68-95-99.7法则：正态世界的"人口普查"
我的掌握程度：
先掌握这个答案
法则内容：正态分布下，偏离均值1σ/2σ/3σ的概率分别为32%/5%/0.3%（单侧减半）。推导来源：标准正态的分布函数查表值（无需背诵，用scipy.stats.norm.cdf即可）。低估的根源：金融收益肥尾（q-227主角）——正态说3σ千年一遇，现实t分布下3σ约每年一遇。正确用法：①作为"基准尺"先算正态概率，再乘以经验系数（肥尾修正）；②波动率年化、VaR参数法的中间步骤；③教学上它是理解"σ作为通用语言"的入口。
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
如果日收益服从正态分布，你拥有一个强大速查表：±1σ内68%、±2σ内95%、±3σ内99.7%——即千分之三的概率见到3σ之外的事件，约三年一遇。但翻开A股历史：单日3σ的日子几乎每年都有——速查表和市场现实之间隔着什么？
由此产生的问题
68-95-99.7法则的内容与推导来源？用它估算"极端事件频率"为何系统性低估？正确用法是什么？
核心概念
法则内容：正态分布下，偏离均值1σ/2σ/3σ的概率分别为32%/5%/0.3%（单侧减半）。推导来源：标准正态的分布函数查表值（无需背诵，用scipy.stats.norm.cdf即可）。低估的根源：金融收益肥尾（q-227主角）——正态说3σ千年一遇，现实t分布下3σ约每年一遇。正确用法：①作为"基准尺"先算正态概率，再乘以经验系数（肥尾修正）；②波动率年化、VaR参数法的中间步骤；③教学上它是理解"σ作为通用语言"的入口。
为什么需要它
①σ的实用性来源：为什么全世界用标准差而不是别的离散度量？因为它配上正态就有了概率翻译器；②风险低估的经典事故：LTCM们用正态算"百年一遇"，市场用肥尾教育了他们（s-071）；③建立修正意识：正态是第一近似，肥尾系数是职业选手的第二步。
实际应用场景
实操三连：日波动1.5%的策略→正态口径下单日|收益|>4.5%(3σ)概率0.3%→肥尾修正后实际经验频率约1-2%→风控按后者定熔断线。
与之前知识的联系
q-206的√252年化建立在正态框架上（方差可加）；q-227（肥尾）是对本法则的「上诉」；q-602（阶段1 VaR）的参数法=本法则+尾部修正的工程化。
⚠ 常见误解
- 3σ事件=不可能：正态下低概率≠现实中低频率——金融分布的尾部比正态厚得多，3σ是常客
- 法则对所有分布成立：它是正态专属；对偏态/肥尾分布，同σ区间覆盖的概率完全不同
- 记不住查表值就没法用：scipy一行即得；真正要记住的是「先正态、再修正」的思维顺序
🛠 本题实践任务
取沪深300近十年日收益：统计实际|>2σ|与|>3σ|的天数（σ用全样本标准差），与正态预期（5%/0.3%×天数）对比，计算「肥尾倍数」。
💡 提示（先自己想5分钟再看）
肥尾倍数=实际频率/正态频率；A股2σ倍数通常2-3倍、3σ倍数5-20倍。
✅ 验收标准
两组对照天数+肥尾倍数。你亲手量出了正态假设与现实之间的裂缝——这正是q-227的主题。
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（正态分布、标准差、相关系数），再用案例、公式和代码帮助理解。此功能需要先启用服务。