肥尾深读：正态背叛现场与t分布的救援
我的掌握程度：
先掌握这个答案
肥尾（fat/heavy tails）：极端值的概率高于正态预测。度量：超额峰度=峰度−3，正态为0、金融日收益常为3-10（A股个股更高）。来源：①信息跳跃式到达（新闻不是连续滴灌是暴雨）；②波动率自身随机（GARCH）；③流动性断裂（卖压自我强化）。修复工具：t分布（自由度3-5最贴近日收益）——同样的"中间"，厚得多的"尾巴"。三个影响：①VaR低估（参数法正态口径在95%处低估10-30%、99%处可低估数倍）；②期权定价偏斜（BS正态假设→市场用波动率微笑打补丁）；③组合风险非线性恶化（危机时相关性趋同，分散失效）。
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
1987年10月19日，道指单日-22.6%——按当时的波动率算约20σ+事件，正态分布下宇宙年龄内不会发生。要么七十年市场集体疯了，要么正态假设错了。事后所有人承认：错了的是假设。
由此产生的问题
肥尾的严格定义（峰度）与来源是什么？t分布如何修复？对风险度量的三个具体影响？
核心概念
肥尾（fat/heavy tails）：极端值的概率高于正态预测。度量：超额峰度=峰度−3，正态为0、金融日收益常为3-10（A股个股更高）。来源：①信息跳跃式到达（新闻不是连续滴灌是暴雨）；②波动率自身随机（GARCH）；③流动性断裂（卖压自我强化）。修复工具：t分布（自由度3-5最贴近日收益）——同样的"中间"，厚得多的"尾巴"。三个影响：①VaR低估（参数法正态口径在95%处低估10-30%、99%处可低估数倍）；②期权定价偏斜（BS正态假设→市场用波动率微笑打补丁）；③组合风险非线性恶化（危机时相关性趋同，分散失效）。
为什么需要它
①为什么阶段3反复敲打肥尾：它是「正态直觉」在金融里最大面积的失效点，也是风控职业存在的数学理由；②量化建模选择：正态（方便）vs t（贴切）vs 历史模拟（无假设）vs 极值理论（专攻尾部）——按场景选型是基本功；③实证习惯：拿到任何收益序列先看偏度/峰度（一行代码的"分布体检"）。
实际应用场景
风险口径的实务共识：日度风险用历史模拟法或t分布（别用裸正态）；压力情景补「分布外」；报告必附偏度峰度（q-528三骗术的体检项）。
与之前知识的联系
q-226的正态速查表被现实打脸的完整解释；q-278-279（波动率聚集/GARCH）是肥尾来源之一；q-602/608（VaR/CVaR）的修正动机全在本题。
⚠ 常见误解
- 肥尾=更危险所以别投资：肥尾是双边的（暴涨同样肥）——它惩罚的是"按正态管理风险"的人，不是投资本身
- 用t分布就安全了：它修复了尾部形状，但极端场景（流动性枯竭）仍需压力测试兜底——分布假设永远只是假设
- 拉长持有期肥尾就消失：中心极限定理让「平均」趋正态，但路径上的深回撤（你真正承受的）依然是肥尾的——长期持有救不了短期爆仓
🛠 本题实践任务
对三个序列做分布体检：沪深300日收益、任一行业指数、比特币日线。各报超额峰度，排序并解释：为什么加密市场的峰度更高？
💡 提示（先自己想5分钟再看）
stats.kurtosis（Fisher定义，正态=0）；峰度排序预期：BTC>行业>宽基。
✅ 验收标准
三个峰度数字+排序解释。分布体检从此成为你拿到任何新数据的第一动作。
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（68-95-99.7法则、峰度概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。