方差与标准差："离散程度"的两种量纲
我的掌握程度：
先掌握这个答案
定义：Var(X)=E[(X−μ)²]，标准差σ=√Var（回到原量纲——日波动2%比方差0.0004好懂）。两个版本各司其职：方差有完美的代数性质（Var(aX)=a²Var、Var(X+Y)=Var(X)+Var(Y)+2Cov——q-223的入口）→推导用它；标准差量纲一致可比较（夏普、VaR、√252年化）→报告用它。双不可加：相关时方差相加要加协方差项、标准差连这个公式都没有——组合波动率的计算必须先算方差再开根号（绕不开协方差矩阵，q-295）。样本方差除(n−1)：用样本均值代替真均值会"偷走"一个自由度——除n会系统性低估，Bessel修正是无偏的（小样本时差别显著）。
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
期望告诉你重心在哪，但两个期望相同的策略命运迥异——差异全在"围绕重心的散布"。方差把这个直觉变成公式，标准差把它换算回原量纲——一个是数学家的最爱、一个是交易员的日常。
由此产生的问题
方差与标准差的定义及为什么要有两个版本？方差不可加而标准差也不可加（除非不相关）的"双不可加"？样本方差为什么要除(n−1)？
核心概念
定义：Var(X)=E[(X−μ)²]，标准差σ=√Var（回到原量纲——日波动2%比方差0.0004好懂）。两个版本各司其职：方差有完美的代数性质（Var(aX)=a²Var、Var(X+Y)=Var(X)+Var(Y)+2Cov——q-223的入口）→推导用它；标准差量纲一致可比较（夏普、VaR、√252年化）→报告用它。双不可加：相关时方差相加要加协方差项、标准差连这个公式都没有——组合波动率的计算必须先算方差再开根号（绕不开协方差矩阵，q-295）。样本方差除(n−1)：用样本均值代替真均值会"偷走"一个自由度——除n会系统性低估，Bessel修正是无偏的（小样本时差别显著）。
为什么需要它
①风险的默认语言：q-005把波动率立为风险代理——本题为它提供严格的数学底座与计算细节；②"方差思维"的普及错误：新手常把标准差直接相加（2%+3%=5%错！）——记住只有方差（含协方差项）可加；③自由度意识：因子IC的t值、夏普的估计误差都涉及(n−1)式的修正——统计的严谨常在这一除之间。
实际应用场景
组合波动计算模板：先算各资产方差与两两协方差→组合方差=wᵀΣw→开根号；报告里永远用σ（年化），推导里用Var。
与之前知识的联系
q-221（期望）的伴生量；q-223（协方差）补齐可加性公式；q-206（√252）是它的年化应用；q-295（协方差矩阵）是它的组合形态。
⚠ 常见误解
- 标准差可以直接相加：只有方差（加协方差项）可加——2%和3%的组合波动介于2%和5%之间，取决于相关
- 样本方差除n就行：小样本低估可达百分之几——用n−1是免费的严谨
- 方差大=坏：对称地它也意味着大涨的可能——它度量"不确定"本身，好坏由偏度（q-228）决定方向
🛠 本题实践任务
用你的组合持仓（或两只任选资产）算三种相关假设下的组合波动，验证「双不可加」；再对比ddof=1与ddof=0在小样本（10个点）下的差异。
💡 提示（先自己想5分钟再看）
np.cov默认ddof=1；小样本时方差估计差可达5-10%——自由度不是装饰。
✅ 验收标准
三档组合波动+一次ddof对照。方差数学正式入库。
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（期望、波动率概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。