💰 quantitative finance

A New Approximation to the Normal Distribution Quantile Function

本文介绍了一种与 Beasley 和 Springer 方法相比更快、尽管精度略低的正态分布分位数函数近似方法，其最大绝对误差在 $2.5 \cdot 10^{-5}$ 以下，对于许多应用（特别是金融市场）而言已足够充分。

原作者： Paul M. Voutier

发布于 2026-06-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Paul M. Voutier

原始论文采用 CC BY 3.0 许可（http://creativecommons.org/licenses/by/3.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你是一位正试图烤出一个完美蛋糕（即“正态分布”）的大厨。为了完成这项任务，你需要一种非常特殊的秘密配料：分位数函数（Quantile Function）。你可以把这个函数想象成一张神奇的地图，它能根据你给出的概率数值，精确地告诉你应该添加多少配料。

长期以来，统计学家一直在使用两种主要的配方来制作这张地图：一种是由 Beasley 和 Springer 提供的（非常精确，但烹饪速度慢），另一种是 Abramowitz 和 Stegun 的（稍快一些，但精度较低）。

Paul Voutier，这篇论文的作者，想要一种比其他方法更快的配方，即便这意味着要牺牲一点点精度。以下是他的做法的简单拆解：

1. 策略：划分厨房区域

作者意识到，这张“地图”在房间中央和角落的行为表现是不同的。

中间区域（中心区域）： 这是大部分活动发生的地方。这里的地图平滑且可预测。
角落（尾部）： 这是极端的两端（概率极低或极高的情况）。在这里，地图变得棘手，需要进行昂贵且耗时的数学运算（比如开平方根和取对数）。

旧的方法： Beasley-Springer 配方在中间部分使用了一个非常复杂、高精度的工具。它很准确，但计算起来很慢。

新的方法： Voutier 决定为中间部分使用一个更简单、更轻便的工具。他把一台沉重复杂的机器换成了一个快速高效的手持工具。

他称之为 (2, 2) 方案。想象一下，它是一个简单的两级阶梯，而不是一个五级的楼梯。
对于棘手的角落（尾部），他使用了另一种稍微复杂一点的工具（(3, 2) 方案），以确保地图在边缘不会出错。

2. 权衡：速度与完美

Voutier 承认他的新地图不像 Beasley-Springer 那样完美无瑕。

Beasley-Springer： 像一位高级钟表匠；其误差是微乎其微的（小于十亿分之一）。
Voutier 的新方法： 像一只非常好的怀表；虽然误差仍然很小（小于四万分之一），但确实没有前者那么完美。

然而，论文指出，对于许多现实世界的任务（例如管理金融市场）来说，只要能更快地得到答案，做到“足够好”也就足够了。

3. 结果：竞赛

作者通过一台电脑（一台带有 Intel 处理器的 Dell 笔记本电脑）将他的新配方与旧配方进行了对比测试。他运行了 200,000 次计算，以观察谁的速度最快。

以下是它们的表现（单位为毫秒）：

Abramowitz-Stegun（旧标准）： 25,210 ms（最慢）
Beasley-Springer（精准型）： 10,212 ms（中间水平）
Voutier 的新方法 (Rat22A)： 8,052 ms（更快！）
Voutier 的优化方法 (Rat22B)： 6,649 ms（冠军！）

巨大的胜利： Voutier 最快版本的速度几乎是旧标准的 4 倍，并且比高精度的 Beasley-Springer 方法快了约 1.5 倍。

4. 为什么这很重要

这篇论文强调了一个关键教训：有时，做更少的数学运算反而更好。
通过简化“中间”部分的计算，计算机就不必进行那么多繁重的运算（如开平方根和取对数）。尽管这些繁重运算只发生在数据的极端边缘，但将其减少一半节省了近 20% 的总时间。

总结

Paul Voutier 为一个特定的统计地图构建了一个全新的、精简的计算器。它不是世界上最精确的地图，但它是目前最快的地图。如果你正处于赶时间的状态（比如在高速金融交易中），并且可以容忍极小的舍入误差，那么这个新方法就是最适合这项工作的工具。

技术摘要：一种新的正态分布分位数函数近似法

问题陈述
本文旨在解决正态分布分位数函数 $N^{-1}(x)$ （即累积分布函数 CDF 的逆函数）的高效计算近似问题。虽然现有的方法（如 Beasley-Springer 近似法 [3] 和 Acklam 近似法 [2]）具有极高的精度，但作者指出，有一种特定的需求是优先考虑速度，同时保持“足够准确”的结果（具体而言，最大绝对误差小于 $4.5 \cdot 10^{-4}$ ，与 Abramowitz-Stegun 近似法 [1] 相当）。主要挑战在于如何降低高昂计算操作的成本，特别是尾部计算中通常需要的对数（logarithms）和平方根（square roots）运算。

