偏度：收益分布的"方向性指纹"
我的掌握程度：
先掌握这个答案
定义：偏度=E[(X−μ)³]/σ³——三次方保留符号：右偏（正偏）=长尾在右侧（偶尔大涨）；左偏（负偏）=长尾在左侧（偶尔崩盘）。负偏策略家族：卖期权（平时小赚、尾部巨亏）、高收益债 Carry、拥挤交易平仓前的净值曲线——共同特征：多数日子温和正收益+罕见深亏。为什么夏普被骗：夏普只用均值与方差（一阶二阶矩），对三阶结构（偏度）失明——负偏策略的"漂亮夏普"把尾部风险藏进了分布形状里（q-528三骗术的第一骗的数学本体）。风控应用：报告必附偏度（<-1警惕卖权结构）；因子构造：偏度本身是因子（彩票偏好理论：高偏度股票被高估→未来收益低——A股"博彩因子"）。
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-227看了尾部有多厚（峰度）；这一题看尾巴偏向哪边（偏度）。同样的波动率，一个右偏（大涨多）、一个左偏（崩盘型）——持有体验与尾部风险完全不同。偏度是夏普比率看不见的第三个维度。
由此产生的问题
偏度的定义与直觉（第三矩）？负偏策略家族（卖期权/趋势逆势/拥挤策略）为什么"账面夏普漂亮"？偏度怎么进入风控与因子构造？
核心概念
定义：偏度=E[(X−μ)³]/σ³——三次方保留符号：右偏（正偏）=长尾在右侧（偶尔大涨）；左偏（负偏）=长尾在左侧（偶尔崩盘）。负偏策略家族：卖期权（平时小赚、尾部巨亏）、高收益债 Carry、拥挤交易平仓前的净值曲线——共同特征：多数日子温和正收益+罕见深亏。为什么夏普被骗：夏普只用均值与方差（一阶二阶矩），对三阶结构（偏度）失明——负偏策略的"漂亮夏普"把尾部风险藏进了分布形状里（q-528三骗术的第一骗的数学本体）。风控应用：报告必附偏度（<-1警惕卖权结构）；因子构造：偏度本身是因子（彩票偏好理论：高偏度股票被高估→未来收益低——A股"博彩因子"）。
为什么需要它
①补全分布体检：均值（中心）+方差（散布）+偏度（方向）+峰度（尾部）——四件套才是一份完整的分布画像（q-528的体检表的统计基础）；②识别"伪装的稳定"：负偏策略的净值曲线在大部分时间温柔如水——偏度是提前看见"水下冰山"的工具；③行为的镜子：A股散户偏爱高偏度（彩票型）股票——偏度溢价为负构成因子（博彩偏好异象）。
实际应用场景
计算：scipy.stats.skew(ret)；阈值参考：|偏度|>1显著、<-2极端（典型卖权型）；每月给组合做四件套体检并记录偏度变化。
与之前知识的联系
q-227（峰度/肥尾）的孪生兄弟；q-528（夏普三骗术）的第一骗在此获得严格定义；博彩因子通向阶段5另类因子。
⚠ 常见误解
- 波动大=偏度危险：对称的大波动（正偏负偏都无）只是颠簸；偏度才是"往哪边炸"的信息
- 正偏一定好：正偏策略常是"平时小亏、偶发暴涨"（买期权型）——长期持有成本高（θ损耗），好坏取决于定价
- 偏度是常数：危机时期偏度会恶化（负偏加深）——滚动偏度监控才有意义
🛠 本题实践任务
对三个序列做偏度体检：沪深300日收益、任一对冲基金净值（或你的策略）、卖期权模拟（95%日子+0.1%、5%日子−4%）。记录偏度并画出三者直方图对比尾部方向。
💡 提示（先自己想5分钟再看）
直方图看"尾巴往哪拖"；对冲基金的月度净值常呈负偏——思考它的收益结构来源。
✅ 验收标准
三个偏度数字+尾部方向观察。你的分布体检从二阶升级到三阶。
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（肥尾、分布形状），再用案例、公式和代码帮助理解。此功能需要先启用服务。