多元正态

多元正态分布 (Multivariate Normal Distribution)

多元正态分布（Multivariate Normal Distribution），也称多维正态分布或联合正态分布，是统计学、概率论及计量经济学中最为基础且关键的连续概率分布，是一元正态分布在多维向量空间中的推广。若一个随机向量 $\mathbf{X} = (X_1, \ldots, X_k)^\top$ 的每个线性组合 $\mathbf{a}^\top\mathbf{X} = \sum a_i X_i$ 均服从一元正态分布，则称 $\mathbf{X}$ 服从k元正态分布 $\mathbf{X} \sim \mathcal{N}_k(\boldsymbol{\mu}, \boldsymbol{\Sigma})$，其中 $\boldsymbol{\mu}$ 为期望向量，$\boldsymbol{\Sigma}$ 为协方差矩阵。

概率密度函数与核心性质

协方差矩阵 $\boldsymbol{\Sigma}$ 为正定矩阵时，k维概率密度函数为：

指数部分中 $(\mathbf{x}-\boldsymbol{\mu})^\top\boldsymbol{\Sigma}^{-1}(\mathbf{x}-\boldsymbol{\mu})$ 为马哈拉诺比斯距离的平方，该距离度量考虑了变量间的相关性和尺度差异。$|\boldsymbol{\Sigma}|$ 为行列式，$\boldsymbol{\Sigma}^{-1}$ 为逆矩阵，也称精度矩阵（Precision Matrix）。

多元正态分布的核心数学性质使其在金融数学和统计建模中占据统治地位。线性变换不变性：若 $\mathbf{X} \sim \mathcal{N}_k(\boldsymbol{\mu}, \boldsymbol{\Sigma})$，则 $\mathbf{Y} = \mathbf{A}\mathbf{X} + \mathbf{b} \sim \mathcal{N}_m(\mathbf{A}\boldsymbol{\mu} + \mathbf{b}, \mathbf{A}\boldsymbol{\Sigma}\mathbf{A}^\top)$。在投资组合理论中，若资产收益率服从多元正态，则任何投资组合（资产收益的线性组合）的收益率也服从正态分布。边缘分布正态性：随机向量的任何子集也服从正态分布，但需注意单个变量正态不能保证联合多元正态。条件分布正态性：给定部分变量取值后，其余变量的条件分布仍为多元正态，这是卡尔曼滤波等预测算法的理论基础。不相关即独立：对多元正态分布，若变量间不相关（$\boldsymbol{\Sigma}$ 对角阵），则必定相互独立，这是一般情况下不成立但在多元正态下成立的极强性质。

几何解释与经济金融应用

等密度轮廓的几何解释：非退化多元正态分布的等密度面为k维空间中的椭球体，中心在 $\boldsymbol{\mu}$，主轴方向由协方差矩阵的特征向量决定，各主轴延伸长度与特征值的平方根成正比。若所有变量独立且方差相同，则等密度面退化为超球体。

计量经济学中，经典线性回归模型的多元正态分布误差假设是t检验和F检验推导的核心前提。投资组合理论中，资本资产定价模型（CAPM）以资产收益率服从多元正态为基础，均值-方差优化在正态假设下等价于期望效用最大化。风险管理中风险价值（VaR）和期望损失的计算常基于多元正态模型的组合收益分布。多元正态分布凭借其数学上的可追溯性（线性变换封闭、条件分布保持正态等），成为多变量统计建模的理论基石。