大数定律：赌场数学与策略寿命
我的掌握程度：
先掌握这个答案
LLN：独立同分布、期望存在时，样本均值依概率收敛于真实期望——频率稳定到概率。与CLT分工：LLN说「均值会到那」（收敛性）；CLT说「以什么波动幅度靠近」（收敛的分布，误差~σ/√n）。收敛速度的残酷：误差按1/√n缩减——样本翻4倍精度才翻2倍；年化超额8%的策略，需要约5-8年才能以95%置信区分「真能力」与「运气为零」。条件：独立性+期望有限——肥尾极重（期望无界）或下注相关性高时收敛失效。
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
s-009讲过：轮盘赌赌场每局优势仅2.7%，单局胜负随机，但一晚数千局后利润几乎确定——大数定律（LLN）保证频率收敛于概率。它是「正期望策略长期赚钱」的严格数学版本，也是阶段1 q-009的正式毕业礼。
由此产生的问题
LLN的严格表述与CLT的分工是什么？「收敛速度」有多慢（策略要跑多久才可信）？LLN成立需要什么条件？
核心概念
LLN：独立同分布、期望存在时，样本均值依概率收敛于真实期望——频率稳定到概率。与CLT分工：LLN说「均值会到那」（收敛性）；CLT说「以什么波动幅度靠近」（收敛的分布，误差~σ/√n）。收敛速度的残酷：误差按1/√n缩减——样本翻4倍精度才翻2倍；年化超额8%的策略，需要约5-8年才能以95%置信区分「真能力」与「运气为零」。条件：独立性+期望有限——肥尾极重（期望无界）或下注相关性高时收敛失效。
为什么需要它
①策略评估的时间观：为什么机构要求3年以上track record——不是官僚主义，是LLN收敛速度的数学要求；②「为什么量化需要量大」的统一回答：多标的（横截面分散）、多频率（时间累积）、多策略（相关性分散）全在喂LLN；③反赌徒谬误：LLN不保证「连败后必胜」（每局独立）——它只承诺长期频率，不抚慰短期痛苦。
实际应用场景
样本量规划：要区分年化超额5% vs 0，按σ/√n公式反推需要的年数；策略监控：滚动窗口的均值是否稳定在期望附近（偏离即预警）。
与之前知识的联系
q-009的赌场故事获得严格表述；q-230的CLT补上「靠近的速度」；q-252（t统计量）将是「LLN收敛是否足够」的检验工具；q-955（3年考核期）的统计学依据。
⚠ 常见误解
- 大数定律=平均修复（连败后该赢了）：独立下注无记忆——「该赢」的直觉是赌徒谬误，LLN只看长期频率
- 跑得够久一定赚钱：前提是期望为正且非零——负期望跑得越久亏得越确定（赌场的立场）
- 样本足够大频率就精确等于概率：LLN是依概率收敛（越来越可能接近），不是必然相等——总是留有σ/√n的不确定带
🛠 本题实践任务
为你的策略参数（超额μ、波动σ）计算达到「95%置信显著为正」所需年数（令μ−1.96σ/√n>0反解n）。如果你现在只有1年数据，写下诚实的结论措辞。
💡 提示（先自己想5分钟再看）
n >(1.96σ/μ)²；诚实措辞示例：「样本内+8%，但1年样本无法排除运气（±19.6%）」。
✅ 验收标准
一个年数数字+一句诚实措辞。这份清醒会让你在简历与面试中领先大多数人。
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（期望、中心极限定理），再用案例、公式和代码帮助理解。此功能需要先启用服务。