一张组合表把股票权重从一半改成六成，债券相应从一半降到四成，结果却始终显示5%。不必先推导复杂模型，也能追问一个具体问题：这次结果到底有没有用到新权重？
不手写代码以后，数学的用处更像一把检查尺：能看懂输入代表什么，发现明显不对的结果，知道哪项假设需要追问。本篇先用几道小题找到具体缺口，再把更深的知识放到真正需要它的研究任务旁边。
这次要带走什么
- 用单位、分母、权重与复合增长检查基础结果。
- 解释波动、相关、抽样、回归和优化分别帮助回答什么问题。
- 完成一份个人数学清单，分成当前必需、遇到时补、专项选读，并留下自测证据。
这里的学习顺序是本书按任务安排的编辑方案，不是经过实验验证、适用于所有人的统一课程。不同研究问题可以有不同起点，但已经用到的概念不能用“工具会算”跳过核查。
先做三道开工自测
下面是C0基础算术的独立合成练习，不是推荐配置。期初1000美元，600放入资产甲、400放入乙；同一期间甲收益10%、乙收益负5%，不计费用、分红、出入金及调仓。期末多少钱？收益率是多少？先列金额，再核对百分比。
第二题换成独立的一笔1000美元，第一期上涨20%，第二期下跌20%，期间没有其他变化。第三题中，一份报告把“2%”输入为“2”，而后续计算按小数收益运算；这会把这项收益扩大多少倍？先保留首版答案。
第一题，甲变660、乙变380，总计1040，组合收益4%。按期初权重计算，60%乘10%加40%乘负5%，也是4%。若改成一半一半，则550加475等于1025，收益2.5%。两种资金安排不同，结果也不同。
第二题依次变成1200与960，累计负4%，不能用20%减20%宣布没赚没亏。第三题中2%应写成0.02，输入2相当于200%，比原数大100倍。计算式写得再长，也无法补救这个单位错误。
基础阶段要能解释这些结果，不要求心算得快。若出错，就把缺口写成“没有按期初资金加权”“把连续收益相加”或“百分数与小数混淆”，它们都比一句“我数学不好”更容易补学。
一条公式，先读成一组检查问题
遇到新公式，先找它输出什么，单位是什么，再逐一确认输入、时间范围和已知或估计的性质。相同字母在不同教材中可能有不同含义，不应只凭记忆套名称。
例如组合收益由各资产权重乘对应收益再相加。权重必须对应同一资产顺序、同一时点；本例之所以能直接使用期初权重，是因为期间没有外部资金流和调仓。若有追加资金或频繁交易，就不能把这个简式无条件搬过去。
读到一个模型结果，还要问它是定义、教学假设、样本估计还是未来预测。定义通常能直接核对运算；估计和预测还依赖资料与方法。把它们分开，才能决定是该查账，还是该检查统计假设。
统计先用来表达不知道多少
描述波动时，标准差帮助概括给定收益样本围绕均值的起伏，详细核算可查G68。它回答的不是最多亏多少。相关则帮助观察两组变量怎样一起变化，不能单凭相关就断定因果；NIST的解释也明确区分两者。[1]
例如两个资产都受同一经济条件影响，收益可能一起变化；也可能只是小样本的巧合。看到相关系数后，先核对频率、窗口和异常点，再问关系是否有机制、是否稳定。一个数字不能替你证明长期分散效果。
抽样与区间处理另一类未知：样本平均不等于已经知道长期平均。假设100次合成观察中60次为正，只能先描述这100次的60%；若要推断未来频率，要再讨论样本如何形成、相关性与环境是否变化。
置信区间用于表达某个参数估计的不确定性，不能把“平均收益的区间”当成下一期收益必落入的范围。NIST的均值区间说明区分了样本估计和区间方法的长期覆盖含义。[2] 这里先理解用途，不要求现在推导分布或临界值。
股票连续几天受同一事件影响，也不等于获得了几次完全独立的信息。资料很多但高度相关，推断未必同样可靠。遇到这类任务，再补时间序列、抽样与统计检验，而不是把每个日历日都当成新的独立证据。
排序不是把数字按大小摆完就结束
C7小型股票池会用到排序和分组。先做一份独立的准备题：排序信号给定为同一上一完整月份、同币种的含分红回报，在本次决定前已知；甲、乙、丙、丁分别是6%、8%、8%和缺失。本次只选一只，规则先写明：缺失者不参加；并列时按给定固定标识甲、乙、丙、丁的顺序处理。
按这些条件应选乙。不能因为后来丙涨得更多，就在历史记录里让丙排前；也不能把丁的缺失填0，假装它确实有0%的已知信号。若改用“并列全选”，还需要重新定义权重，不能让选股数量悄悄变化。
这道题只检查排序算法是否忠实执行。现有C7-82材料提供一个持有期的信号与毛收益，另有独立成本快照；成员退出和多期净账本等原规划条件尚未全部交付。先掌握比较、缺失和并列政策，再进入因子支线，才能继续检查排序如何接到持仓与成本，不能由这道题推定完整研究已经完成。
回归先看系数和残差，暂不急着求逆矩阵
回归用模型描述变量之间的关系。最简单的一条线，可以写成“输出等于截距加系数乘输入”；最小二乘选择参数，使观察值与模型值差异的平方和尽量小。[3] 系数怎样估出可以交给工具，但它的单位、样本和限制仍要读懂。
用独立合成数据示范，横轴x依次为负1、0、1，纵轴y为负1、1、3，两边单位都规定为收益的百分点。这三个点刚好满足y等于1加2乘x：截距1个百分点，系数2。它是为了读懂线而设计的，不是实际市场规律。
