累计对数收益图：等比例的"公平"视角
我的掌握程度：
先掌握这个答案
对数轴直觉：指数增长（复利）在对数轴上变成直线——斜率=增长率。等比例含义：从1到2（+100%）的距离=从2到4（+100%）的距离——"翻倍"永远占相同视觉空间。线性轴的问题：1→2占的空间=2→3（只有+50%）——高基数的变化被视觉放大。读图三步：①看斜率（增长率）——陡=快、缓=慢；②看相同斜率段的长度——同增速维持多久；③看转折点——增速变化的拐点。
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。
背景 · 从一个困惑说起
q-212讲了净值曲线——这里介绍它的"数学升级版"：Y轴取对数的净值图（等价于累计对数收益图）。为什么？线性轴下早期波动被视觉压缩——涨50%和跌50%的幅度看起来不一样——对数轴让"等比例变化等距离"。
由此产生的问题
对数轴的"等比例"直觉？为什么机构研报的长期图都用对数轴？怎么快速读懂它？
核心概念
对数轴直觉：指数增长（复利）在对数轴上变成直线——斜率=增长率。等比例含义：从1到2（+100%）的距离=从2到4（+100%）的距离——"翻倍"永远占相同视觉空间。线性轴的问题：1→2占的空间=2→3（只有+50%）——高基数的变化被视觉放大。读图三步：①看斜率（增长率）——陡=快、缓=慢；②看相同斜率段的长度——同增速维持多久；③看转折点——增速变化的拐点。
为什么需要它
①视觉诚实：复利世界里对数轴是"真实感受"——你的资金按百分比增长、你的眼睛按线性距离感知——对数轴消除这个错配；②机构习惯的入会仪式：研报图表默认对数轴——不知道这一点会误读别人（和自己的）的图；③与q-212的分工：短周期（1-2年）两轴差异不大、长周期（5年+）必须对数轴。
实际应用场景
matplotlib加一行：ax.set_yscale('log')——净值曲线秒变对数轴。或者直接画np.log(net_value).cumsum()。
与之前知识的联系
q-212（净值曲线）的进阶版；对数收益（q-203）的图形化表达——Y轴就是累计对数收益×常数。
⚠ 常见误解
- 对数轴看着不直观所以不用线性：恰恰反了——复利世界里线性轴才是"不直观"（视觉压缩早期）；对数轴才符合你的真实体验
- 对数轴适合所有场景：短周期两轴差异小——对数轴的价值在长周期；月度图用哪个区别不大
- 对数轴的Y值=收益百分比：Y值是log(净值)——变化量（两点的差）才对应收益率区间
🛠 本题实践任务
画你的策略或任一指数的十年净值图——两个子图（线性轴 vs 对数轴）——对比视觉差异。写出一句你的感受。
💡 提示（先自己想5分钟再看）
fig, (ax1, ax2) = plt.subplots(1,2); ax1.plot(nv); ax2.plot(nv); ax2.set_yscale('log')——三行搞定。
✅ 验收标准
两张对照图+一句观察。你获得了机构级的"读图仪"。
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（净值曲线、对数收益），再用案例、公式和代码帮助理解。此功能需要先启用服务。