KNOWECON WIKI

ARTICLE

Jensen 不等式

琴生不等式 (Jensen's Inequality) 琴生不等式（Jensen's Inequality）是不等式分析和概率论中最基本也最重要的结果之一，以丹麦数学家 Johan Jensen 命名。它刻画了凸函数（或凹函数）作用于期望值时的数量关系：对于凸函数，函数的期望大于等于期望的函数值；对于凹函数，关系恰好反向。该不等式在微观经济学、金融经济学和信

浏览 0 更新 2025-10-27

琴生不等式 (Jensen's Inequality)

琴生不等式（Jensen's Inequality）是不等式分析和概率论中最基本也最重要的结果之一，以丹麦数学家 Johan Jensen 命名。它刻画了凸函数（或凹函数）作用于期望值时的数量关系：对于凸函数，函数的期望大于等于期望的函数值；对于凹函数，关系恰好反向。该不等式在微观经济学、金融经济学和信息经济学中有着广泛而深刻的应用，尤其是在风险决策理论和期权定价理论中占据核心地位。

定义与数学表述

设 XX 是一个随机变量，其支撑集包含于某个区间 I⊆RI \subseteq \mathbb{R}，且期望 E[X]\mathbb{E}[X] 存在且有限。设 φ:I→R\varphi: I \to \mathbb{R} 是一个函数。

若 φ\varphi 是凸函数（即 φ′′(x)≥0\varphi''(x) \ge 0 对所有内点 x∈Ix \in I 成立），则：

φ(E[X])≤E[φ(X)]\varphi(\mathbb{E}[X]) \le \mathbb{E}[\varphi(X)]

若 φ\varphi 是凹函数（即 φ′′(x)≤0\varphi''(x) \le 0），不等式反向：

φ(E[X])≥E[φ(X)]\varphi(\mathbb{E}[X]) \ge \mathbb{E}[\varphi(X)]

等号成立当且仅当：φ\varphi 在 XX 的支撑集上是线性的，或者 XX 是退化随机变量（即以概率 1 取常数值）。离散情形下，若 XX 取值 x1,…,xnx_1, \dots, x_n 且 ∑λi=1,λi≥0\sum \lambda_i = 1, \lambda_i \ge 0，则凸函数满足：

φ(∑i=1nλixi)≤∑i=1nλiφ(xi)\varphi\left(\sum_{i=1}^n \lambda_i x_i\right) \le \sum_{i=1}^n \lambda_i \varphi(x_i)

这就是 Jensen 不等式在离散概率下的经典形式，也是凸性定义的直接推广（从两点线性组合到 n 点加权平均）。

凸性的几何直觉与证明思路

Jensen 不等式的本质在于凸函数的几何性质：凸函数图像上任意两点间的连线位于函数图像之上——即"函数值不大于线性插值"。推广到期望（即无穷凸组合），结论保持不变。

证明的关键步骤依赖于支撑超平面（Supporting Hyperplane）的存在性：对于可微凸函数 φ\varphi，在任意点 x0∈Ix_0 \in I 处有：

φ(x)≥φ(x0)+φ′(x0)(x−x0),∀x∈I\varphi(x) \ge \varphi(x_0) + \varphi'(x_0)(x - x_0), \quad \forall x \in I

即函数图像始终位于其任意一点的切线之上。取 x0=E[X]x_0 = \mathbb{E}[X]，将 x=Xx = X 代入上式并两边取期望：

E[φ(X)]≥E[φ(E[X])+φ′(E[X])(X−E[X])]=φ(E[X])+φ′(E[X])E[X−E[X]]=φ(E[X])\mathbb{E}[\varphi(X)] \ge \mathbb{E}\left[\varphi(\mathbb{E}[X]) + \varphi'(\mathbb{E}[X])(X - \mathbb{E}[X])\right] = \varphi(\mathbb{E}[X]) + \varphi'(\mathbb{E}[X])\mathbb{E}[X - \mathbb{E}[X]] = \varphi(\mathbb{E}[X])

因为 E[X−E[X]]=0\mathbb{E}[X - \mathbb{E}[X]] = 0，不等式得证。对于不可微的凸函数，可利用次梯度（subgradient）推广同样的论证。

