1 概念与定义
1.1 期望收益的基本表述
期望收益（Expected Return）指在存在不确定性的条件下，对未来可能结果所对应的收益进行概率加权平均后得到的“平均意义上的回报水平”。在资产或投资策略层面，它常被用来刻画长期上“平均能赚多少”，以便与风险度量共同进入决策与定价框架。 需要强调的是，期望收益是一个统计与建模意义上的概念：它描述分布的第一矩，而不是任何单次实现结果的必然值。
1.2 收益率与收益的口径差异
期望收益的计算依赖“收益”的口径选择，常见差异包括：
- 使用价格变化还是使用现金流（如分红）汇入；
- 采用简单收益（相对初始价格的比例变化）还是采用对数收益；
- 名义收益与实际（扣除通胀）收益；
- 计量频率（每日、月度、年度）不同导致的统计尺度差异。
不同口径的期望值并不天然可比，解释时需要与收益定义保持一致。
1.3 离散与连续情形的期望收益
当未来结果可被归类为有限个情景时，期望收益通常表现为对各情景收益的加权求和；当结果用连续随机变量描述时，则使用概率密度下的积分形式。两者本质上都是“对分布的第一矩进行运算”，只是数学表达随随机变量建模方式而改变。
2 数学框架
2.1 概率加权求和形式
2.1.1 单期离散分布
设某资产在某一期的收益率为随机变量 \(R\)，可能取值为 \(\{r_1,r_2,\dots,r_n\}\)，对应发生概率为 \(\{p_1,p_2,\dots,p_n\}\)，则期望收益为 \[ \mathbb{E}[R]=\sum_{i=1}^{n} p_i r_i \] 其中概率权重满足 \(\sum_{i=1}^{n} p_i=1\)。该式体现了期望收益“按发生可能性折算”的思想。
2.1.2 多情景状态定价视角
在状态空间或情景树框架中，可以把经济状态视作“未来的一种现实化”。设状态 \(s\) 的收益为 \(R_s\)，在某种定价或度量下赋予其权重（概率或定价核权重）后，期望收益可写成对应加权形式。此处的关键在于：用于加权的“权重”未必总等于真实主观概率；在定价模型中，可能使用不同的度量来保证无套利或定价一致性。
2.2 连续分布与积分形式
2.2.1 概率密度函数下的期望
当收益率 \(R\) 为连续随机变量，具有概率密度函数 \(f(r)\) 时，期望收益为 \[ \mathbb{E}[R]=\int_{-\infty}^{\infty} r\, f(r)\,dr \] 该表达强调期望是对“全体收益水平的加权平均”，权重由密度函数提供。
2.2.2 经验分布与核密度近似
在实际估计中，研究者通常用样本构造收益的经验分布；再通过直方图、经验分布函数或核密度估计（KDE）获得近似密度，从而计算数值化的期望。核密度近似的优势在于能更平滑地刻画分布形态，但其带宽选择会影响估计偏差与方差。 经验分布与密度近似的期望本质上仍是第一矩的数值估计。
2.3 对数收益与简单收益
2.3.1 数学关系与近似条件
对数收益与简单收益的常用定义如下：
- 简单收益：\(R=\frac{P_1-P_0}{P_0}\)
- 对数收益：\(r=\ln\left(\frac{P_1}{P_0}\right)\)
两者满足严格关系：\(1+R=\exp(r)\)，即 \(R=\exp(r)-1\)，以及 \(r=\ln(1+R)\)。 当收益幅度较小（例如短周期且波动不大）时，\(\ln(1+R)\approx R\)，因此期望收益在近似意义上可能较接近；但在波动较大或频率较低时，这种近似可能失真。
3 估计与计算方法
3.1 基于历史数据的估计
3.1.1 样本均值法
在只有历史观测而缺少明确概率模型时，最常见的做法是用样本均值作为期望收益的估计： \[ \hat{\mu}=\frac{1}{T}\sum_{t=1}^{T}R_t \] 其中 \(R_t\) 为样本期收益。该估计在“过去与未来分布相同或近似”的假设下更合理，但现实中分布往往会变化。
