稳定分布

稳定分布 (Stable Distribution)

稳定分布（Stable Distribution，亦称 Lévy $\alpha$-稳定分布）是概率论中一类重要的连续概率分布，其核心特征在于"稳定性"：若干个独立同分布的稳定随机变量之和（经适当平移和缩放后）仍服从同一类分布。这一性质使稳定分布成为中心极限定理的自然推广框架，能够刻画具有厚尾特征的非高斯随机现象，在金融、物理和信号处理等领域具有广泛应用。

定义与稳定性条件

设 $X_1, X_2, \ldots, X_n$ 独立同分布于 $F$。若对任意 $n \geq 2$，存在 $c_n > 0$ 和 $d_n \in \mathbb{R}$ 使得 $X_1 + \cdots + X_n \stackrel{d}{=} c_n X + d_n$（$X \sim F$），则称 $F$ 为稳定分布。当 $d_n = 0$ 时为严格稳定。稳定分布族在卷积运算下封闭。

稳定分布通常以特征函数定义，因其概率密度除少数特例外无封闭表达式：

其中 $\Phi(\alpha, t) = \tan(\pi\alpha/2)$ 当 $\alpha \neq 1$，$\Phi(1, t) = -(2/\pi)\log|t|$。

四个参数

• 特征指数 $\alpha \in (0, 2]$：决定尾厚程度。$\alpha = 2$ 时退化为正态分布；$\alpha < 2$ 时呈厚尾，$p$ 阶矩仅当 $p < \alpha$ 时存在。
• 偏度参数 $\beta \in [-1, 1]$：控制对称性。$\beta = 0$ 对称，$\beta > 0$ 右尾更厚。
• 尺度参数 $\gamma > 0$：控制分布展宽。
• 位置参数 $\mu \in \mathbb{R}$：控制中心位置。

三个特例

稳定分布包含三个有封闭密度的重要特例：正态分布（$\alpha = 2, \beta = 0$）——唯一具有有限方差的稳定分布；柯西分布（$\alpha = 1, \beta = 0$）——尾部极厚，均值和方差均不存在；Lévy 分布（$\alpha = 1/2, \beta = 1$）——高度偏斜的厚尾分布。

广义中心极限定理

稳定分布的重要性源于广义中心极限定理：若独立同分布序列的尾部呈幂律衰减 $\Pr(|X| > x) \sim x^{-\alpha}$（$0 < \alpha < 2$），则经标准化后的部分和收敛到 $\alpha$-稳定分布。当 $\alpha = 2$ 时退化为经典中心极限定理。这揭示了稳定分布是描述大量随机效应累积的"自然"极限分布，且不要求有限方差。

主要性质

• 厚尾性：$\alpha < 2$ 时尾部以幂律 $|x|^{-(\alpha+1)}$ 衰减，能捕捉金融数据中的"尖峰厚尾"特征。
• 矩的缺失：除正态情形外均缺乏有限方差；$\alpha \leq 1$ 时均值也不存在，对传统风险度量构成挑战。
• 无限可分性：所有稳定分布均可分解为任意多个独立同分布变量的和，连接了 Lévy 过程理论。
• 自相似性：具有尺度不变结构，在分形理论中扮演关键角色。

应用

在金融学中，资产收益率常呈现非正态厚尾特征。Mandelbrot 在 1960 年代用稳定分布（$\alpha \approx 1.7$）建模棉花价格波动。稳定分布在极端风险度量（VaR、Expected Shortfall）中仍有重要地位。在物理学中，Lévy 飞行以稳定分布步长驱动随机过程，成功描述了动物觅食路径和湍流扩散等现象。在统计学中，稳定分布为稳健估计提供了理论基准。

估计方法

参数估计因缺乏封闭密度而具有挑战性。常用方法包括：基于特征函数的广义矩方法、最大似然估计的数值近似、Bayesian MCMC 方法，以及 McCulloch 分位数方法。