收益率序列长什么样？——均值、波动与分布形状初识
我的掌握程度：
先掌握这个答案
四个基本统计量：①均值=平均每日收益；②标准差=波动（q-005）；③偏度=不对称性（负偏=暴跌比暴涨更深更频）；④峰度=尾部厚度（超额峰度>0=肥尾，极端事件比正态多）。正态分布的基准：偏度0、峰度3。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
先核对现金流与期限
没有中途出入金时才可直接用期末/期初计算持有期收益；分红、费用要避免漏计或重复计入。有出入金时区分时间加权与资金加权。复合年化使用净值比的幂，算术均值年化用于不同统计目的。
本阶段实战方法 · 把行情数字变成可比较的收益
看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。
- 选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
- 没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
- 用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。
使用边界
- 不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
- 模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。
背景 · 从一个困惑说起
把一只股票十年的日收益率画成直方图，你期待一口钟（正态分布）：中间高、两边对称衰减。真实图像确实像钟，但中间更尖、两侧更厚——极端涨跌的次数比正态理论预测的多得多。
由此产生的问题
描述一条收益率序列，除了平均值（赚多少）和标准差（多颠簸），还需要哪些「形状」指标？为什么形状对量化如此重要？
核心概念
四个基本统计量：①均值=平均每日收益；②标准差=波动（q-005）；③偏度=不对称性（负偏=暴跌比暴涨更深更频）；④峰度=尾部厚度（超额峰度>0=肥尾，极端事件比正态多）。正态分布的基准：偏度0、峰度3。
为什么需要它
①风险真相：只看标准差会低估极端风险——肥尾意味着5σ、6σ的日子的出现频率是正态的成百上千倍；②策略选择：趋势策略爱肥尾（赚尾部），卖期权策略死于负偏（平时收租、灾时归零）；③统计检验前提：阶段3的假设检验默认近似正态，严重偏离时要换方法。
实际应用场景
风险报告的偏度/峰度栏；期权定价的隐含波动率微笑（市场用价格投票承认肥尾）；压力测试的分布假设。1987年10月19日的-22.6%按正态分布计算约20亿年一遇——它发生了，正态假设被市场狠狠打脸。
与之前知识的联系
q-005用标准差定义了风险，本题给分布画了完整的「体检报告」。阶段3将正式学习这些统计量的数学与检验方法；现在你只需建立直觉：钟形曲线是童话，肥尾才是现实。
⚠ 常见误解
- 标准差已知就掌握了风险：两个分布可以均值方差相同而尾部天差地别
- 大跌是「不可能事件」：正态框架下3σ日收益千年一遇，A股几乎每年都有
- 偏度为正就好：策略收益正偏（偶发大赚）确实诱人，但实现路径的回撤仍需单独管理
🛠 本题实践任务
下载沪深300指数近三年日线（或用任一指数ETF），计算日收益率，统计：正负天数比、最大单日涨幅/跌幅、超过3σ的交易日天数。感受真实分布的形状。
💡 提示（先自己想5分钟再看）
涨跌幅超过3σ的天数：|r−mean|>3×std；普通行情软件也有单日最大涨跌幅记录可对照。
✅ 验收标准
报出最大单日涨/跌、3σ外的天数，并回答：这样的极端频率与「正态世界」的预期相符吗？
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（风险（波动率）、对数收益率），再用案例、公式和代码帮助理解。此功能需要先启用服务。