中心极限定理：量化"大量下注"的理论执照
我的掌握程度：
先掌握这个答案
CLT：n个独立同分布、方差有限的随机变量，其标准化均值趋向标准正态——无论原始分布长什么样。直觉：单笔交易=一次骰子；策略=一万次骰子的平均——个体再怪，平均趋正态。对量化的奠基：①策略层面的"温和"：单笔肥尾→组合日收益较温和（分散的数学）；②检验的基础：t检验、置信区间全建立在"均值近似正态"上——即使收益本身肥尾，均值检验依然（大体）合法；③边界条件：需要独立性+有限方差——肥尾极重（方差无限的理论分布）与危机时相关性趋同会削弱它。
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
单笔交易的结果又肥尾又随机——那为什么策略的月度收益看起来温和规律得多？因为"平均"有魔法：把大量独立随机变量加起来，无论单个是什么形状，总和的分布趋向正态。这就是中心极限定理（CLT）。
由此产生的问题
CLT的严格表述与成立条件是什么？它如何为量化模式奠基？在肥尾金融数据上它的边界在哪？
核心概念
CLT：n个独立同分布、方差有限的随机变量，其标准化均值趋向标准正态——无论原始分布长什么样。直觉：单笔交易=一次骰子；策略=一万次骰子的平均——个体再怪，平均趋正态。对量化的奠基：①策略层面的"温和"：单笔肥尾→组合日收益较温和（分散的数学）；②检验的基础：t检验、置信区间全建立在"均值近似正态"上——即使收益本身肥尾，均值检验依然（大体）合法；③边界条件：需要独立性+有限方差——肥尾极重（方差无限的理论分布）与危机时相关性趋同会削弱它。
为什么需要它
①解释量化的存在方式：单次下注无法预测（肥尾+噪声），但大量下注的统计量变得可预测（CLT）——正期望+大数定律+CLT=量化的三块理论基石；②「分散化」的深层机制：q-604（阶段7）说分散降风险，其数学引擎正是CLT（独立风险相加后相对变小）；③工具合法性审计：知道t检验为什么在肥尾数据上"仍然大致能用"、什么时候失效（样本小+尾部极重时用非参数检验）。
实际应用场景
实操印证：模拟一万次单笔肥尾下注——单次分布峰度爆表，但按月汇总（21笔均值）后的月收益峰度大幅下降——这就是「策略比单笔交易温和」的数学。
与之前知识的联系
q-009（阶段1正期望+大数定律）补上第二块基石；q-231大数定律与本题CLT是「频率稳定」与「分布稳定」的分工；q-226的正态在「平均的世界」里找到了合法住址。
⚠ 常见误解
- CLT说明收益是正态的：错——单笔收益依然肥尾；趋正态的是「多次的均值/总和」，两个层次别混
- 样本够大一切检验都合法：肥尾极重时收敛极慢+危机相关性破坏独立性——小样本+极端数据仍需稳健方法
- CLT让极端风险消失：它让"平均"温和，但极端路径（回撤）依然存在——风控不能靠定理，要靠约束
🛠 本题实践任务
模拟验证CLT：从一个明显非正态的分布（如指数分布rng.exponential）抽1/5/30个样本求均值，各画直方图（或报峰度），观察趋向正态的过程。
💡 提示（先自己想5分钟再看）
np.random.default_rng(0).exponential(1,(30000,k)).mean(axis=1)；峰度从6（指数）向0滑落。
✅ 验收标准
三档聚合的峰度序列+一句话结论。你亲眼看到「平均的魔法」——量化的理论执照。
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（大数定律概念、正态分布、肥尾），再用案例、公式和代码帮助理解。此功能需要先启用服务。