1945 年，在新墨西哥州洛斯阿拉莫斯實驗室的某個角落，烏拉姆（Stanislaw Ulam）盯著一副撲克牌發呆。他養病期間沒有太多事可做，卻有一個問題纏住他不放：中子在鈾核裡的擴散行為太複雜，沒有解析公式可以直接求解。
他想到的解法，後來改變了整個科學計算的面貌。
與其試圖推導出公式，不如大量地去試。讓電腦模擬數以萬計的隨機路徑，統計有多少次達到目標，再從比例推算出機率。他把這個想法告訴了馮諾依曼（John von Neumann），兩人給它取了一個帶著賭城氣息的名字：蒙地卡羅模擬。
名字來自烏拉姆那個愛在摩納哥揮霍的叔叔。但這個方法本身，不浪漫，它是嚴謹的，也是深刻的——它把「解析的困難」翻譯成「計算的重複」，把人解不開的方程式，交給電腦去用蠻力逼近。
這個時刻，是現代財務數學真正的起點之一。而它的地基，是一個極為弔詭的東西：一台製造假象的骰子。
在蒙地卡羅方法提出之前，「模擬」會用來測試一個已經被完全了解的問題，而「抽樣」會用來衡量模擬中的不確定性。而蒙地卡羅方法反轉了這種模式，使用一個機率類比來解決決定性問題。
Before the Monte Carlo method was developed, simulations tested a previously understood deterministic problem and statistical sampling was used to estimate uncertainties in the simulations. Monte Carlo simulations invert this approach, solving deterministic problems using a probabilistic analog. — wiki
一、人工骰子
蒙地卡羅的核心，是大量的隨機數。
但電腦要如何生成「隨機」？電腦是確定性的機器，每一步運算都遵循明確的指令，不允許任何「說不準」。你不能讓一台機器真正地擲骰子。
解決方案是偽隨機。
工程師們設計出一套數學公式，從一個起始值（稱為「種子」）出發，每一步按照確定的公式推算出下一個數，生成一串看起來毫無規律的數字序列。這串序列，統計上通過所有你能想到的隨機性檢驗——均勻分佈、互相獨立、沒有週期——但它本質上，是一張已經寫好的劇本。給定相同的種子，整條序列完全可重現。
現代最廣泛使用的偽隨機算法，叫做 Mersenne Twister（MT19937），由日本學者松本眞與西村拓士在 1997 年發明。它的名字來自它的週期長度，恰好是一個梅森質數：2¹⁹⁹³⁷ − 1，一個長到難以想像的循環——在這個週期結束之前，序列絕對不會重複。它維護一個由 624 個整數組成的內部狀態陣列，每次呼叫 random() 時，從這個狀態推導出下一個數字，狀態也跟著演進。
你在 Python 裡呼叫的 random.random()，你在 R 裡執行的 runif()，你的選擇權定價程式在背後跑的那一百萬條路徑——它們幾乎全部建立在這台人工骰子上。它不是真正的隨機；它是一個精心設計的確定性算法，偽裝成隨機。給定相同的種子，整條序列完全可重現，一個數字都不差。
這並非缺陷，而是特性。科學需要可重現性，模擬需要能被驗證，調試需要能重跑。偽隨機的確定性，恰好是工程師最需要的那種「受控的不確定性」。
