泰勒展开式

泰勒展开式 (Taylor Expansion)

泰勒展开式（Taylor Expansion）是微积分中的基础性技术，它将光滑函数在某一点附近用多项式逼近。若函数 $f(x)$ 在 $x = a$ 处具有任意阶导数，其泰勒级数为：

其中 $f^{(n)}(a)$ 为 $f$ 在 $a$ 处的第 $n$ 阶导数。当 $a = 0$ 时特称为麦克劳林级数（Maclaurin Series）。核心思想在于：通过提取函数在某点的所有导数信息（即「局部形状」），重构出该点邻域内的行为。

泰勒定理与余项

严格基础由泰勒定理给出：对在 $[a, x]$ 上 $n+1$ 次可微的 $f$，存在 $\xi \in (a, x)$ 使：

其中 $R_n(x) = \frac{f^{(n+1)}(\xi)}{(n+1)!}(x-a)^{n+1}$ 为拉格朗日余项，刻画截断误差。级数收敛于原函数当且仅当余项趋于零。需注意并非所有光滑函数都等于其泰勒级数——经典反例为 $f(x) = e^{-1/x^2}$（$f(0)=0$），其在 $x=0$ 处所有导数均为零，泰勒级数恒为零却仅在原点处重合。

常见麦克劳林级数：$e^x = 1 + x + \frac{x^2}{2} + \frac{x^3}{6} + \cdots$（全实数收敛）；$\sin x = x - \frac{x^3}{6} + \frac{x^5}{120} - \cdots$；$\cos x = 1 - \frac{x^2}{2} + \frac{x^4}{24} - \cdots$；$\ln(1+x) = x - \frac{x^2}{2} + \frac{x^3}{3} - \cdots$（$-1 < x \le 1$）；$(1+x)^\alpha = 1 + \alpha x + \frac{\alpha(\alpha-1)}{2}x^2 + \cdots$（二项式级数，$|x| < 1$）。

经济学应用

一阶线性近似。对多元函数 $f(\mathbf{x})$ 在 $\mathbf{a}$ 处：

该近似是边际分析的理论基础。在消费者理论中，效用函数的一阶展开导出边际替代率与最优消费条件。在宏观经济学中，DSGE模型依赖对数线性化——将均衡条件在稳态附近做一阶展开，把非线性系统转换为可用卡尔曼滤波和贝叶斯方法估计的线性系统。

二阶展开与风险。引入海森矩阵 $\mathbf{H}$：

在债券定价中，一阶导对应久期（Duration），二阶导对应凸性（Convexity）。在期望效用理论中，二阶展开导出均值-方差分析框架：$E[U(W)] \approx U(E[W]) + \frac{1}{2}U''(E[W]) \cdot \text{Var}(W)$——这正是Arrow-Pratt风险厌恶系数的理论来源。

Delta方法。在计量经济学中，Delta方法利用一阶展开推导非线性函数的渐近分布：若 $\sqrt{n}(\hat{\theta} - \theta) \xrightarrow{d} N(0, \sigma^2)$，则 $\sqrt{n}(h(\hat{\theta}) - h(\theta)) \xrightarrow{d} N(0, [h'(\theta)]^2 \sigma^2)$，广泛用于边际效应的标准误计算和工具变量估计的统计推断。

收敛性与意义

泰勒级数对解析函数在收敛半径内等于原函数；光滑但非解析的函数则不一定。使用中需确保展开点与目标点距离在收敛半径内，并根据精度要求合理选择截断阶数。

泰勒展开的本质是以多项式为「积木」拼合光滑函数的局部结构。从索洛增长模型的稳态线性化到Black-Scholes期权定价，再到机器学习中的梯度下降算法，泰勒展开是连接理论分析与应用计算的桥梁。