期望：量化世界一切决策的"总司令"
我的掌握程度：
先掌握这个答案
定义：E[X]=Σpᵢxᵢ（离散）或∫xf(x)dx（连续）——概率加权的平均。关键性质：①长期视角：大数定律（q-231）保证频率收敛到期望——期望是"无限次重复后的命运"；②线性性：E[aX+bY]=aE[X]+bE[Y]无需独立——组合期望=各资产期望加权和（这正是组合收益公式的数学依据，q-202）；③迭代期望：E[X]=E[E[X|Y]]——全期望公式，嵌套信息的 averaging（q-232贝叶斯的表亲）。单次无关性：单次抽样的结果由方差（q-222）决定——期望管长期、方差管过程，两者合起来才是完整决策。
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-009（阶段1）用赌场讲过正期望；这里把它正式数学化——因为它是一切后续工具（方差、夏普、Kelly、IC）的第一块积木。期望不是"平均会怎样"，是"长期必然趋向什么"。
由此产生的问题
期望的严格定义与三类计算（离散/连续/条件）？为什么"单次结果无关期望"是最反直觉也最重要的性质？期望的线性性（E[X+Y]=E[X]+E[Y]不需要独立性！）为什么是量化最常用的武器？
核心概念
定义：E[X]=Σpᵢxᵢ（离散）或∫xf(x)dx（连续）——概率加权的平均。关键性质：①长期视角：大数定律（q-231）保证频率收敛到期望——期望是"无限次重复后的命运"；②线性性：E[aX+bY]=aE[X]+bE[Y]无需独立——组合期望=各资产期望加权和（这正是组合收益公式的数学依据，q-202）；③迭代期望：E[X]=E[E[X|Y]]——全期望公式，嵌套信息的 averaging（q-232贝叶斯的表亲）。单次无关性：单次抽样的结果由方差（q-222）决定——期望管长期、方差管过程，两者合起来才是完整决策。
为什么需要它
①所有绩效指标的母体：夏普的分子是期望、Kelly的输入是期望、IC均值是期望——每一个"平均"背后都是它；②线性性的工程意义：组合层面的一切期望计算（加权平均）只依赖各成分期望——不需要知道相关结构（相关性只进入方差）——这个"期望易方差难"的不对称贯穿整个组合理论；③决策语法：量化的一切决策=最大化某个期望（收益期望、效用期望、对数期望）——理解期望就理解了目标函数。
实际应用场景
算例：胜率55%盈亏比1:1的策略期望=0.55×1−0.45×1=+0.10/次；组合期望=w₁μ₁+w₂μ₂（无论相关性）；检查：任何策略上线前先写期望公式——写不出正号的不要上。
与之前知识的联系
q-204（收益复合）给出路径、本题给出路径的"重心"；q-222（方差）描述围绕重心的散布；q-231（大数定律）把期望从数学变成财富；q-688（Kelly）最大化对数期望。
⚠ 常见误解
- 期望高=这次会赢：单次由分布整体决定——期望0.1的策略连亏五次完全正常（方差的事）
- 相关时不能直接加权平均期望：可以！线性性不需要独立性——需要独立性的是方差相加，别搞混
- 期望一定是可能的取值：期望2.5个孩子——期望可以是概率支撑集外的"虚拟值"
🛠 本题实践任务
为你的策略写出期望公式（胜率×均盈−败率×均亏）并用历史数据核对；再验证线性性：随机造两个相关变量，确认期望可加、方差不可加。
💡 提示（先自己想5分钟再看）
期望可加是"免费午餐"、方差需要协方差——这对不对称记住了，组合数学就懂了一半。
✅ 验收标准
一个期望公式+一次线性性验证。你的决策语法从"感觉"切换到"期望"。
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（概率、加权平均），再用案例、公式和代码帮助理解。此功能需要先启用服务。