但這裡有一個重要的警示，比大多數使用者意識到的更重要：Mersenne Twister 適合模擬、統計抽樣、遊戲這類場合，但它絕對不適合密碼學或任何需要安全隨機性的場合。原因是，只要觀察到連續 624 個輸出值，就可以完全重建它的內部狀態，預測所有後續的亂數。這台骰子，可以被破解。需要真正不可預測的隨機，必須改用依賴作業系統熵源的方案——Python 的 secrets 模組，或 SystemRandom——它們從硬體雜訊、網路封包時間差等真實物理過程取樣，才能稱得上是真正意義上的隨機。
但在財務數學的場景裡，偽隨機的「可重現性」反而是一個工程優勢。問題不在這台骰子夠不夠安全，而在於：這個骰子，能夠代表那個真實世界嗎？
二、從骰子到常態分佈，再到選擇權
讓我們沿著這條邏輯鏈走下去。
電腦有了人工骰子，可以模擬均勻分佈的隨機數。從均勻分佈出發，用 Box-Muller 方法或類似的轉換，可以生成常態分佈的隨機數。從常態分佈，可以模擬布朗運動——那個在每一個無窮小時間步驟裡，都往某個隨機方向走一小步的連續隨機過程。
布朗運動，是整棟財務數學大廈的鋼骨。
它的名字來自植物學家羅伯特·布朗，他在 1827 年觀察到花粉粒在水中的不規則抖動，完全無法預測下一刻飄向何方。愛因斯坦後來給出數學解釋：這是無數水分子對花粉粒碰撞的集體效應，每次碰撞都是獨立的、方向隨機的，疊加之後，形成了那條到處拐折、沒有任何一點有切線可言的連續曲線。
金融學家把股價的變動建模為一種帶有漂移項的幾何布朗運動：
dS = μS dt + σS dW
S 是股價，μ 是期望收益率，σ 是波動率，dW 是布朗運動的微小增量。這條公式背後，是一個重要的統計事實：在這個假設下，股價的對數收益率服從常態分佈。
常態分佈，是整個現代統計推斷的核心。它之所以無處不在，根源是中央極限定理——大量獨立的隨機變數相加，無論原始分佈長什麼樣子，只要樣本數夠大，總和的分佈就會收斂到常態分佈。藥物試驗裡的療效估算是它，工廠品質管制裡的允許誤差是它，選舉民調裡的抽樣誤差也是它。
而讓它能被計算、被模擬、被大規模應用的，正是那台人工骰子。
這環環相扣：人工骰子生成均勻分佈，均勻分佈轉換成常態分佈，常態分佈模擬布朗運動，布朗運動描述股價，股價的運動讓選擇權可以定價。整個鏈條，從最底層那個確定性的偽隨機算法，一路往上，建起了現代金融工程的全部定價架構。
電腦算力的每一次飛躍，都讓這棟大廈又往上蓋了幾層。沒有個人電腦的普及，蒙地卡羅是實驗室的工具；有了它，它變成了每一家銀行交易室的基礎設施。沒有高速計算，隨機波動率模型無法即時定價；有了它，市場上的衍生品交易每秒鐘都在算數十億次。
隨機，是地基。電腦算力，是讓這個地基得以支撐整棟摩天樓的鋼筋。
三、Itô 引理與那個多出來的一項
在這棟大廈最關鍵的一層，住著一條看起來奇怪的數學定理：Itô 引理。
普通微積分的鏈鎖法則告訴你：如果 y 是 x 的函數，x 又隨時間變動，那麼 y 隨時間的變動率，等於 y 對 x 的導數乘以 x 的變動率。這是高中數學加上一點大學微積分的範圍，不複雜。
但在布朗運動的世界裡，這條公式必須多加一項。
原因是布朗運動的波動太劇烈——它的「二次變差」不為零。在普通的可微函數裡，高階的微小項最終可以被忽略；但布朗運動的路徑處處不可微，那些高階項貢獻了有限的量，不能扔掉。Itô 引理，就是把這個額外的一項精確地寫出來的定理。
這個多出來的一項，是 Black-Scholes 方程式能被推導出來的關鍵。
一九七三年，布萊克（Fischer Black）與舒爾斯（Myron Scholes），以及默頓（Robert Merton）獨立地用這套數學機器，推導出了選擇權的公平定價公式。它的深層邏輯是：若你持有一個選擇權，同時反向持有一定比例的標的股票，就可以構成一個瞬間消除隨機性的「動態避險組合」。這個組合的報酬必須等於無風險利率，否則就出現了套利機會。從這個無套利條件出發，加上 Itô 引理，就推導出了那條封閉的定價公式。