3.1.2 估计窗口与频率选择
估计窗口的长度会直接影响结果稳定性：
此外，收益频率（如日频转年化）也需要一致处理：期望值在不同频率下可通过相应的复利或近似变换得到可比尺度，但口径不一致会导致误判。
3.2 基于模型的推断
3.2.1 回归与状态变量模型
当收益与可观测或潜在状态变量存在联系时，可用回归或结构性模型进行条件期望估计。形式上通常写为 \[ \mathbb{E}[R_t\mid X_t] \] 其中 \(X_t\) 可能包括宏观指标、利率、期限利差、行业因子等。模型的优点在于能把“信息如何进入收益预测”显式化；缺点则是模型设定可能带来结构性偏误。
3.2 GARCH 等波动模型下的收益期望
波动聚集是金融序列的常见特征，常用 GARCH 类模型刻画条件方差。一般而言，GARCH 主要影响条件波动的估计，而期望收益的形式可能仍通过条件均值方程给出（例如包含滞后收益或漂移项）。在实践中需要区分：你所估计的是“均值”还是“方差”，以及模型假设下两者的相互关系。
3.3 基于情景/仿真的估计
3.3.1 蒙特卡洛模拟
在可设定随机过程或用历史校准分布参数的情况下，可以通过蒙特卡洛模拟生成大量未来路径，再对终值收益计算样本平均，从而得到期望收益估计。模拟期望的稳定性取决于样本路径数量、参数估计误差以及所选分布假设。 此外，模拟可以自然处理非线性收益结构（如期权或带条件支付的策略），但其结果同样高度依赖建模假设。
3.3.2 压力测试情景构造
压力测试并不追求“概率意义上的精确期望”，而是构造极端但合理的情景（例如流动性枯竭、信用利差显著扩大、波动率跃升），用以评估在坏状态下的回报表现。若将这些情景赋予权重并计算加权平均，压力测试也能提供一种“偏向风险管理”的期望收益视角，但需谨慎区分其目标与统计期望的关系。
3.4 概率权重的来源
3.4.1 主观概率与客观概率
概率权重可能来自两类来源：
- 客观概率：来自数据频率或估计得到的统计分布；
- 主观概率：来自模型信念、专家判断或主观校准。
两者在计算方法上都可能产生期望收益数值，但解释内涵不同：客观概率强调可检验的频率结构，主观概率强调决策者的认知。
3.4.2 风险中性概率的用法（概念层面）
风险中性概率是一类在某些无套利定价框架下使用的“度量替换”。其意义在于：用该类概率计算的某些贴现后期望可以与资产定价一致。需要注意的是，风险中性概率不等同于“真实发生概率”，也不直接等价于投资者相信未来会按何种方式实现；它是定价工具。将其用于预测“真实期望收益”需要进一步解释与转换。
4 在投资决策中的作用
4.1 均值-方差权衡
在均值-方差框架中，期望收益（均值）与收益离散度（方差或标准差）共同刻画“回报水平与波动程度”。投资者通常不只看平均赚多少，还关心赚得是否稳定、是否会出现大幅波动或亏损风险。 因此，期望收益常被视为“回报的方向性指标”，风险度量则决定其可信度与承受成本。
4.2 资产配置与组合优化中的期望收益
4.2.1 均值-方差投资组合
在构建组合时，期望收益可以根据权重按线性或更复杂方式合成（取决于收益如何定义与相关结构如何建模）。组合优化通常在给定风险度量的约束下，寻找使目标函数最优的权重向量。这里的期望收益起到“把不同资产回报贡献汇总”的作用。
4.2.2 约束条件下的最优解含义
现实投资往往伴随约束，例如：不允许做空、单一资产权重上限、交易成本与流动性限制等。引入约束后，“最优解”并不只是数学意义上的最优，也体现了在可执行范围内的折中选择。期望收益的估计误差会进一步影响最优权重，形成“估计—配置”之间的敏感性。
4.3 资本资产定价模型（CAPM）中的期望收益
4.3.1 无风险利率与风险溢价
在 CAPM 中，资产的期望收益通常与市场整体风险相关，常见表述形式为“无风险利率加上风险溢价”。风险溢价通常与资产对市场波动的敏感度（如 \(\beta\)）成正比。期望收益在此框架中不仅是统计量，也被视为定价关系的预测结果。
