阶段3收益率数学●●●●●

√252的由来：波动率年化的完整推导

我的掌握程度：

q-206精讲

先掌握这个答案

推导三步：①设日收益r_t独立同分布，均值μ、方差σ²；②n日总收益的期望≈nμ（可加），所以年化收益≈日均×252；③但方差才有可加性：Var(n日总收益)=nσ²（独立性使协方差项消失），故n日波动=√n×σ → 年化波动=日波动×√252。核心记忆点：均值线性相加、标准差按根号相加——「√n法则」。前提假设：日收益相互独立；若存在自相关，Var(n期)=nσ²(1+2Σρ_k)，正自相关使实际波动大于√n×σ。

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

√时间缩放有条件

独立、方差稳定等近似条件下，收益总和的方差随期数增加。金融收益存在自相关、波动聚集和跳跃时需检查这些假设；252是常见教学年交易日数，而非所有市场统一常数。

本阶段实战方法 · 每个统计量都要带单位和假设

计算收益、波动、回归、显著性或相关性时，先明确样本和推断条件。

写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。
手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。
解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。

使用边界

p值不是原假设为真的概率，也不是策略未来盈利概率。
日波动×√252依赖时间聚合假设；252是教学常用交易日数，实际市场与口径可能不同。

不懂的术语：年化收益（Annualized Return）波动率（Volatility）VaR（在险价值）期望（Expectation）方差 / 标准差（Variance / Std）协方差 / 相关系数（Covariance / Correlation）自相关（Autocorrelation, ACF）

背景 · 从一个困惑说起

阶段1的q-012埋了一颗种子：「收益年化乘252，波动年化却乘√252≈15.87」——当时说阶段3推导。无数人背错这两个系数（用252年化波动会高估16倍）。现在是揭晓时刻。

由此产生的问题

为什么年化收益≈日均×252，年化波动却=日波动×√252？推导需要什么假设，违反时怎么办？

核心概念

为什么需要它

①防致命错误：把年化波动算大16倍（×252而非×√252），策略的风控参数全盘崩溃；②抽样统计的地基：√n法则同时解释了「为什么样本均值的标准误=σ/√n」——阶段3后半的假设检验全靠它；③频率换算通用：周波动年化×√52、月波动×√12，同一根号法则。

实际应用场景

年化检查表：日均0.05%→年化约12.6%；日波动1.5%→年化约23.8%。反向用法：策略目标年化波动15% → 日波动目标=15%/√252≈0.95%（波动率目标控制的入参，阶段7）。

与之前知识的联系

q-201/202的公式家族配上第一个推导；q-247的标准误、q-252的t统计量都是√n法则的后代；阶段1 q-093的毕业项目里你已经在用这个系数——现在你终于知道它从哪来。

⚠ 常见误解

波动和收益都用252年化：差16倍的错误；根号只属于标准差（方差才直接相加）
√252是精确常数：A股实际交易日约242-252天/年，粗算用252；严谨回测用实际天数
√n法则无条件成立：它假设独立；波动率聚集（自相关）会让真实多日波动偏离√n缩放——GARCH（q-279）正是修复这一点

🤖 AI导师

导师会先检查你的前置知识（方差、标准差、独立随机变量），再用案例、公式和代码帮助理解。此功能需要先启用服务。