這是財務數學最輝煌的時刻之一。不確定性，被折疊成了一個參數——波動率 σ。風險，有了精確的價格。「風險中性定價」的框架說：在一個可以動態避險的完備市場裡，任何衍生品的價格，等於在「風險中性測度」下，它未來報酬的期望值再折現。
隨機，讓不確定性可以交易了。
四、那些被折疊進去的假設
但在慶祝這個輝煌之前，必須停下來問一個問題：這棟大廈，建在什麼地基上？
Black-Scholes 成立，需要一系列假設：股價服從幾何布朗運動；市場是連續的；可以無摩擦地動態避險；波動率是恆定的。每一個假設，都是在說：「在以下這些條件控制的情況下……」
問題在於，這些條件往往沒有被清楚地寫在使用說明上。
使用者看到的是一個漂亮的公式，輸入幾個參數，吐出一個定價。公式背後那一串假設，靜悄悄地被折疊進去，成為隱形的條件。市場在正常運轉的時候，這些假設大致成立，公式給出的答案也大致合理。於是信心逐漸累積，假設的存在被遺忘，工具本身被當成了真理。
這是一個精細的認識論陷阱，而且它非常難以察覺，因為它在大多數時候都不會出發警報。
常態分佈的尾部，太薄了。
真實金融市場發生的極端事件，其頻率遠比常態分佈預測的高得多。1987 年的「黑色星期一」，道瓊斯指數單日崩跌超過 22 個百分比——若股價真的服從常態分佈，這個事件發生的機率，是幾乎不可能以常態標準差來衡量的天文數字。2008 年的金融海嘯，2020 年的疫情衝擊，一次次地重演著同樣的故事：模型說這不該發生，現實說它就是發生了。
這就是統計學上的「厚尾」——現實世界的分佈，比常態分佈的尾部更肥，極端事件比模型預測的更常出現。
塔雷伯（Nassim Nicholas Taleb）把這類「在標準模型框架裡概率極低、卻在現實裡真實出現的極端事件」稱為黑天鵝1。他的批判，不只是針對某個具體的模型，而是針對整個「用常態分佈描述人類社會複雜現象」的思維習慣。
他說的，其實不難理解：當你把一個複雜的隨機現象，壓縮成布朗運動、壓縮成常態分佈，你是在說：「在大量獨立樣本的假設下，在各種條件控制的情況下，這個系統的行為會收斂到這個分佈。」但那些「假設」和「條件控制」，在真實市場裡從來不是免費的——它們是被你默默吞進去的代價，等到市場不再符合這些假設，帳單才會送來。
而你往往不知道帳單什麼時候會來，因為你早就忘了當初欠下了這筆帳。
五、環環相扣的鏈條，以及它斷掉的地方
讓我們把整條鏈條重新看一遍。
人工骰子（偽隨機算法）→ 常態分佈樣本 → 布朗運動模擬 → 幾何布朗運動假設 → Black-Scholes 定價 → 選擇權市場的每日交易。
這個鏈條的美麗之處，在於它的嚴密——每一個環節都有嚴格的數學支撐，從 Itô 引理到無套利原則，每一步都經得起推敲。這也是它的危險之處：鏈條的嚴密，讓人容易誤以為整個系統是穩固的；但任何一個環節的假設失效，整條鏈條都可能在看起來最不可能的時刻斷裂。
最關鍵的斷裂點，通常不在鏈條的中間，而在最底部。
當市場不再是「大量獨立參與者各自決策」的系統，而是變成所有人都在盯著同一個指標、讀同一份研究報告、用同樣的模型風控，「樣本獨立」這個假設就悄悄消失了。沒有了獨立性，中央極限定理的收斂保證就鬆動了，常態分佈的尾部估算就失效了，整棟建立在此之上的定價大廈，就站在了它不知道已經變成流沙的地基上。
更麻煩的是，越來越多的人使用相同的模型，模型本身就開始影響市場的行為，改變了它原本試圖描述的那個現實。這是一種自我指涉的迴圈：你用模型描述市場，市場因為人們相信模型而改變，改變後的市場不再符合模型，但沒有人注意到，因為帳單還沒到。
