KNOWECON WIKI

ARTICLE

期望价值最大化

期望价值最大化 (Expected Value Maximization) 期望价值最大化是决策理论中一种基础性的选择准则：面对多个备选方案时，决策者应计算每个方案可能结果的期望值（Expected Value），并选择期望值最大的方案。它是概率论与经济学交叉的核心工具，广泛应用于保险、投资、博弈等领域。 期望值的定义 设一个离散随机变量 X 有 n 种可能

浏览 0 更新 2025-12-20

期望价值最大化 (Expected Value Maximization)

期望价值最大化是决策理论中一种基础性的选择准则：面对多个备选方案时，决策者应计算每个方案可能结果的期望值（Expected Value），并选择期望值最大的方案。它是概率论与经济学交叉的核心工具，广泛应用于保险、投资、博弈等领域。

期望值的定义

设一个离散随机变量 XX 有 nn 种可能结果 x1,x2,…,xnx_1, x_2, \dots, x_n，每种结果发生的概率为 p1,p2,…,pnp_1, p_2, \dots, p_n（且 ∑i=1npi=1\sum_{i=1}^n p_i = 1），则该随机变量的期望值为：

E[X]=∑i=1npixiE[X] = \sum_{i=1}^{n} p_i x_i

对于连续型随机变量，若其概率密度函数为 f(x)f(x)，则：

E[X]=∫−∞∞xf(x) dxE[X] = \int_{-\infty}^{\infty} x f(x) \, dx

期望值本质上是对所有可能结果的概率加权平均。例如，一张彩票有 1\% 的概率获得 1,000 元，99\% 的概率获得 0 元，其期望价值为 0.01×1000+0.99×0=100.01 \times 1000 + 0.99 \times 0 = 10 元。

作为决策准则的应用

期望价值最大化准则要求：在不确定性条件下，比较各方案的期望货币收益，选择期望值最高者。典型应用包括：

  1. 保险决策：保险公司通过汇集大量独立风险，利用大数定律使实际赔付趋近期望值，从而在期望价值为正的条件下可持续经营。投保人则比较保费的期望损失与保费本身——若保费高于期望损失，风险中性者不会投保。
  2. 投资评估：项目的净现值（NPV）本质上是贴现后现金流的期望价值。企业应投资于所有正 NPV 项目，即期望收益超过成本的项目。
  3. 博弈分析：在博弈论中，混合策略的收益是各纯策略收益的期望值。纳什均衡要求每个参与者在其混合策略下最大化自身期望收益。
  4. 信息价值：信息的期望价值等于有了该信息后期望收益的增量。决策者愿意为获取信息支付不超过其期望价值的金额。

圣彼得堡悖论与期望效用

尽管期望价值最大化在直觉上具有吸引力，圣彼得堡悖论（St. Petersburg Paradox）暴露了其作为描述性决策理论的局限。该悖论由尼古拉·伯努利提出：一枚公平硬币反复抛掷，直到出现正面为止；若首次正面出现在第 kk 次抛掷，奖金为 2k2^k 元。该游戏的期望值为：

E=∑k=1∞(12)k×2k=∑k=1∞1=∞E = \sum_{k=1}^{\infty} \left(\frac{1}{2}\right)^k \times 2^k = \sum_{k=1}^{\infty} 1 = \infty

尽管期望价值为无穷大，现实中几乎没有人愿意为此支付高额入场费。丹尼尔·伯努利由此提出：人们最大化的是期望效用（Expected Utility）而非期望货币价值。他引入对数效用函数 U(x)=ln⁡xU(x) = \ln x，使得圣彼得堡游戏的期望效用收敛为有限值：

E[U]=∑k=1∞(12)kln⁡(2k)=2ln⁡2E[U] = \sum_{k=1}^{\infty} \left(\frac{1}{2}\right)^k \ln(2^k) = 2\ln 2

这一洞见奠定了期望效用理论（Expected Utility Theory）的基础，并由冯·诺依曼与摩根斯坦在 1944 年严格公理化。

风险态度与期望价值的关系

期望效用理论区分了三种风险态度，它们决定了决策者是否会偏离纯粹的期望价值最大化：

  • 风险厌恶（Risk Averse）：效用函数为凹函数，U[E(X)]>E[U(X)]U[E(X)] > E[U(X)]。决策者愿意接受低于期望价值的确定金额以规避风险。例如，面对 50\% 概率获得 100 元、50\% 概率获得 0 元的赌局（期望值 50 元），风险厌恶者会接受任何低于 50 元的确定金额作为替代——这个金额被称为确定性等价（Certainty Equivalent）。
  • 风险中性（Risk Neutral）：效用函数为线性函数，U[E(X)]=E[U(X)]U[E(X)] = E[U(X)]。决策者仅依据期望价值做决策，确定性等价等于期望价值。多数企业在充分分散化后近似风险中性。
  • 风险寻求（Risk Seeking）：效用函数为凸函数，U[E(X)]<E[U(X)]U[E(X)] < E[U(X)]。决策者偏好波动性，确定性等价高于期望价值，常见于赌博行为和彩票购买。

