KNOWECON WIKI

ARTICLE

逆转公式

逆转公式 (Inversion Formula) 逆转公式（Inversion Formula），在概率论中又常称为 列维逆转公式（Lévy Inversion Formula），是连接特征函数（Characteristic Function）与分布函数（Distribution Function）之间的核心桥梁。它回答了一个概率论中最为根本的问题：若已知随

浏览 0 更新 2025-12-04

逆转公式 (Inversion Formula)

逆转公式（Inversion Formula），在概率论中又常称为 列维逆转公式（Lévy Inversion Formula），是连接特征函数（Characteristic Function）与分布函数（Distribution Function）之间的核心桥梁。它回答了一个概率论中最为根本的问题：若已知随机变量 XX 的特征函数 φ(t)=E[eitX]\varphi(t) = E[e^{itX}]，能否唯一地恢复出该随机变量所服从的概率分布？逆转公式以明确的积分表达式给出了肯定回答，从而为一切基于特征函数的方法奠定了严格的数学基础。在没有逆转公式之前，特征函数仅仅被视作一个解析工具，而正是逆转公式使它成为概率论中不可或缺的支柱。

定义与公式表述

设 XX 为一随机变量，其特征函数定义为 φ(t)=E[eitX]\varphi(t) = E[e^{itX}]，其中 ii 为虚数单位，t∈Rt \in \mathbb{R}。则对任意满足分布函数 FF 在 aa 和 bb 处连续的两个实数 a<ba < b，如下极限等式成立：

F(b)−F(a)=lim⁡T→∞12π∫−TTe−ita−e−itbit φ(t) dtF(b) - F(a) = \lim_{T \to \infty} \frac{1}{2\pi} \int_{-T}^{T} \frac{e^{-ita} - e^{-itb}}{it} \, \varphi(t) \, dt

这就是 Lévy 逆转公式的标准形式。积分核 e−ita−e−itbit\frac{e^{-ita} - e^{-itb}}{it} 在 t=0t = 0 处有可去奇点——由洛必达法则易得其极限值为 b−ab - a，因此积分在原点是良定义的。在分布函数 FF 的任意连续点 xx 处，逆转公式也可写为：

F(x)=12+lim⁡T→∞12π∫−TT1−e−itxit φ(t) dtF(x) = \frac{1}{2} + \lim_{T \to \infty} \frac{1}{2\pi} \int_{-T}^{T} \frac{1 - e^{-itx}}{it} \, \varphi(t) \, dt

上述公式中的极限不可轻易与积分交换顺序：只有当特征函数绝对可积（即 ∫−∞∞∣φ(t)∣dt<∞\int_{-\infty}^{\infty} |\varphi(t)| dt < \infty）时，极限 T→∞T \to \infty 才可放入积分号内，此时分布函数 FF 必然绝对连续，且其密度函数 ff 由标准的傅里叶逆变换给出。然而逆转公式的强大之处恰在于，即使特征函数不绝对可积，极限与积分的组合操作仍然收敛到正确的分布函数增量。

概率直觉与傅里叶分析根源

欲理解逆转公式为何有效，需回到傅里叶分析的基本思想。在经典分析中，一个函数 f(x)f(x) 与其傅里叶变换 f^(t)=∫e−itxf(x)dx\hat{f}(t) = \int e^{-itx} f(x) dx 通过傅里叶逆变换一一对应。特征函数 φ(t)\varphi(t) 正是概率密度函数 f(x)f(x)（若存在）的傅里叶变换（取共轭后），因此逆转公式本质上就是傅里叶逆变换在概率测度上的推广。当密度函数存在且绝对可积时，逆转公式退化为：

f(x)=12π∫−∞∞e−itxφ(t) dtf(x) = \frac{1}{2\pi} \int_{-\infty}^{\infty} e^{-itx} \varphi(t) \, dt

但在一般情况下，概率分布可能包含离散部分、奇异部分或同时包含多种成分。逆转公式通过在分布函数的连续点处取极限，巧妙地避开了对密度函数存在的假定，从而统一处理了一切概率分布。这一思想可以追溯到 Paul Lévy 在 1920 年代的开创性工作，因此该公式以他的名字命名。

三大核心推论

逆转公式是概率论中一系列更深层结果的逻辑起点，其中最重要的三条推论如下：

1. 唯一性定理：若两个随机变量的特征函数处处相等，则它们的分布函数也处处相等。这一定理是逆转公式的最直接结果，也是特征函数法得以成立的根本前提。它意味着特征函数是概率分布的一个完备的"指纹"，任何分布的差异都必然在特征函数上有所体现。