塔雷伯的貢獻，不只是提醒我們「黑天鵝存在」。更深的一層是：他指出，我們建構風險模型的那個認識論框架本身，就傾向於系統性地低估尾部風險，因為我們習慣用常態分佈思考，用歷史數據估參數，然後把這個估出來的分佈當成了現實。而歷史數據，往往恰好缺乏那些最罕見、影響最大的事件。
用已經發生的事去估計從未發生的事的機率，是統計學的原罪，也是所有風險模型最難逃脫的局。
六、在用「隨機」之前，先問三個問題
在整個財務數學的應用裡，有一個更根本的問題，往往比模型本身更少被認真對待：你憑什麼說這個現象可以用隨機來描述？
這不是廢話，而是一切的前提。
中央極限定理告訴我們，大量獨立的隨機變數相加，會收斂到常態分佈。但它的成立，依賴三個條件：樣本必須夠大，樣本之間必須獨立，以及這些樣本必須來自同一個母體。這三個條件，每一個都可能在現實中無聲地失守。
樣本夠大嗎？ 這個問題比它看起來難。「夠大」的門檻，取決於原始分佈的形狀——越厚尾的分佈，需要越多樣本才能讓總和收斂到常態。金融市場的收益分佈本身就是厚尾的，也就是說，在它最需要大樣本才能收斂的地方，你恰好永遠沒有足夠多的歷史數據。因為市場的結構會改變，制度會改變，政策會改變，幾十年前的數據和今天的市場究竟還是不是同一個母體，本來就是一個值得懷疑的假設。
樣本真的獨立嗎？ 在多數金融應用裡，這個假設是最脆弱的一個。每日的收益不是獨立的——有動能效應，有均值回歸，有季節性，有消息面的串聯反應。更根本的問題是：所有市場參與者都在讀同樣的數據、使用同樣的模型，他們的決策之間本來就高度相關。所謂「獨立的隨機樣本」，在這裡，從一開始就是個神話。
你觀察的是同一個母體嗎？ 金融市場的制度環境在改變，參與者的結構在改變，算法交易的佔比在改變，市場微結構在改變。2008 年之前的波動率和之後的波動率，是同一個母體的樣本嗎？你用 30 年的股價數據估出來的 σ，是今天這個市場的波動率嗎？如果母體本身在移動，你的估計值永遠在追一個不停改變的靶。
這三個問題，在使用任何隨機模型之前，都必須被誠實地回答。
不是說這些問題有了滿意的答案，模型才能用；而是說，如果你連這些問題都沒有問過，那你用的不是模型，你用的是一個你不完全理解的黑盒子，恰好在平靜的市場裡給出了看起來合理的數字。那種合理，是一種危險的合理。
隨機，是一個強大的語言；但用這個語言描述一件事之前，必須先確認那件事確實說的是這種語言。若無法確認樣本獨立、樣本夠大、母體穩定，就不能用「隨機」輕易帶過——那個「帶過」，遲早會成為一個你不知道自己欠下的債。
七、如何帶著懷疑，依然好好使用工具
說到這裡，必須澄清一件事：這不是在說蒙地卡羅是錯的，Black-Scholes 是錯的，偽隨機是錯的。
它們都是極為精妙的工具，在它們適用的邊界之內，它們給出的答案是可靠的，可以交易的，可以被市場接受的。問題從來不是工具，而是使用工具的人，是否清楚地知道工具的適用邊界在哪裡。
蒙地卡羅能告訴你它的模型裡的風險分佈；它無法告訴你模型之外的世界，還藏著什麼它沒有想到的面孔。
正確的使用姿態，大概是這樣的：
第一，把假設寫清楚。每次使用一個定價模型，都應該能夠明確說出它依賴哪些條件——市場假設、分佈假設、獨立性假設。這些假設，不是裝飾，是模型的一部份，缺了它們，模型的輸出就沒有意義。
第二，持續問「這些假設現在成立嗎？」市場不是靜止的；假設在某段時期成立，不代表它永遠成立。當市場結構改變，當相關性突然飆升，當流動性消失，那些你習以為常的假設條件，可能正在悄悄失效，而你的模型還渾然不知地繼續吐出數字。
