859 字
4 分钟
第 2~3 章：收益的统计性质与"绩效是个随机变量"
全书的地基。别的书把”收益率”当已知量拿来就用，本书先花两章追问：收益到底长什么样、波动率怎么估、你算出来的夏普有多不可信。（原创笔记，非译文）
收益的定式化事实（stylized facts）
第 2 章从单资产收益开始：简单收益与对数收益的换算、超额收益的定义，然后直接给出日频收益的几条经验规律：
- 尖峰厚尾：日收益分布远比正态更容易出极端值——用正态假设算”20 年一遇”，实际可能三年遇一次；
- 收益本身几乎不可预测：自相关接近零，这是行业存在性难题的根源；
- 但波动率高度可预测：收益平方有很强的自相关（波动聚集）——波动率是量化研究里最可预测的量，整个风险建模行业都建立在这条不对称上。
波动率估计：从 GARCH 到 EWMA
这是第 2 章的技术核心，给出一条完整的工具链：
- GARCH(1,1)：今天的方差 = 长期均值 + 昨天方差的惯性 + 昨天收益冲击。刻画波动聚集的经典模型，书中连估计细节一起给全；
- EWMA（指数加权移动平均）：GARCH 的实战简化版。书里一个漂亮的视角：把 EWMA 解释成状态空间模型（Muth 1960）的最优滤波——行业里”拍脑袋”的半衰期参数，其实有严格的推导出处；
- 已实现波动率：有日内数据时用高频收益直接加总，精度远超日频模型——这是”机构级数据带来碾压优势”的第一个例子。
第 3 章：什么是绩效？
标题看似平凡，立意很狠：夏普比率是一个统计量，它有标准误。
- 用 T 年日频数据估计的夏普，标准误约为 √(1/T) 量级——三年数据下，“夏普 1.0”和”夏普 0.5”经常在统计上无法区分；
- 推论一：比较两个策略的夏普，差异要大到吓人才有意义；
- 推论二：分配资本给”近三年表现最好的 PM/策略”，很大程度上是在给运气发奖金；
- 这一章与《随机漫步的傻瓜》讲的是同一件事，但塔勒布给态度，本书给公式。
对本平台用户的迁移
- 平台回测报告里的夏普，先心算一个标准误（≈ (1+SR²/2)^0.5 / √年数）再下结论；
- 做因子波动率调仓（波动率倒数加权）时，用 EWMA 而不是长窗口简单标准差——半衰期从 20~60 个交易日试起；
- 记住不对称性：预测收益难于登天，预测风险唾手可得——研究预算应该向”把风险算对”倾斜，这是全书反复回响的第一主题。
本页带走的三句话
- 收益几乎不可预测，波动率高度可预测——量化行业的全部风险建模都建立在这条不对称上；
- EWMA 不是拍脑袋的工程近似，而是状态空间模型下的最优滤波——常用工具值得知道出处；
- 夏普比率是带标准误的统计量：三年数据分不清 1.0 和 0.5，给”近期最佳”发资本经常是给运气发奖金。