方法论
所提出的方法遵循既定的框架，即将定义域划分为一个宽阔的中心区域和一个狭窄的尾部区域，并利用 $N^{-1}(x - 1/2)$ 的奇对称性。然而，作者对用于近似的有理函数方案引入了改进：

中心区域近似：
- 不同于 Beasley-Springer 使用的高阶方案（(3,4) 方案）或 Acklam 使用的方案（(5,5) 方案），本文针对中心区域提出了一个 (2,2) 方案。
- 该函数定义为 $f(p) = q \frac{a_2 r^2 + a_1 r + a_0}{r^2 + b_1 r + b_0}$ ，其中 $q = p - 0.5$ 且 $r = q^2$ 。
- 文中提出了两种变体：
  - Rat22A： 使用边界 $p = 0.0465$ 和 $p = 0.9535$ 。
  - Rat22B： 使用更宽的边界 $p = 0.025$ 和 $p = 0.975$ ，以进一步减少尾部计算的频率。
- 系数是使用 Maple 中 numapprox 包的 minimax 函数推导得出的，旨在最小化最大绝对误差（切比雪夫近似）。
尾部区域近似：
- 对于尾部区域（ $p < 0.0465$ 和 $p > 0.9535$ ），采用了 (3,2) 方案。
- 该近似利用变量 $r = \sqrt{\log(1/p^2)}$ （或对于上尾部为 $\sqrt{\log(1/(1-p)^2)}$ ）。
- 该函数被定义为 $r$ 的有理函数： $f_{tail}(p) = \frac{c_3 r^3 + c_2 r^2 + c_1 r + c_0}{r^2 + d_1 r + d_0}$ 。
- 系数同样使用 Maple 的 minimax 算法进行了优化。
优化技术：
- 有理函数的结构旨在减少乘法次数（例如，通过归一化分母使首项系数为 1）。
- 更宽的中心区域（Rat22B）专门设计用于减少执行 log 和 sqrt 计算的次数。

主要贡献与结果

精度： 新的 (2,2) 中心近似在中心区域的最大绝对误差约为 $2.5 \cdot 10^{-5}$ $2.5 \cdot 1 0^{- 5}$ ，在尾部约为 $2.458 \cdot 10^{-5}$ $2.458 \cdot 1 0^{- 5}$ 。总最大绝对误差小于 $2.5 \cdot 10^{-5}$ $2.5 \cdot 1 0^{- 5}$ 。
- 注关于精度： 作者明确承认，这比 Beasley-Springer 近似法（其中心区域误差低于 $1.85 \cdot 10^{-9}$ ）和 Acklam 近似法都要精度较低。
性能： 主要贡献在于速度。在 Dell Inspiron 1525（Intel Core 2 Duo T5800, 2.00 GHz）上使用 Java (JDK 1.6.0 17) 进行 200,000 次迭代的基准测试结果如下：
- Abramowitz-Stegun (AS): 25,210 ms
- Beasley-Springer (BS): 10,212 ms
- Rat22A (新方法，窄中心): 8,052 ms
- Rat22B (新方法，宽中心): 6,649 ms
效率增益： 新的近似方法明显快于现有方法。Rat22A 与 Rat22B 的对比表明，通过扩大中心区域，将需要进行 log 和 sqrt 计算的数值子集减少了约 50%，从而使 CPU 时间缩短了近 20%。

意义与主张
本文认为，虽然所提出的近似法与 Beasley-Springer 等最先进的方法相比牺牲了一些精度，但这种权衡因其带来的显著计算速度提升而显得合理。作者指出，小于 $2.5 \cdot 10^{-5}$ 的误差范围“对于许多应用来说是足够的”，并特别提到了金融市场——这是一个对速度至关重要的领域。

此外，本文重新审视了 Abramowitz-Stegun 近似法（[1] 中的方程 26.2.22 和 26.2.23）。作者为这些方程提供了改进的系数，在标准 IEEE-754 可表示范围内，其精度比原版提高了五倍以上，但在接近 0 和 1 的极端值时精度会下降。

综上所述，这项工作提供了一种“更快”的成熟分位数函数近似替代方案，在误差界限处于可接受范围内的应用场景下，优先考虑执行时间。

1. 策略：划分厨房区域

2. 权衡：速度与完美

3. 结果：竞赛

4. 为什么这很重要

总结

技术摘要：一种新的正态分布分位数函数近似法

类似论文