风险规避的微观基础

Jensen 不等式是理解不确定性下经济决策的数学基石。在期望效用理论（Expected Utility Theory）中，决策者的偏好由一个冯·诺依曼-摩根斯坦效用函数 u(⋅)u(\cdot) 表示。面对一个随机财富 W~\tilde{W}，决策者比较确定性等价财富 CECE（满足 u(CE)=E[u(W~)]u(CE) = \mathbb{E}[u(\tilde{W})]）与期望财富 E[W~]\mathbb{E}[\tilde{W}]。

若 uu 是严格凹函数（u′′<0u'' < 0），Jensen 不等式直接给出：

E[u(W~)]<u(E[W~])\mathbb{E}[u(\tilde{W})] < u(\mathbb{E}[\tilde{W}])

这意味着决策者对于任何非退化风险，其期望效用严格小于在期望财富处的效用值，等价于确定性等价严格小于期望财富：CE<E[W~]CE < \mathbb{E}[\tilde{W}]。该差距即为风险溢价（Risk Premium）：

π=E[W~]−CE>0\pi = \mathbb{E}[\tilde{W}] - CE > 0

风险溢价衡量了决策者愿意放弃多少期望财富以完全消除风险。绝对风险规避系数（Arrow-Pratt 测度）rA(w)=−u′′(w)/u′(w)r_A(w) = -u''(w)/u'(w) 用以度量凹度及由此产生的风险溢价大小。

金融经济学中的应用

在金融经济学中，Jensen 不等式至少有三个重要应用：

1. Jensen's Alpha（詹森阿尔法）。 资本资产定价模型（CAPM）中，资产或组合的超额收益分解为系统性部分和超额部分。Jensen's Alpha 衡量经风险调整后的超额收益。此处名称来源于 Michael Jensen（1968），虽非直接源自 Jensen 不等式，但两者的数学逻辑一脉相承——Alpha 的显著性检验依赖于线性回归框架下的期望运算。

2. 期权定价下界。 欧式看涨期权在到期日的 payoff 为 max⁡{ST−K,0}\max\{S_T - K, 0\}，这是一个关于标的资产价格 STS_T 的凸函数。由 Jensen 不等式：

E[max⁡{ST−K,0}]≥max⁡{E[ST]−K,0}\mathbb{E}[\max\{S_T - K, 0\}] \ge \max\{\mathbb{E}[S_T] - K, 0\}

期权价格（折现后的期望 payoff）必须不低于其"内在价值"按远期价格计算的结果。当波动率为零时等号成立；波动率越高，严格不等式产生的期权价值越高。这解释了为什么期权价格是波动率的增函数。

3. 债券定价与收益率。 零息债券价格与到期收益率之间存在非线性（凸性）关系。对于给定的收益率变动，债券价格的期望变化方向由凸性（Convexity）调整项决定，而该调整项为正，本质上是 Jensen 不等式在固定收益分析中的直接体现。

信息经济学与信号理论

在信息经济学中，Jensen 不等式用于分析信息的价值。假设决策者可以选择在行动之前获取一个关于状态 θ\theta 的信号 ss。在没有信号时，决策者根据先验期望 E[θ]\mathbb{E}[\theta] 做出最优决策，获得期望 payoff π(E[θ])\pi(\mathbb{E}[\theta])。在有信号时，决策者可以根据信号 ss 的条件期望 E[θ∣s]\mathbb{E}[\theta \mid s] 来做决策，此时事前期望 payoff 为 E[π(E[θ∣s])]\mathbb{E}[\pi(\mathbb{E}[\theta \mid s])]。

若 payoff 函数 π(⋅)\pi(\cdot) 是凸函数，Jensen 不等式意味着：

E[π(E[θ∣s])]≥π(E[E[θ∣s]])=π(E[θ])\mathbb{E}[\pi(\mathbb{E}[\theta \mid s])] \ge \pi(\mathbb{E}[\mathbb{E}[\theta \mid s]]) = \pi(\mathbb{E}[\theta])

即信息的价值非负——凸 payoff 下，信息总是有益的。反之，若 payoff 是凹函数（如典型的风险规避效用函数），信息未必提升福利，甚至可能因"信息带来的风险"而有害（Hirshleifer 效应）。

