2(\mathcal G)$，取 $V_n=V1_{\{|V|\le n\}}$。因为 $$ E[|V-V_n|^2]=E[V^2 1_{\{|V|>n\}}]\longrightarrow0, $$ 所以由式 (2)、式 (3) 与 Cauchy–Schwarz， $$ \left|E[(X-M)(V-V_n)]\right| \le \|X-M\|_2\|V-V_n\|_2\longrightarrow0. $$ 于是 $E[(X-M)V]=0$。所有乘积都有有限绝对期望，极限交换有明确控制。 **第四步：完成平方展开。** 写成 $X-Y=(X-M)+(M-Y)$。$M-Y\in L^2(\mathcal G)$，上一步使交叉项为零，于是得到式 (1)。若两个预测达到同一最小值，则 $E[(M-Y)^2]=0$，从而 $M=Y$ a.s. 这就是向 $L^2(\mathcal G)$ 的正交投影。按 a.s. 等价类识别后，$L^2(\mathcal G)$ 本身完备，包含到 $L^2(\mathcal F)$ 的映射等距，故其像是闭子空间；该背景结果见 Dembo Proposition 4.3.7，pp.168–169。我们没有反过来调用 Hilbert 投影定理构造条件期望，因而这里不存在循环证明。[^closed] ## 五、重算误差，然后改一项有意义的条件 仍用四状态表，选择只用 L/H 的预测 $Y=0\,1_L+10000\,1_H$。全部误差都按模型概率加权，不按四行等权平均。 | 量 | $\omega_1$ | $\omega_2$ | $\omega_3$ | $\omega_4$ | |---|---:|---:|---:|---:| | $X$（美元） | 0 | 0 | 10000 | 20000 | | $M$（美元） | 0 | 0 | $40000/3$ | $40000/3$ | | $Y$（美元） | 0 | 0 | 10000 | 10000 | | $X-M$（美元） | 0 | 0 | $-10000/3$ | $20000/3$ | 因此 $$ E[(X-M)^2] =0.4(10000/3)^2+0.2(20000/3)^2 =\frac{40000000}{3}\ {\rm USD}^2, $$ $$ E[(M-Y)^2] =0.6(10000/3)^2 =\frac{20000000}{3}\ {\rm USD}^2. $$ 两项相加等于 $20000000\ {\rm USD}^2=E[(X-Y)^2]$。美元平方是平方误差的单位，不是美元损益，也不是收益率。 在交互中先只改 H 组预测值 $y_H$。L 组仍预测零，此时 $$ E[(X-Y)^2]=\frac{40000000}{3} +0.6\left(y_H-\frac{40000}{3}\right)^2. $$ 所以 $y_H=0,10000,40000/3,20000$ 时，误差依次为 $120000000,20000000,40000000/3,40000000$ 美元平方。这张静态对照表述也给出了整条误差曲线。 再把候选改成 $Y=X$：误差确实为零，但 H 组里它取两个不同值，在 $t_1$ 并不可知。**一个不在允许集合内的候选，不能推翻允许集合中的最优结论。** 反过来，当信息确实细化到完整状态，$X$ 就成为合法候选，零误差也就成立。 | 结论 | 本篇采用的条件 | |---|---| | 条件期望存在且 a.s. 唯一 | $X\in L^1$，$\mathcal G$ 为子 $\sigma$-代数 | | 塔式性质 | 上述条件，另有 $\mathcal H\subseteq\mathcal G$ | | 有限均方误差的正交投影 | $X\in L^2$，比较对象 $Y\in L^2(\mathcal G)$ | | 从模型平均得到可交易价格或最优策略 | 本篇没有建立；还需要对应的市场与决策模型 | 改变损失函数也会改变预测目标。均方误差选择条件均值；这不意味着同一个量也最小化每一种损失，更不意味着估计出的模型条件均值等于现实中未知的条件均值。 ## 六、检验与迁移 **题一：只有总平均够不够？** 仍用表中信息 $\mathcal G$，验证常数 8000 与候选 $M$ 都有平均 8000，为什么只有后者是条件期望？ **解析。** $E[8000]=8000=EM$，但在事件 $L$ 上，前者的积分为 3200，原支付积分为零。候选 $M$ 在 L/H 两个原子上分别保留积分，因此在全部可辨认事件上都保留积分。否定候选只需找一个反例事件，证明成立则必须覆盖所有事件。 **题二：去掉平方可积会怎样？** 令 $X$ 的密度为 $\frac32 x^{-5/2}1_{\{x\ge1\}}$，信息为平凡信息。条件期望还存在吗？是否仍能用有限均方误差选出唯一常数预测？ **解析。** $EX=3$、$EX^2=\infty$，所以 $X\in L^1\setminus L^2$，条件期望仍是 3。对任意有限常数 $c$，在足够大的 $x$ 上 $(x-c)^2\ge x^2/4$，故 $E[(X-c)^2]=\infty$。此处不能靠有限均方误差的比较得到唯一常数最优解。不是条件期望失效，而是所选优化问题失去原来的有限性。 **题三：非嵌套信息的塔式等式。** 令 $\mathcal K$ 由 $\{\omega_1,\omega_3\}$ 和 $\{\omega_2,\omega_4\}$ 生成。