第三，對尾部保持敬畏。常態分佈是一個非常有用的起點，但你對真實分佈的尾部，永遠都知道得比你以為的少。在頭寸規模和風險控制上，給尾部留出比模型建議的更多的空間，是一種非常理性的謙遜。
第四，也是最根本的一點：回到第一性原理。當結果開始讓你感到困惑——價格偏離了你的模型、風控指標給出了奇怪的訊號、市場行為違反了你的直覺——這個時候不是重新校準參數的時候，而是回去問「我的底層假設，還站得住嗎？」從最基礎的邏輯重建，比在一棟地基已經鬆動的樓上繼續加蓋，要安全得多。
Pascal 和 Fermat 通信的時候，只是想解決一個賭局中途中斷的賭注分配問題。他們不知道自己在奠定什麼。那個問題要求他們精確地思考「如果賭局繼續，所有可能結果的分佈是什麼」，而一旦你開始精確地思考這件事，就踏上了一條路，那條路的盡頭，是統計推斷、是布朗運動、是 Itô 引理、是 Black-Scholes，是現代金融市場每天流動的數兆美元衍生品交易。
八、隨機，是那座橋
回到最開始的那個問題：電腦裡的 random() 函數，究竟是什麼？
它是一個確定性的算法，偽裝成隨機，用於模擬我們無法直接計算的複雜現象。它足夠好，好到讓整個現代財務數學得以運作，讓選擇權可以被定價，讓風險可以被量化，讓不確定性可以被交易。
但它不是那個真實世界本身。
真實的股市有混沌在作用，有無數個體非線性交互的湧現效應，有我們尚未建模的系統性風險，有塔雷伯所說的那些「超出模型邊界的黑天鵝」。人工骰子能告訴你它描述的那個世界；它無法告訴你它沒有描述到的那個世界，還有多大。
這不是要讓你放棄這些工具，而是要讓你以正確的姿態持有它們。
隨機，是人類把混亂的世界翻譯成數學的那座橋。有了它，藥物的有效性可以被量化，選擇權的公平價格可以被計算，基因療法的安全邊際可以被估算。沒有它，統計是一堆感覺，金融是一場賭博，醫學是一門猜測的藝術。
有了它，世界變得可以計算——不是確定的，而是精確地不確定。
但使用這座橋的人，必須清楚地知道橋通向哪裡，橋的承重上限是多少，以及橋對岸的那個彼岸，是否就是他真正要去的地方。
最危險的不是不懂模型的人，而是對模型懂得恰好足夠用，卻不懂得模型的邊界在哪裡的人。他們把地圖當成了地形，把工具當成了真理，直到現實以它最殘忍的方式來糾正這個錯誤——通常，那個糾正來得毫無預警，來得又猛又快，來得剛好在你最沒有準備的時候。
這是使用任何工具之前，最基本的功課。
也是在市場面前保持長期存活的，唯一可靠的底層邏輯。
Nassim Taleb的《黑天鵝》簡單地說，就是認清金融市場是屬於「極端斯坦」，但歷年來每次重大金融危機，機構、對沖基金犯的錯，都是誤認市場是「平均斯坦」。
平均斯坦（Mediocristan），樣本內所有資料相差不大，罕有顯著異常的資料。
舉例：如果隨機找兩個成年男性的身高之和是3.5米，那麼大概率組合是兩個1.75米的，幾乎不會出現一個0.2米，一個3.3米的，所以，男性身高就屬於平均斯坦。
極端斯坦（Extremistan），樣本內所有資料差異性非常大。
舉例：如果隨機找兩個成年男性的年薪總和是1000萬，那麼大概率組合是一個990萬，一個10萬，因為普遍平均年薪在10萬左右，個別年薪會非常高，但幾乎隨機很難找到2個500萬工資的。所以，男性工資就屬於極端斯坦。
平均斯坦（Mediocristan）和極端斯坦（Extremistan）是Taleb在《Black Swan》這本書中特有的名詞
"真實市場裡從來不是免費的——它們是被你默默吞進去的代價，等到市場不再符合這些假設，帳單才會送來。而你往往不知道帳單什麼時候會來，因為你早就忘了當初欠下了這筆帳" 這個比喻實在是太貼切了，這篇文章寫得真好。
Hardcore好文