几何平均 vs 算术平均：波动拖累σ²/2的完整解释
我的掌握程度：
先掌握这个答案
核心不等式：几何平均=复合增长率=exp(E[ln(1+r)])，恒≤算术平均=E[r]（Jensen不等式，ln是凹函数）。近似公式：几何≈算术−σ²/2（小波动时精确）。直觉：赚50%亏50%回到0.75——亏损对财富的杀伤大于同等盈利的修复，波动越大、往返损耗越大。三个实操含义：①评估策略看几何（你的钱按几何长）；②加杠杆放大σ→拖累按σ²放大——杠杆的第二重成本（除利息外）；③同样算术收益下，降低波动本身就是收益（对冲/分散的数学正当性）。
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
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：杠杆（Leverage）
背景 · 从一个困惑说起
共同基金宣传册用算术平均收益（过去十年平均每年+12%），你的账户却按几何平均复利（实际年化约10.5%）——1.5个点的差距去哪了？答案是一个优雅的数学事实：波动本身会拖累财富增长。
由此产生的问题
几何平均为什么≤算术平均？拖累≈σ²/2这个近似怎么来的？它对策略评估的三个实操含义？
核心概念
核心不等式：几何平均=复合增长率=exp(E[ln(1+r)])，恒≤算术平均=E[r]（Jensen不等式，ln是凹函数）。近似公式：几何≈算术−σ²/2（小波动时精确）。直觉：赚50%亏50%回到0.75——亏损对财富的杀伤大于同等盈利的修复，波动越大、往返损耗越大。三个实操含义：①评估策略看几何（你的钱按几何长）；②加杠杆放大σ→拖累按σ²放大——杠杆的第二重成本（除利息外）；③同样算术收益下，降低波动本身就是收益（对冲/分散的数学正当性）。
为什么需要它
①统一解释三大现象：为什么杠杆毁灭复利（q-028）、为什么对冲有价值、为什么夏普比「收益」更有意义——全是σ²/2的化身；②量化中的使用：Kelly公式的推导核心（最大化几何增长而非算术）；③宣传防骗：算术平均是营销口径，几何平均是账户真相。
实际应用场景
快速心算：策略算术年化15%、年化波动20%→几何≈15%−2%=13%；两策略算术同15%、波动10% vs 25%：几何14.5% vs 11.9%——低波策略真实更赚。
与之前知识的联系
q-204用例子看见拖累、本题给出公式与机理；q-202（Jensen不等式的横截面版）与本题（时间序列版）是同一枚硬币的两面；q-688（Kelly）将以它为地基。
⚠ 常见误解
- σ²/2拖累是交易成本：它纯是数学（路径损耗），零成本的策略同样存在；成本是另一笔独立扣除
- 那降低波动永远对：降到算术收益之下就得不偿失——分散与对冲的边际收益递减，过度对冲费率吃掉一切
- 几何平均用于预测未来更准：它描述"典型路径"的复利速度；未来期望仍依赖收益假设——两个概念各司其职
🛠 本题实践任务
用你毕业项目组合的月收益：计算算术年化、几何年化、月波动，验证「几何≈算术−σ²/2×12」的近似精度。回答：你的策略一年交了多少"波动税"？
💡 提示（先自己想5分钟再看）
几何年化=(∏(1+r))^(12/n)−1；近似误差在波动>30%/月时变大。
✅ 验收标准
三个数字+近似验证+波动税金额。这是理解"为什么风控即收益"的数学钥匙。
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（复利连乘、方差），再用案例、公式和代码帮助理解。此功能需要先启用服务。