泊松分布：稀有事件的"计数器"
我的掌握程度：
先掌握这个答案
X~Poisson(λ)，P(X=k)=e^{−λ}λ^k/k!——λ=单位时间平均事件数。E[X]=Var[X]=λ。金融应用：①市场跳跃次数（跳跃扩散模型组件）；②极端事件频率（比正态更贴近肥尾——q-227的计数版）；③高频订单到达。与二项：Bin(n→∞, p→0, np=λ)→Poisson。
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
二项分布数「n次试验中成功几次」——当成功概率极小（一天中市场崩盘次数）而试验次数极大时，极限就是泊松分布——专门数「单位时间稀有事件发生几次」。
由此产生的问题
泊松分布的定义与唯一参数λ？金融中的应用（跳跃/崩盘频率）？与二项的近似关系？
核心概念
X~Poisson(λ)，P(X=k)=e^{−λ}λ^k/k!——λ=单位时间平均事件数。E[X]=Var[X]=λ。金融应用：①市场跳跃次数（跳跃扩散模型组件）；②极端事件频率（比正态更贴近肥尾——q-227的计数版）；③高频订单到达。与二项：Bin(n→∞, p→0, np=λ)→Poisson。
为什么需要它
①极端事件频率估算器：正态说3σ千分之一——泊松可以问「一个月≥2次的概率」——更灵活的尾部工具；②跳跃模型的组件：BS假设连续——加泊松跳跃=Merton模型；③高频数据的天然语言：订单到达率。
实际应用场景
算例：月均0.5次暴跌2%——P(本月≥3次)≈0.76%——十年一遇。
与之前知识的联系
q-234（二项）的极限版；q-227（肥尾）的计数视角；跳跃定价（q-655进阶）用它建模跳跃次数。
⚠ 常见误解
- 泊松=正态：不同——泊松只取整数、方差=均值（右偏）；正态连续且方差独立
- 泊松只用于物理/排队：金融中的跳跃/崩盘/高频到达全是「稀有计数」——完美匹配
- λ大时不能用：λ>10时近似正态——但λ=10本身仍可用泊松精确计算
🛠 本题实践任务
统计沪深300近五年跌超2%的月均次数λ——代入泊松算P(月≥3次)。实际发生过几次？吻合吗？
💡 提示（先自己想5分钟再看）
stats.poisson.sf(2, lam)即P(≥3)。
✅ 验收标准
一个λ+一个理论概率+实际对照。
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（二项分布、稀有事件），再用案例、公式和代码帮助理解。此功能需要先启用服务。