4.3.2 期望收益的可检验含义
CAPM 给出可检验的横截面关系：不同风险暴露的资产，其期望回报应呈现特定线性结构。实证研究若偏离该结构，可能反映估计误差、市场假设不成立，或模型遗漏其他影响回报的因素。
4.4 多因子模型中的期望收益
4.4.1 因子暴露与预期回报
多因子模型将期望收益分解为由多个风险因子驱动的部分。资产的预期回报常写为“基准项 + 各因子暴露与对应因子溢价的加权”。在这种视角下，期望收益不仅取决于资产本身，还取决于其在因子维度上的结构特征。 实践中，因子选择、样本区间与回归稳定性对期望收益预测影响较大。
5 风险与期望收益的关系
5.1 风险度量：方差、标准差与分位数
方差与标准差描述的是围绕均值的离散程度，适合于对分布近似对称、且主要担忧波动大小的情形。分位数（如 VaR）或尾部度量更关注极端损失出现的概率或水平，因而与期望收益形成互补：即便均值较高，尾部风险也可能使总体表现不理想。
5.2 正期望不等于“低风险”
期望收益为正仅说明“平均意义下倾向盈利”，并不意味着损失小或分布不糟。若收益分布具有厚尾、偏态或显著的跳跃特征，可能出现“多数时候小亏、少数时候大赚”或反过来导致的极端体验。 因此，决策不能只依赖期望数值，还需要结合风险结构理解结果的分布特性。
5.3 条件期望与尾部风险（简述）
5.3.1 条件在压力或坏状态下的回报
条件期望关注在特定信息或状态下的“再加权平均”。例如，当波动率上升、信用利差扩张或宏观指标恶化时，重新评估 \(\mathbb{E}[R\mid \text{stress}]\)。这种做法能更贴近风险管理目标：把“坏状态下可能发生的回报水平”提前量化，而不仅仅依赖总体平均。
6 常见误区与注意事项
6.1 期望收益≠保证收益
期望收益是统计意义上的平均，并不等同于投资结果的必然实现。单次结果可能远离均值，甚至持续偏离一段时间。把期望收益当作“收益承诺”容易造成决策偏差。
6.2 样本误差与过拟合风险
使用样本均值或复杂模型预测期望收益时，样本噪声会造成估计偏差与方差。模型参数越多、调整越灵活，越可能在历史数据上拟合得很好却在未来失效。稳健性评估与交叉验证思路可用于降低此类风险。
6.3 处理通胀与实际/名义口径
当收益被表述为名义值时，通胀会影响真实购买力。若比较不同策略或跨期表现，需统一名义或实际口径；否则看似“期望更高”的方案，可能只是忽略了价格水平变化带来的差异。
6.4 并非越“平均”越好：分布形状的重要性
期望收益只利用了第一矩信息，而分布的方差、偏度、峰度、尾部形状等更高阶特征同样影响实际体感风险。例如，两个方案可能具有相同期望，但一个分布更集中、另一个更厚尾，风险体验会截然不同。
6.5 调侃：把“平均数”当作“个人运气说明书”
从统计角度看，期望收益是“群体平均或模型平均”，并不会直接决定任何个人在下一次买卖中必然的好运程度。把它当作运气说明书很容易忽略随机性与分布形态带来的反差。
7 相关概念与延伸
7.1 风险溢价
风险溢价指承担某种风险后，相对于无风险或基准回报水平所获得的额外补偿。它与期望收益密切相关：期望收益往往可以分解为基准收益与溢价之和。
7.2 资产定价与定价内核（概念联结）
在资产定价理论中，期望收益的计算与贴现机制相连。定价内核（贴现因子）提供了如何把未来现金流折算到当下的规则，因此也影响“在何种度量下进行加权平均”这一核心问题。
7.3 效用函数中的期望项
效用最大化框架中，常见的目标并非直接最大化期望收益，而是最大化期望效用。此时期望项出现在效用层面，风险偏好通过效用函数的形状融入决策。
7.4 期望收益的敏感性分析与稳健性评估
由于期望收益高度依赖概率假设、窗口选择与模型设定，进行敏感性分析有助于理解其不确定性来源。例如改变估计区间、替换分布假设或使用替代模型计算，观察期望结果的波动幅度，从而提升结论的可信度。