历史背景与推广

Johan Jensen 于 1906 年在 Acta Mathematica 上发表了这一定理，但其思想渊源可追溯至 Hölder 和 Minkowski 的早期工作。Jensen 不等式的离散形式本质上是凸函数定义的有限推广，而连续（积分）形式则通过测度论框架统一处理。在测度论中，若 (Ω,F,μ)(\Omega, \mathcal{F}, \mu) 是概率空间，则对于 μ\mu-可积函数 ff 和凸函数 φ\varphi：

φ(∫Ωf dμ)≤∫Ωφ∘f dμ\varphi\left(\int_\Omega f \, d\mu\right) \le \int_\Omega \varphi \circ f \, d\mu

该形式将离散求和与连续期望纳入统一框架。

Jensen 不等式与赫尔德不等式（Hölder's Inequality）、闵可夫斯基不等式（Minkowski's Inequality）共同构成了凸分析中三大基本不等式。事实上，赫尔德不等式和闵可夫斯基不等式均可由 Jensen 不等式配合适当的凸函数导出，体现了 Jensen 不等式在不等式体系中的基础地位。

一般均衡与福利经济学

在一般均衡理论中，Jensen 不等式对理解加总行为和代表性消费者具有方法论意义。若经济体中存在异质性个体，每个个体的需求函数是非线性的，则加总需求一般不等于代表性消费者在平均收入下的需求。具体而言，若个体需求函数 x(p,m)x(p, m) 关于收入 mm 是凸函数，则由 Jensen 不等式：

E[x(p,mi)]≥x(p,E[mi])\mathbb{E}[x(p, m_i)] \ge x(p, \mathbb{E}[m_i])

即忽略收入分布的不平等会低估总需求。这一逻辑在分析收入分配对消费结构的影响时至关重要。

在福利经济学中，社会福利函数通常设定为个体效用的凹函数（体现不平等厌恶）。若个体效用本身是收入的凹函数（边际效用递减），则给定总收入，更平等的分配带来更高的社会福利——这一结论本质上是 Jensen 不等式在社会选择领域的直接推论。

博弈论与契约理论

在博弈论中，Jensen 不等式出现在混合策略的 payoff 分析中。考虑一个参与人采用混合策略，其 payoff 函数 u(s,σ−i)u(s, \sigma_{-i}) 关于自身策略 ss 是凸的，则：

E[u(s~,σ−i)]≥u(E[s~],σ−i)\mathbb{E}[u(\tilde{s}, \sigma_{-i})] \ge u(\mathbb{E}[\tilde{s}], \sigma_{-i})

这意味着纯化混合策略总能（弱）提升期望收益，从而解释了为什么具有凸 payoff 的博弈（如某些拍卖和竞赛）中纯策略更受偏好。这一观察在委托代理理论中同样重要：当代理人的工资是业绩的非线性函数时，Jensen 不等式决定了激励相容约束的具体形态。

计量经济学中的应用

在计量经济学中，Jensen 不等式在处理非线性变换后的变量时扮演关键角色。若模型中对被解释变量做了对数变换（ln⁡Y=Xβ+ε\ln Y = X\beta + \varepsilon），预测 E[Y∣X]\mathbb{E}[Y \mid X] 时不能简单地取 exp⁡(Xβ^)\exp(X\hat{\beta})，因为：

E[Y∣X]=E[exp⁡(Xβ+ε)∣X]\mathbb{E}[Y \mid X] = \mathbb{E}[\exp(X\beta + \varepsilon) \mid X]

若 ε∣X∼N(0,σ2)\varepsilon \mid X \sim N(0, \sigma^2)，则由对数正态分布性质：

E[Y∣X]=exp⁡(Xβ+σ2/2)>exp⁡(Xβ)\mathbb{E}[Y \mid X] = \exp(X\beta + \sigma^2/2) > \exp(X\beta)

这里 Jensen 不等式决定了 naive 反变换（exp⁡(Xβ^)\exp(X\hat{\beta})）会系统性低估 YY 的条件期望——需要加上 σ2/2\sigma^2/2 的污迹校正（Smearing Retransformation）。

Jensen 不等式虽然形式简洁，但其涵盖的范围从纯粹的概率论一直延伸到经济决策、资产定价、信息价值和计量方法等各个领域。正是这种简洁性与普遍性的统一，使其成为经济学数学工具中最不可或缺的基石之一。