峰度：尾部厚度的"官方度量"与正态的4倍差距
我的掌握程度：
先掌握这个答案
定义：峰度=E[(X−μ)⁴]/σ⁴，正态=3；实务多用超额峰度=峰度−3（正态=0，方便"偏离多少"）。解读直觉：峰度高=分布"中间尖+尾巴厚"（极端事件比正态多）；峰度低="平顶薄尾"。金融现实：A股个股日收益超额峰度中位数约5-8（尾部事件≈正态的25-100倍频率区间的量级）；危机期更高。两个用途：①质检：新数据峰度骤变=结构变化或脏数据；②风险校准：峰度高的序列，正态假设的VaR（q-605参数法）误差最大——换历史法或t分布。注：峰度对极端值极敏感（四次方放大）——单个错误数据点就能污染它，先Winsorize再算（q-238联动）。
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。
不懂的术语：VaR（在险价值）
背景 · 从一个困惑说起
q-227用极端事件频率讲肥尾，这一题给出它的严格度量——峰度（第四矩）。记住一个锚点数字：正态分布的峰度=3；A股日收益的超额峰度常为3-10——意味着尾部事件频率是正态假设的几倍到几十倍。
由此产生的问题
峰度的严格定义与正态基准（3）怎么记？超额峰度的读数标尺？两个实务用途（数据质检/风险校准）各怎么做？
核心概念
定义：峰度=E[(X−μ)⁴]/σ⁴，正态=3；实务多用超额峰度=峰度−3（正态=0，方便"偏离多少"）。解读直觉：峰度高=分布"中间尖+尾巴厚"（极端事件比正态多）；峰度低="平顶薄尾"。金融现实：A股个股日收益超额峰度中位数约5-8（尾部事件≈正态的25-100倍频率区间的量级）；危机期更高。两个用途：①质检：新数据峰度骤变=结构变化或脏数据；②风险校准：峰度高的序列，正态假设的VaR（q-605参数法）误差最大——换历史法或t分布。注：峰度对极端值极敏感（四次方放大）——单个错误数据点就能污染它，先Winsorize再算（q-238联动）。
为什么需要它
①四件套收口：均值/方差/偏度/峰度——完整刻画分布前四阶，你的"分布体检"至此标准化（每份风险报告的固定栏目）；②量化误差的根源标注：为什么正态VaR在尾部失准、为什么回测的极端日模拟偏乐观——峰度给出了度量；③与肥尾家族的分工：q-227讲现象与故事、q-226讲σ区间覆盖失效、本题给出数字——三题合围肥尾主题。
实际应用场景
一行体检：print(stats.kurtosis(ret))；>3警惕（正态工具慎用）、>10极端（历史法/压力测试必做）；数据管道把峰度列入日度监控（结构突变告警）。
与之前知识的联系
q-227/226（肥尾的现象与法则）的定量化；q-228（偏度）合成四件套；q-605（VaR参数法）与q-608（CVaR）消费这个数字。
⚠ 常见误解
- 峰度高=方差大：峰度是尾部相对厚度（标准化后），与方差大小独立——低方差高峰度（平时极稳+偶发跳空）恰是最危险的组合
- 峰度超过3就是异常：金融日收益常态就在3-8——"异常"的门槛要按金融经验设，不是正态洁癖
- 算出的峰度就是真的：四次方放大意味着一个脏数据（如错误的0价）能把它炸上天——先清洗再体检
🛠 本题实践任务
做一次四件套体检：对沪深300、一只行业指数、你的策略日收益分别算均值/σ/偏度/峰度四指标。哪个的尾部最危险？正态工具还能用吗？
💡 提示（先自己想5分钟再看）
stats.kurtosis默认Fisher口径（正态=0）；把四件套存成固定模板函数reusable。
✅ 验收标准
三行四件套体检表。你的风险描述语言从此完整覆盖前四阶。
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（偏度、肥尾概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。