再给一个新观察x为1、y为4，保持原模型不重新拟合。模型给3，实际为4，残差为正1个百分点。残差是实际与模型之间的差，不自动等于运气，也可能反映遗漏因素或模型不适用。
G14的Beta和模型Alpha属于这类关系的投资应用。这里三个点能拟合得完美，也没有估计出稳定能力；需要更多资料、合理模型和未用于挑规则的检验。学会指出这一点，比把“截距1”写成保证盈利更接近会用数学。
向量和矩阵，先认清装了什么
当资产和日期增多，一串权重可以写成向量，一张“行是日期、列是资产”的收益表可以写成矩阵。它们让批量计算有统一记法；向量、矩阵与最小二乘的联系也是应用线性代数教材的基础主题。[4]
刚才的60%、40%权重就是两项列表，对应10%、负5%的收益列表。按同一位置相乘后相加，仍是4%。若工具把收益列排序换成乙、甲，权重却没换，会得到负3%加4%，只剩1%。矩阵运算通过，也可能只是把错位算得很快。
所以刚接触时，先核对维度、资产标识、日期对齐和缺失处理。真正要研究多因子暴露、协方差或大量资产组合，再补矩阵乘法、线性方程和估计稳定性；不要求为一次两资产核账提前学完整门线性代数。
优化输出为什么还需要约束
优化是在给定目标和限制下寻找方案，不是自动寻找真实世界最好的投资。你要先告诉它优化什么，哪些输入为估计，权重和成本受到什么约束。Boyd与Vandenberghe的优化教材把目标与约束作为问题表述的基本组成。[5]
例如本书一项教学任务限定只做多、无借款、权重合计为100%。工具若给甲70%、乙70%，合计140%，就没有满足这个任务；不能因为预计收益较高而直接采用。若确实研究杠杆，则必须另写融资、成本和风险条件，不能偷偷改题。
预计收益或相关估错，算出的最优权重也会跟着偏。进入组合优化时再补约束、敏感性、估计误差与简单基线比较。数学目标值改善，只是在所写模型中改善，不等于未来净收益已经提高。
微积分则常用于理解变化率、模型敏感度和某些训练或定价方法。若任务只需比较两种输入情景，可以先用有限变化检查；研究复杂衍生品或高级模型时，再安排相应推导。需要哪项深度，应由任务决定，不按术语高级程度排收益等级。
换一个条件，检查自己能否迁移
新的独立教学组合有1000美元：甲400、乙100、现金500。同期间甲涨10%，乙跌5%，现金收益给定0，没有其他变化。请先算组合收益，再解释为什么不能只平均甲乙两项；若工具报7.5%，你会先查哪项？
甲变440，乙95，现金500，期末1035，收益3.5%。原权重是40%、10%、50%，不能因为现金“不交易”就把它从分母删除。工具报7.5%时，先查权重和账户边界，随后核对是否漏掉现金、费用或资金流条件，不能只改最后一个百分比。
再看排序：上题乙与丙并列，但固定标识政策改为优先丙；缺失仍排除。选出丙不是数学错误，说明规则已经变化，需留下版本，不能把新规则倒写成原来就这样。解释题则请用自己的话说清：回归残差为何不能单独证明稳定Alpha？答案应包括模型、样本和遗漏影响的边界。
写一份能安排下一次学习的清单
把自测首版、改正过程与理由保存，再为当前研究任务列三栏。当前必需放单位、比例、权重、复合增长、时间对齐，以及你已经实际使用的概率概念；遇到时补放相关、抽样区间、排序或回归等具体缺口；专项选读放与当前任务无关的高级定价或推导。
分栏不是永久分级。若你今天就要报告统计显著性，抽样假设与区间解释便是当前必需；若只在核对一个收盘信号，则不应把未学微积分当成无法开始的理由。每项配一道能检查的任务，而不是只填一门学科名。
要求AI解释公式时，给出原式、符号定义、单位、样本与目标，先让它复算本篇小例子，再请它指出失效条件。自己核对中间金额和时间，不让另一段流畅解释成为唯一验收。仍说不清的部分标为待补，不把工具输出当作已经掌握。
小结：先学会检查，再按问题加深
先把单位、分母、权重和复合算清；这些检查贯穿财报、回测、因子与资金管理。遇到新公式，再问输出、输入、时点和假设，分清描述、估计与预测。
随后让研究任务决定补学顺序：排序处理规则，统计表达不确定性，回归检查关系，矩阵组织批量运算，优化处理目标和限制。任何一项计算通过，都不自动证明投资有效；能指出它没有回答什么，才知道下一步应该查哪里。
参考资料
- NIST：Correlation。相关与因果的区别。
- NIST：Confidence Limits for the Mean。均值区间与抽样不确定性；本文不要求套用其中检验公式。
- NIST：Linear Least Squares Regression。模型参数、相加项与平方差最小化。
- Boyd与Vandenberghe：Introduction to Applied Linear Algebra。向量、矩阵和最小二乘的任务地图；未声称本篇等同整本课程。
- Boyd与Vandenberghe：Convex Optimization。优化问题表述的教材入口；当前不要求完整证明或推导。
资料核查日期2026-10-29。本文由AI辅助编写与检查，尚待人类金融审校或目标读者试读。所有收益、排序和回归数据均为原创合成教学输入，不证明C2或任何因子策略有效。