二项分布：胜率模型的"出厂设置"
我的掌握程度：
先掌握这个答案
定义：X~B(n,p)，P(X=k)=C(n,k)pᵏ(1−p)ⁿ⁻ᵏ；E=np、Var=np(1−p)。两个近似：np大时→正态（√np(1−p)的波动）；p小n大→泊松（罕见事件）。连亏计算：胜率p的策略n次中最大连亏——不是"1/pⁿ"（那是特定序列）而要用期望与近似（胜率50%时100次内出现10连亏概率约86%，q-533的演示）。金融失真：①独立假设——趋势市里亏损日聚集（连亏远超二项预期）；②同分布假设——胜率本身漂移（市场状态变）——所以实测连亏常比二项理论长：用实测或保守p重算。它是"第一近似模型"：给直觉锚点，再按失真修正。
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
抛10次硬币出7次正面正常吗？连亏8次该不该停策略？回答这些"次数问题"的出厂模型就是二项分布——n次独立伯努利试验的成功次数。它是胜率思维的概率论底座。
由此产生的问题
二项分布的定义与两个近似（正态/泊松）？连亏概率的计算（为什么连亏是常态）？金融里它哪里失真（相关与异质）？
核心概念
定义：X~B(n,p)，P(X=k)=C(n,k)pᵏ(1−p)ⁿ⁻ᵏ；E=np、Var=np(1−p)。两个近似：np大时→正态（√np(1−p)的波动）；p小n大→泊松（罕见事件）。连亏计算：胜率p的策略n次中最大连亏——不是"1/pⁿ"（那是特定序列）而要用期望与近似（胜率50%时100次内出现10连亏概率约86%，q-533的演示）。金融失真：①独立假设——趋势市里亏损日聚集（连亏远超二项预期）；②同分布假设——胜率本身漂移（市场状态变）——所以实测连亏常比二项理论长：用实测或保守p重算。它是"第一近似模型"：给直觉锚点，再按失真修正。
为什么需要它
①胜率直觉的校准器："60%胜率"到底意味着什么样的净值路径——二项分布直接模拟（胜率与盈亏比合成策略性格，q-533）；②连亏预算的数学：仓位管理的输入（单笔风险×预期最大连亏=回撤预算）——q-688Kelly的前置；③假设边界的又一课：独立性在亏损聚集时失效——与q-233同款提醒在次数维度的重现。
实际应用场景
实操三用：①模拟胜率路径（蒙特卡洛1000条看回撤分布）；②连亏预算（p=0.55、100次交易→预算10连亏→回撤1−0.985^10≈14%按单笔1.5%）；③检验策略是否"变了"（实际胜率与回测的二项置信区间比对）。
与之前知识的联系
q-533（胜率盈亏比）用它刻画策略性格；q-688（Kelly）以胜率与赔率为输入；q-233的独立假设在此接受次数维度的检验。
⚠ 常见误解
- 胜率60%就不会连亏太多：独立下连亏仍按概率发生——60%胜率百次内6连亏概率过半；预算好过惊讶
- 连亏后该赢（赌徒谬误）：独立试验无记忆——"该赢"的直觉正是二项分布要治的病
- 二项分布精确描述交易胜率：交易既非完全独立（趋势聚集）也非同分布（状态漂移）——它是第一近似, 用实测校准
🛠 本题实践任务
用蒙特卡洛给你的策略算连亏预算（实测胜率、200次交易、5000条路径的最大连亏分布）；对照实盘已发生的最大连亏——超出P95了吗（策略可能变了）？
💡 提示（先自己想5分钟再看）
连亏预算→回撤预算：1−(1−单笔风险)^连亏数；把它写进停机条款（q-944）的参数。
✅ 验收标准
一条连亏分布+回撤预算换算。胜率从"一个数字"变成"一张路径地图"。
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（独立同分布、期望），再用案例、公式和代码帮助理解。此功能需要先启用服务。