超额收益：量化研究的真正对象
我的掌握程度：
先掌握这个答案
两种口径：①相对基准（业界常用）：超额=策略收益−基准指数收益——衡量选股/择时能力；②相对无风险（学术/CAPM）：超额=策略收益−无风险利率——衡量承担风险的回报。量化研究的因变量：你的因子/模型/策略的目标函数都是最大化某种超额收益——原始收益里混着Beta（不需要技术就能拿）。统计检验：超额月均0.5%看似不错——但需要t检验确认不是运气（t=均值/标准误——阶段3后半的主场）。
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
跑赢基准还不是能力证明
简单超额是策略与基准收益之差；Jensen Alpha是相对于指定风险模型的截距。未解释的收益也可能来自遗漏暴露、运气或估计误差，需说明模型、区间、费用与显著性。
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。
背景 · 从一个困惑说起
q-004（阶段1）讲了指数是基准——这一题把「超额收益」正式定义化：策略收益−基准收益=超额收益。这个看似简单的减法是量化研究的全部研究对象——因为市场给的收益（Beta）不需要技术，超出市场的部分（Alpha）才是能力的证明。
由此产生的问题
超额收益的定义与两种口径（相对基准/相对无风险）？为什么它是量化研究的"因变量"？超额的统计检验（与0的距离）？
核心概念
两种口径：①相对基准（业界常用）：超额=策略收益−基准指数收益——衡量选股/择时能力；②相对无风险（学术/CAPM）：超额=策略收益−无风险利率——衡量承担风险的回报。量化研究的因变量：你的因子/模型/策略的目标函数都是最大化某种超额收益——原始收益里混着Beta（不需要技术就能拿）。统计检验：超额月均0.5%看似不错——但需要t检验确认不是运气（t=均值/标准误——阶段3后半的主场）。
为什么需要它
①研究焦点的唯一正确选择：优化原始收益=优化"怎么坐电梯"（Beta）+"怎么爬楼梯"（Alpha）的混合——浪费精力；超额口径分离了两者；②产品定价的语言：管理费/业绩报酬收的是Alpha的钱——客户付钱看的是超额不是绝对；③风险管理的基准：超额波动（跟踪误差）是主动风险的度量——指增产品的核心约束（q-537）。
实际应用场景
报告格式：「本策略年化超额收益+8.2%（vs中证500，2020-2024）」——超额数字+基准+区间——缺一不可。
与之前知识的联系
q-004（指数/基准）的量化版定义；q-006/007（Beta/Alpha）的分母——超额=Beta调整后的残差相关；后续所有因子检验（IC/分层/归因）的评价口径。
⚠ 常见误解
- 超额=赚钱：熊市超额+10%可能是−15%的绝对——超额衡量能力而非盈亏；客户要的是绝对正但研究看超额
- 基准可以随便选：选弱基准=美化超额——用中证2000对比自己跑不赢沪深300的策略=自欺（q-036）
- 超额为正=有Alpha：超额可能来自风格暴露（小盘/行业）——剔除后的纯Alpha才是真能力（q-456中性化）
🛠 本题实践任务
选一只基金：查其近一年收益和基准——算超额。再用沪深300做对照基准算一版超额——两个基准哪个更高？为什么？
💡 提示（先自己想5分钟再看）
基金详情页写明业绩基准；对比两个基准的超额差异=基准选择对评价的影响。
✅ 验收标准
两个超额数字+差异归因。你开始用超额口径审视一切投资。
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（基准指数、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。