1.2 核心数学与统计学工具箱：让信号可度量、可检验

1.2 核心数学与统计学工具箱：让信号可度量、可检验

本节摘要：量化研究的母语是时间序列分析、概率分布与统计推断。本节按"用"来讲这三样工具：平稳性判断决定你能否直接对价差建模，尖峰厚尾决定你该用什么指标度量风险，假设检验则守护你免受随机性的恭维。上一节解决了"对什么交易"，本节解决"如何可靠地度量它"——这是第二章回测流水线的前置装备。

为什么价格序列不能直接当数据用

拿到一段日频价格序列，新手的第一反应是直接算收益、跑回归。麻烦在于，价格本身几乎总是非平稳的：它带着趋势漂移，均值和方差随时间变化，任何"价格高则卖出、低则买入"的规则都建立在"价格会回到某个固定中心"的隐含假设上，而这个假设对指数类资产往往不成立。所以研究的第一步通常是把价格转成对数收益率——它更接近平稳，可加性也好。进一步，多数价差类策略（比如配对交易）在下单前必须回答：两只标的的价差是否平稳？如果价差本身漂移不定，"回归均值"就是一句空话。工程上常用的检验是单位根类检验：原假设是序列存在单位根（非平稳），拒绝它才敢谈均值回归。

以下这段示例代码演示对一段价差序列做平稳性检验的基本流程，输出会给出统计量与对应结论：

import numpy as np

def adf_style_check(spread, lags=1):
    """教学版平稳性检查：对价差序列做自回归并检查均值回复倾向。
    spread: 两条对数价格序列之差（numpy 数组）
    返回：回复强度估计与简单的显著性参考
    """
    x = np.diff(spread)          # 价差的一阶差分
    lag = spread[:-lags]         # 滞后一期的价差水平
    # 回归 x = a + b * lag + e，b 显著为负说明偏离会被拉回
    X = np.column_stack([np.ones_like(lag), lag])
    beta, *_ = np.linalg.lstsq(X, x, rcond=None)
    b = beta[1]
    resid = x - X @ beta
    se = np.sqrt(np.sum(resid**2) / (len(x) - 2)) / np.sqrt(np.sum((lag - lag.mean())**2))
    t_stat = b / se
    return {"回复系数": b, "t统计量": t_stat}

# 用法示例：spread = np.log(px_a) - np.log(px_b)
# t 统计量越负，均值回复倾向越强；正式研究请使用成熟计量库的完整实现
​

这段代码的教学价值不在精度，而在它揭示了检验的本质：所谓"价差会回归"，是一个关于回复系数符号与大小的可证伪命题。凡是不能写成这种命题的策略逻辑，都还没到能回测的阶段。

收益分布：尖峰厚尾告诉我们的事

金融收益率的经验分布与正态差得很远：极端事件出现频率远高于正态假设的预言，两侧尾巴又肥又长。这不是学术洁癖问题，它直接改写风险度量。基于方差类度量的指标会系统性低估尾部风险；两个日波动率相同的策略，其深度亏损的频率与幅度可能相差数倍。这就是为什么第五章会同时引入多种风险指标——它们各管一段分布。对策略研究者的日常要求是：看到任何基于"收益率服从正态分布"推导出的漂亮结论，先问一句尾巴怎么算。历史上多次著名的基金崩塌，事后复盘都能找到"低估了同时发生多个标准差级别波动的概率"这条根。

图 1-3：同一波动率下两种收益分布的风险差异（示意）

假设检验：对抗随机性恭维的哨兵

回测结果的受众是自己的资金，所以每一句"策略有效"都应该翻译成一个检验：在"策略其实无效"的原假设下，看到这样或更好的历史表现，概率有多大？这个问题的严谨答案涉及多重检验校正——你试过的每一个想法都会抬高"碰巧好看"的概率，试得越多，单次的显著性门槛就该越严。工程上还有两个朴素的替代手段：一是打乱信号时点做随机对照，把策略收益与"随机进出场"的分布比较；二是把样本切成互不重叠的多段，看结论是否在多数时段成立。这些手段不够精致，但对付"把噪音当规律"这个最常见的错误，效果意外地好。

深入一步：一次完整的伪信号解剖

把工具箱用在一个具体案子上。假设你发现"某指数在周五的表现与下一周的周一表现相关"，样本三年，相关系数可观。用本节的工具过一遍：第一步，分段验证——把三年切成六段，若相关性只在其中两段显著，多半是样本期的巧合。第二步，多重检验意识——你（或别人）在此之前可能已经试过星期二对星期三、月末对月初、上午对下午；试过二十种日历效应后挑出最亮的一个，它的显著性必须按二十次试验打折。第三步，随机对照——把"下一周"整体平移一天或一周，若相关性消失，说明你捕捉的可能是结算周期这类真实机制；若怎么平移都"显著"，反而要怀疑计算过程有数据泄漏。三步走完还活着的规律才值得进入回测。这套流程的全部价值在于：它把"我发现了一个规律"的兴奋，转译成"这个规律在多大比例的扰动下存活"的冷静问题。

💡 关键直觉：统计工具箱的全部意义，是把"看起来有效"翻译成"在多少次独立考验中存活"。翻译不过去的规律，不值得任何资金。

本节要点回顾

• 先变换再建模：价格序列大多非平稳，收益率或价差平稳性是回测前的必要检查；
• 回复系数必须显著：均值回归逻辑要落实为可检验的系数符号与显著性，不能停留在叙事；
• 尾部决定生死：尖峰厚尾意味着方差类指标低估极端风险，第五章会展开补位指标；
• 显著性要算上尝试次数：试过的每个想法都在抬高运气成分，多重检验意识必须贯穿；
• 朴素手段照样有效：随机对照与分段验证是性价比最高的防自欺工具。

💡 关键直觉：统计工具的角色不是帮你证明策略有效，而是帮你在被市场收费之前，先自己把无效的假设杀掉。

带着这套量具，下一节我们去审视收益来源的合法性——金融经济学原理要回答"凭什么赚钱"。