2. Lévy-Cramér 连续性定理：若一列特征函数 {φn(t)}\{\varphi_n(t)\} 逐点收敛到某个在 t=0t=0 处连续的函数 φ(t)\varphi(t)，则 φ(t)\varphi(t) 必为某个概率分布的特征函数，且对应的分布函数列 {Fn}\{F_n\} 弱收敛到该分布。这一定理为中心极限定理提供了最简洁优美的证明路径：先证明标准化样本均值的特征函数逐点收敛到 e−t2/2e^{-t^2/2}，再由连续性定理断言分布函数收敛到标准正态分布，全程无需处理密度函数的逐点收敛。

3. 矩与特征函数的关系：若随机变量 XX 的 kk 阶矩 E[Xk]E[X^k] 存在且有限，则特征函数在 t=0t=0 处 kk 阶可导，且 φ(k)(0)=ikE[Xk]\varphi^{(k)}(0) = i^k E[X^k]。这一关系反过来也可通过逆转公式结合泰勒展开，从特征函数的局部导数信息推断分布的尾部行为。

详细示例：正态分布与柯西分布

正态分布：设 X∼N(μ,σ2)X \sim N(\mu, \sigma^2)，其特征函数为 φ(t)=exp⁡(iμt−σ2t2/2)\varphi(t) = \exp(i\mu t - \sigma^2 t^2 / 2)。代入逆转公式求密度：

f(x)=12π∫−∞∞e−itxeiμt−σ2t2/2 dtf(x) = \frac{1}{2\pi} \int_{-\infty}^{\infty} e^{-itx} e^{i\mu t - \sigma^2 t^2/2} \, dt

令 A=σ2/2A = \sigma^2/2，B=i(μ−x)B = i(\mu - x)，利用高斯积分公式 ∫−∞∞e−At2+Btdt=π/A eB2/(4A)\int_{-\infty}^{\infty} e^{-At^2 + Bt} dt = \sqrt{\pi/A} \, e^{B^2/(4A)}，得到：

f(x)=12πσ2exp⁡(−(x−μ)22σ2)f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x-\mu)^2}{2\sigma^2}\right)

正是正态分布的密度函数，验证了逆转公式的自洽性。

柯西分布：标准柯西分布的密度为 f(x)=1/[π(1+x2)]f(x) = 1/[\pi(1+x^2)]，其特征函数为 φ(t)=e−∣t∣\varphi(t) = e^{-|t|}。由于 φ(t)\varphi(t) 不可绝对积分类（在无穷远处衰减不够快），不能直接使用傅里叶逆变换求密度。但逆转公式中的极限操作仍然有效，代入计算可得：

F(b)−F(a)=lim⁡T→∞12π∫−TTe−ita−e−itbite−∣t∣dt=1π[arctan⁡(b)−arctan⁡(a)]F(b) - F(a) = \lim_{T\to\infty} \frac{1}{2\pi} \int_{-T}^{T} \frac{e^{-ita} - e^{-itb}}{it} e^{-|t|} dt = \frac{1}{\pi} [\arctan(b) - \arctan(a)]

这正是柯西分布函数在任意 [a,b][a,b] 上的增量。此例展示了逆转公式在特征函数绝对不可积时仍能正确恢复分布的功能。

现代应用：金融计量与数值计算

在金融经济学中，逆转公式的实际价值尤为突出。许多刻画资产收益率的分布（如方差伽马过程、正态逆高斯过程、CGMY模型等Lévy过程）不具有封闭形式的概率密度函数或分布函数，但其特征函数却有非常简洁的解析表达式。利用逆转公式及其快速数值实现（如 Carr-Madan 公式和 Lewis 公式，均基于快速傅里叶变换即FFT），从业者可以从特征函数出发在毫秒级别计算出欧式期权价格，这已成为当代量化金融中的标准做法。

在计量经济学中，逆转公式的思想也被广泛借鉴。经验特征函数检验（Empirical Characteristic Function Test）通过比较样本特征函数与理论特征函数的差异来判断模型拟合优度，而广义矩方法（GMM）也是利用特征函数的矩信息来估计参数。此外，逆转公式还支撑着自回归条件异方差（ARCH/GARCH）模型分布假设检验和风险价值（VaR）的数值计算。

从理论概率到应用金融，逆转公式始终扮演着"频率域"与"分布域"之间翻译官的角色——它让那些隐藏在特征函数中的分布信息得以显现，是概率工具链中无可替代的关键一环。