期望价值最大化的适用边界

尽管存在理论局限，期望价值最大化在以下条件下仍是合理的规范准则：

  1. 重复博弈：当相同决策重复足够多次时，大数定律保证平均收益收敛于期望值，风险被分散化。这是保险公司和大型投资组合的理论基础。
  2. 小额赌注：相对于总财富而言，单次决策的风险暴露很小时，局部效用函数近似线性，风险态度影响微弱——这一洞见源自阿罗（Arrow）和普拉特（Pratt）的局部风险厌恶分析。
  3. 风险分担与市场完备：在完备市场中，个体可以通过风险分担和金融衍生品对冲异质性风险，从而将决策还原为期望价值比较。

期望算子的数学性质

期望算子 E[⋅]E[\cdot] 具有若干重要的数学性质，这些性质使期望价值最大化分析在技术上十分便利：

  1. 线性性（Linearity）：对任意常数 a,ba, b 和随机变量 X,YX, Y，有 E[aX+bY]=aE[X]+bE[Y]E[aX + bY] = aE[X] + bE[Y]。这意味着组合资产的期望收益等于各资产期望收益的线性组合。
  2. 迭代期望律（Law of Iterated Expectations）：E[X]=E[E[X∣Y]]E[X] = E[E[X \mid Y]]。无条件期望等于条件期望的期望。这一性质在动态决策和信息更新中至关重要——例如企业先观察市场信号 YY，再据此形成对利润 XX 的条件预期，最终的无条件预期正是这些条件预期的概率加权平均。
  3. 詹森不等式（Jensen's Inequality）：若 ff 为凸函数，则 E[f(X)]≥f(E[X])E[f(X)] \geq f(E[X])。这直接解释了风险态度的来源——凸的效用函数导致风险寻求，凹的效用函数导致风险厌恶。

历史演进与现代发展

期望价值思想可追溯至 17 世纪帕斯卡与费马关于点数分配问题的通信（1654 年），他们通过计算期望值解决了赌博中的公平分配问题，这被视为概率论的奠基性工作。惠更斯在《论赌博中的计算》（1657 年）中首次系统阐述了期望价值概念。

19 世纪，期望价值最大化成为精算科学的核心工具。保险公司依据死亡率表计算人寿保险的期望赔付，并据此设定精算公平保费。20 世纪中叶，萨维奇（Savage）将期望效用理论发展为完备的公理体系，涵盖主观概率，使决策理论可以处理概率未知的情形。

近几十年来，行为经济学对期望价值最大化提出了有力挑战。卡尼曼与特沃斯基的前景理论（Prospect Theory）表明，人们对概率的感知并非线性的——低概率被高估（如彩票效应），中高概率被低估；同时人们对损失的敏感度约为收益的两倍（损失厌恶）。这些发现极大地补充了期望价值最大化的分析框架，使其在实际应用中得到更审慎的判断。

与相关概念的区别

期望价值最大化常与其他决策准则混淆：

  • 与最大化最小值准则（Maximin）：后者选择最差情况中最好的方案，体现极端风险规避，而期望价值最大化对不同结果进行概率加权，并不特别关注最差情形。罗尔斯的差别原则即体现了 maximin 思想。
  • 与最大期望效用：如前所述，后者是前者的推广，通过凹效用函数纳入风险厌恶。期望价值最大化是效用为线性时的特例。
  • 与随机占优：一阶随机占优（First-Order Stochastic Dominance）是比期望价值最大化更强的排序标准——若资产 A 一阶随机占优于资产 B，则所有偏好更多而非更少的决策者都会选择 A，无需知道具体效用函数形式。

在当代经济学中，期望价值最大化被纳入更为一般的期望效用框架，作为风险中性特例。它仍然是金融定价（风险中性定价）、成本收益分析和统计决策理论中不可或缺的分析基准，尽管实际决策常因风险偏好、模糊厌恶和前景理论所描述的概率扭曲而偏离这一准则。