分别计算 $E[X\mid\mathcal K]$ 与 $E[M\mid\mathcal K]$。 **解析。** 两组概率都是 0.5，原支付在两组上的加权总量都为 4000，所以 $E[X\mid\mathcal K]=8000$。对 $M$，两组的条件平均分别为 $$ \frac{0.4(40000/3)}{0.5}=\frac{32000}{3}, \qquad \frac{0.2(40000/3)}{0.5}=\frac{16000}{3}. $$ 它们不同于 8000；这里 $\mathcal K\not\subseteq\mathcal G$，不能套用塔式性质。 本篇的三个检验方式可以带到新问题中：用信息决定哪些候选合法，用局部积分确认条件期望，用损失与可积条件确认最优结论的范围。 [^ce]: Amir Dembo, *Probability Theory: STAT310/MATH230*, 2021-04-15，§4.1.1，Theorem 4.1.2 及证明，印刷页 153–156。[开放原文](https://adembo.su.domains/stat-310b/lnotes.pdf#page=153)。 [^tower]: 同书，Proposition 4.2.8（Tower property），印刷页 160。[原页](https://adembo.su.domains/stat-310b/lnotes.pdf#page=160)。 [^projection]: 同书，§4.3，Proposition 4.3.1 及证明，印刷页 166–167。[原文](https://adembo.su.domains/stat-310b/lnotes.pdf#page=166)。本篇的截断桥接单独写出，不把该命题的 $L^2$ 假设省略。 [^bounded]: 同书，Proposition 4.2.10，pp.160–161；支配收敛见 Theorem 1.3.34，pp.42–43。本篇仅需其有界检验函数情形，并给出了逼近证明。 [^closed]: 同书，Proposition 4.3.7 及证明，pp.168–169；一般 Hilbert 投影定理为 Theorem 4.3.10，pp.169–170，本篇不调用其存在性证明。 [^spx]: Cboe, *SPX Index Options Fact Sheet*，页脚 ©2026，访问于 2026-09-21，p.2 “Contract Multiplier / Final Settlement Value”。标准 SPX 的结算值采用到期日成分股开盘成交价计算；SPXW 的口径不同。[产品原件](https://cdn.cboe.com/resources/spx/spx-fact-sheet.pdf#page=2)。这里只借用产品支付规则，没有指定真实挂牌序列、权利金或账户现金时点。 ## Experiment inputs and static equivalents ```json [ { "id": "EXP-QTB-PROJECTION-01", "title": "合法预测与正交误差分解", "anchor": "qt11-experiment", "description": "平方误差以美元²计。候选不依赖未来信息，才属于当前信息允许的比较集合。", "inputs": { "identity": "教学构造；真实产品条款仅用于支付乘数和结算值的解释，不是历史行情、样本频率或风险中性模型", "shared_file": "shared_inputs.json", "paths": [ "shared_case", "defaults.projection", "named_cases.bad_future_candidate", "named_cases.mse_probe_grid_usd" ], "values": { "shared_case": { "id": "EXP-COND-01", "identity": "教学构造；真实产品条款仅用于支付乘数和结算值的解释，不是历史行情、样本频率或风险中性模型", "state_ids": [ "w1", "w2", "w3", "w4" ], "probabilities": [ 0.1, 0.3, 0.4, 0.2 ], "signals": [ "L", "L", "H", "H" ], "settlement_points": [ 5900, 6000, 6100, 6200 ], "strike_points": 6000, "multiplier_usd_per_point": 100, "contracts": 1, "payoff_type": "call", "probability_measure": "P_model", "clocks": { "t0": "未观察信号", "t1": "模型约定已收到 L/H 信号", "t2": "合约规定结算值确定；支付金额可计算", "cash_delivery": "与 t2 的金额确定区分，不在本实验建立账户到账/交收模型" }, "partitions": { "trivial": [ [ 0, 1, 2, 3 ] ], "signal": [ [ 0, 1 ], [ 2, 3 ] ], "full": [ [ 0 ], [ 1 ], [ 2 ], [ 3 ] ], "cross": [ [ 0, 2 ], [ 1, 3 ] ] }, "partition_labels": { "trivial": "尚无信号", "signal": "只知 L/H", "full": "完整状态", "cross": "交叉分组 {1,3}/{2,4}" }, "events": { "H": [ 2, 3 ], "T": [ 3 ], "L": [ 0, 1 ], "all": [ 0, 1, 2, 3 ], "empty": [] }, "case_source_ids": [ "QTB-CBOE-SPX" ] }, "defaults": { "events": { "event": "T", "given": "H" }, "conditional": { "partition": "signal" }, "measurable": { "partition": "signal", "candidate": [ 0, 1, 2, 2 ] }, "projection": { "partition": "signal", "candidate_usd": [ 0, 0, 10000, 10000 ], "outer_partition": "trivial" }, "rn": { "partition": "signal", "shift_usd": 15000 }, "integration": { "pareto_alpha": 1.5, "cap": 100, "spike_n": 10, "probe_x": 0.02, "dyadic_n": 4 } } } }, "outputs": { "conditional": { "rows": [ { "indices": [ 0, 1 ], "mass": 0.4, "total": 0, "mean": 0, "ratio_defined": true, "version_note": "" }, { "indices": [ 2, 3 ], "mass": 0.6000000000000001, "total": 8000, "mean": 13333.333333333332, "ratio_defined": true, "version_note": "" } ], "vector": [ 0, 0, 13333.333333333332, 13333.333333333332 ], "expectation": 8000, "conditional_expectation": 8000 }, "admissible": true, "violations": [], "mse_ce": 13333333.333333336, "mse_candidate": 20000000, "mse_gap": 6666666.666666662, "cross_term": 1.862645149230957e-09, "identity_residual": -3.725290298461914e-09, "pythagoras_residual": 1.862645149230957e-09, "residual": [ 0, 0, -3333.333333333332, 6666.666666666668 ], "tower_default": { "nested": true, "inner": [ 0, 0, 13333.333333333332, 13333.333333333332 ], "iterated": [ 8000, 8000, 8000, 8000 ], "direct": [ 8000, 8000, 8000, 8000 ] } }, "algorithm": "先算 M；对候选严格检查组内常数，再算三项加权平方误差及交叉项。由细信息到外层信息前检查每个细组包含于某个粗组。不可测候选仍显示一般平方展开，但不报告合法最优比较。", "units": { "probabilities": "dimensionless", "settlement_points": "index points (contract-defined settlement value)", "payoff": "USD / one contract", "expectation": "USD", "mse": "USD^2", "pareto": "dimensionless pedagogical variable, support [1,infinity)", "spike": "dimensionless on (0,1) with Lebesgue probability" }, "boundaries": [ "所有候选与支付有限；本有限模型自动L2", "不合法候选显示交叉项，禁止伪称反例", "非嵌套塔式不承诺相等；偶然相等不改变条件", "理论0与浮点舍入分开，计量单位USD²，无收益率分母" ], "static_equivalent": { "body_anchor": "qt11-experiment", "default_table_html": "| 量 | 精确值（美元²） | 近似值 |
|---|---|---|
| E[(X−M)²] | 40,000,000/3 | 13,333,333.33 |
| E[(M−Y)²] | 20,000,000/3 | 6,666,666.67 |
