条件概率：信息如何改变判断
条件概率：信息如何改变判断
基础单元我们已经完成了。你知道了什么是概率、期望值和大数定律。从今天开始进入进阶单元，我们要学习如何根据新信息更新判断——这是概率思维从理论走向实战的关键一步。
什么是条件概率？
先看一个场景：你问自己"明天大盘上涨的概率是多少？"根据历史数据，这个概率大约是52%。
但现在，你看到一个新信息：今天尾盘出现了放量突破。你的直觉告诉你，有了这个信息，明天上涨的概率应该更高。
这就是条件概率：在已知某个条件的情况下，某事件发生的概率。
我们记作 P(A|B)，读作"在B发生的条件下，A发生的概率"。
上面的例子就是：P(明天上涨 | 今天放量突破)
条件概率的本质是：新信息改变了样本空间，从而改变了概率。
条件概率的公式
条件概率的计算公式非常简洁：
P(A|B) = P(A和B同时发生) / P(B)
用大白话解释：在B已经发生的那些情况中，A同时发生了多少次？这个比例就是条件概率。
一个A股市场的真实场景
假设我们统计了过去5年A股某ETF的数据：
- 总交易日数：1200天
- 第二天上涨的天数：624天 → P(次日上涨) = 624/1200 = 52%
- 出现放量突破的天数：180天 → P(放量突破) = 180/1200 = 15%
- 放量突破后次日上涨的天数：126天 → P(放量突破且次日上涨) = 126/1200 = 10.5%
那么，在出现放量突破的条件下，次日上涨的概率是：
P(次日上涨 | 放量突破) = 10.5% / 15% = 70%
注意这个变化：无条件的次日上涨概率是52%，但在观察到放量突破之后，这个概率提高到了70%。
这就是信息的价值——它改变了概率。
条件概率的常见误区
混淆 P(A|B) 和 P(B|A)
这是最常见的错误之一。
P(放量突破 | 次日大涨) = 80% 的意思是：在次日大涨的那些天里，有80%在前一天出现了放量突破。
P(次日大涨 | 放量突破) = 70% 的意思是：在出现放量突破之后，有70%的概率次日会大涨。
这两个概率完全不同！但很多人会混淆它们。"我看到大涨前都有放量突破"和"放量突破后大概率会大涨"是两回事。
忽略基准概率（基础率忽略）
假设某个技术指标在预测顶部方面非常准确：当市场即将回调时，它有90%的概率发出信号。
听起来很厉害？但如果你忽略了基准概率——市场回调本身就是小概率事件（比如只有20%的时间在回调），那实际的条件概率会低得多。
P(回调 | 发出信号) = P(信号 | 回调) × P(回调) / P(信号)
= 90% × 20% / (90%×20% + 30%×80%) = 18% / 42% ≈ 43%
也就是说，即使这个指标在识别回调方面"准确率"高达90%，当它发出信号时，实际回调的概率也只有43%！这是因为回调本身就很少发生。
永远不要只看"准确率"，还要看基准概率。一个在罕见事件上很"准"的信号，实际可靠性可能远低于你的想象。
条件概率与多因子分析
在量化分析中，条件概率的思想应用非常广泛。多因子策略本质上就是在计算多条件下的概率：
P(上涨 | 因子A满足 且 因子B满足 且 因子C满足)
在42号概率实验室的五大策略中，多因子综合策略累计收益达到28.46%，是收益最高的策略。它之所以表现优秀，正是因为它综合了多个维度的信息（条件），每个条件都进一步筛选和提高了概率。
单个条件可能只能把概率从52%提高到55%，但三四个条件叠加后，概率可能提高到65%甚至70%。这就是多因子分析的力量。
当然，条件越多，满足条件的机会就越少，交易频率会降低。这就是为什么我们说多策略组合是更好的选择——不同策略侧重不同条件，组合运行可以平衡频率和精度。
信息的质量比数量重要
不是所有信息都能提高你的判断质量。有些信息看似有用，实际上和你要判断的事件关系不大。
比如：今天美股涨跌对明天A股的影响是条件概率中值得考虑的条件；但今天某位名人的言论对你关注的ETF走势的影响，可能只是噪音。
判断信息是否有用的标准：这个信息改变了条件概率吗？如果有历史数据可以验证，就用数据说话；如果没有，至少要想清楚因果逻辑。
本章要点
- 条件概率：在已知某个信息的情况下，重新评估事件发生的概率
- 新信息会改变样本空间，从而改变概率——这是技术分析和量化分析的理论基础
- 不要混淆 P(A|B) 和 P(B|A)，它们是不同的概率
- 不要忽略基准概率——罕见事件上的"高准确率"信号，实际可靠性可能不高
- 多因子分析的本质是叠加多个条件来进一步提高概率
- 关注信息质量：不是所有信息都能改善概率判断
思考题
假设你的网格策略在震荡市中胜率65%，在单边市中胜率35%。如果当前市场有60%的概率处于震荡状态，那你这个策略下一次操作的整体胜率大约是多少？（提示：全概率公式。）
下一章，我们将深入贝叶斯思维——条件概率的动态版本。当你不断获得新信息时，如何持续更新你的判断？
⚠️ 免责声明：本课程内容仅供教育和学术交流目的，旨在帮助读者理解概率论与统计学基础知识。文中所有数据均为历史回测统计结果，不代表未来表现。任何策略的回测数据均不构成对未来收益的保证或承诺。请读者理性学习，独立思考。