| E[(X−Y)²] | 20,000,000 | 20,000,000 |
Y=(0,0,10,000,10,000) 只用 L/H 信息，合法；Y=X 虽为零误差，却在 H 组有不同取值，因此不是该信息下的合法候选。
", "scope": "默认及正文列明的迁移算例，不依赖点击状态" }, "execution": { "status": "executed", "runtime": "Chromium 144.0.7559.96 JavaScript in author sandbox", "independent_check": "Python Fraction 的共同四状态精确结果；其余边界见验证报告" }, "source_ids": [ "QTB-DEMBO-2021", "QTB-CBOE-SPX" ] } ] ``` ## Sources - [SPX Index Options Fact Sheet](https://cdn.cboe.com/resources/spx/spx-fact-sheet.pdf): 只支持 SPX 产品的每点 100 美元乘数、欧式与现金结算，以及 SPX Traditional/SPXW 结算值口径区别。不支持本包设定的行权价、情景、信号、概率或模型平均为价格。 - [Probability Theory: STAT310/MATH230](https://adembo.su.domains/stat-310b/lnotes.pdf): 定义与条件的公开依据。采用 L1 条件期望及 RN 构造、塔式性质和 L2 投影；正文把指示函数到有界函数再到 L2 检验函数的延伸逐步写出。一般 RN 证明单元保留其 Hahn 分解依赖，未声称重新证明全部测度论。 ## Content relations ```json [ { "from": "zh-qt11", "relation": "part_of", "to": "quant-data-info", "reason": "主要 topic 归属" }, { "from": "zh-qt11", "relation": "supported_by", "to": "QTB-DEMBO-2021", "reason": "支持本篇采用的定义、条件或真实产品条款", "locator": "§4.1.1 pp.153–156；Proposition 4.2.8 p.160；Proposition 4.2.10 pp.160–161", "scope": "定义与条件的公开依据。采用 L1 条件期望及 RN 构造、塔式性质和 L2 投影；正文把指示函数到有界函数再到 L2 检验函数的延伸逐步写出。一般 RN 证明单元保留其 Hahn 分解依赖，未声称重新证明全部测度论。" }, { "from": "zh-qt11", "relation": "supported_by", "to": "QTB-CBOE-SPX", "reason": "支持本篇采用的定义、条件或真实产品条款", "locator": "p.2 合约规格", "scope": "只支持 SPX 产品的每点 100 美元乘数、欧式与现金结算，以及 SPX Traditional/SPXW 结算值口径区别。不支持本包设定的行权价、情景、信号、概率或模型平均为价格。" }, { "from": "qt11-experiment", "relation": "illustrated_by", "to": "EXP-QTB-PROJECTION-01", "reason": "平方误差以美元²计。候选不依赖未来信息，才属于当前信息允许的比较集合。" }, { "from": "zh-qt11", "relation": "uses_method", "to": "zh-qt10", "reason": "L1/L2、MCT/DCT 与截断" }, { "from": "zh-qt11", "relation": "uses_method", "to": "zh-qt09", "reason": "以信息事件域限制候选" }, { "from": "qt11-uniqueness", "relation": "derived_from", "to": "qt11-definition", "reason": "由可测性及所有事件的积分恒等式证明唯一性" }, { "from": "qt11-tower", "relation": "derived_from", "to": "qt11-uniqueness", "reason": "验证候选定义后用 a.s. 唯一性识别；另检查 H⊆G" }, { "from": "qt11-definition", "relation": "uses_method", "to": "zh-qt11p1", "reason": "一般存在性由该具名证明单元提供；定义本身不依赖存在性证明" } ] ``` ## Related entries ## Optional reading path 理解模型并亲手算: step 3/9 从局部积分身份证明唯一性、塔式性质与平方误差最优。 把分布与条件预测的对象固定后，用真实收益样本重建尾部风险。 Next: [收益分布、尾部与风险度量](https://ou-liu-red-sugar.github.io/zh/notebook/return-distributions-tail-risk/)