十期记录，九期是正收益，摘要里的“九成赚钱”很醒目。可最后一期是负20%：如果从第一期一直持有，大多数时期赚钱究竟有没有留下利润？
删掉那一行，平均数会好看起来；把表格复制几遍，样本数也会变大。先不急着接受这两种“改善”，我们把十行数据读完整，再看哪些操作只是改变展示，哪些才增加了对未来的认识。
这次要解决的问题
- 复算均值和中位数，解释它们为何可能传达不同印象。
- 检查极端观测、缺失处理和重复记录怎样改变结果。
- 识别重叠、时间依赖与共同驱动，写清样本不能证明什么。
九个小正数，和一个大负数
以下为独立合成教学输入，不是C2真实策略的回测，也不替换C4原账户资料。给定十个相邻、等长期间的简单收益，前九期各为正1%，第十期为负20%；每期收益已按相同净成本口径计算，无外部资金流。
算术均值先把十个收益相加，再除以十。九个1%合计9%，加负20%得到负11%，除十为负1.1%。它描述这十个期间收益的平均水平，不等于整个持有期收益，更不是下一期的承诺。
中位数换一种方式：将十个数从小到大排序，取中间第五与第六个的平均。这里它们都是1%，所以中位数为1%。NIST说明了均值与中位数的定义，也讨论极端值会怎样影响不同位置指标。[1]
两个结果都没算错。中位数更贴近这组记录中间位置，却没有告诉你那次下跌有多深；均值被较大的负数明显拉低，提醒你看尾部发生了什么。若只挑比较好看的那个，就把样本的一部分信息藏了起来。
因此这组摘要可以同时写：“十期中九期为正，中位数1%，均值−1.1%，最差一期−20%。”它们没有相互推翻，而是在回答频次、位置和损失幅度三个问题。接下来仍差一项：把每期收益接回同一笔本金，才能知道持有者的实际经历。
现在从100美元完整持有，前九期每期乘1.01，最后再乘0.8，期末约87.49美元，总收益约负12.51%。这个连乘复用了G08的方法。不能把负1.1%直接当成十期总收益，也不能凭中位数1%声称钱在持续增长。
分布，先看数值怎样分布着
分布在这里先理解为：不同结果出现在哪里、各有多少，以及最远的结果离中间有多远。这组十行里，九行挤在1%，一行位于负20%；一句“典型收益1%”没有完整描述它。
可以把每行都画在一条水平线上，或按区间计数。样本很小时，先看原始点比只看一张平滑曲线更直接。图上的形状受分组与样本影响，不应看见一个像钟形的轮廓，就宣布未来收益服从正态分布。
所谓尾部，关注分布较极端的部分。尾部风险不是“发生概率已经知道、只是很小”的同义词。十个观察只能告诉我们这组数据里出现了一次负20%，不足以证明未来每十期恰好发生一次，也不能证明更大的损失不存在。
如果这次大跌与其他持仓下跌、收入中断或流动性恶化同时发生，对个人的影响还可能放大。单个收益分布也没有记录所有付款与执行条件；描述统计需要接回前面学过的风险清单。
删掉一行，回答的可能已是另一个问题
若删去负20%，剩下九个1%，均值与中位数都变成1%。这准确描述保留下来的九行，却不再是原十期经历。除非有独立证据说明这行是数据错误，否则不能因为它难看就删除，再给策略贴上稳定标签。
先区分极端值与错误值。价格单位弄错、拆股未处理或重复事件，可能制造假异常；真实跳空与亏损也可能产生大幅变化。判断依据应来自原始记录、公司行动和处理规则，而不是“离平均太远”。
若核实是错误，保留原值、证据与修订方法，再重算。若是真实结果，就在完整报告中保留；可以另外展示去掉它的敏感性对照，但清楚写为什么做这个对照，不把它当成更真实的业绩。
本例里，极端值移除前后均值从负1.1%到正1%，翻转来自样本选择，不是研究者突然找到了新能力。变化本身告诉你结果很依赖哪次事件，应进一步查机制，而非只保存修订后的图。
十行复制成一百行，增加了什么
现在把原十行原样复制十份，仍将它们标为复制件，不假装实际经历了新的期间。表中有一百行，算术均值仍负1.1%，中位数仍1%。独特的原始观察还是那十个，没有多发生九十次独立事件。
若程序把复制件当成独立样本，某些估计可能看上去更精确。但那份精确依赖的独立性前提没有被满足。复制数据可以测试程序处理行数的能力，不能增加策略证据，更不应拿来满足一个“至少一百笔”的门槛。
真实记录没有明显复制标记时，也可能存在类似问题。同一笔交易被两个渠道记了两遍，同一家公司在不同代码下重复出现，多个产品持有相同对象，都需要身份与来源核对。重复不一定使均值改变，却会改变你以为已经掌握多少信息。
因此，先问一行代表什么：一天、一次独立事件、一家公司，还是一项从其他行加工出来的指标？没有这个单位，样本数就只是文件长度，不能直接解释成证据数量。
没有复制，也未必每一行都独立
假设你每天计算过去二十天收益。今天的窗口与昨天共享十九天资料；两百个滚动窗口并不等于两百段互不重叠的市场经历。窗口数可以如实报告，但要同时说明重叠方式。
相邻交易也可能共同受某一行情驱动。一天内的十笔交易，如果都是同一信号、同一行业、同一个方向，就不能不经检查地当成十次彼此无关的机制检验。它们仍是实际记录，只是从记录推断稳定性时需要考虑共同依赖。
自相关描述同一序列在不同时点之间的相关关系，NIST用它检查时间序列结构。[2] 本篇不要求手算系数，先能指出“前后可能有关”以及原因；也不能因为没有发现线性自相关，就证明一切形式的依赖都不存在。
有效独立信息不能用一个通用折扣从行数直接得到。具体如何估计，取决于数据形成过程、策略、相关结构和要回答的问题。正式区间与检验方法在G71继续讨论，不能先把任意笔数宣布为足够。
两条线一起涨，谁推动了谁
假设同一季度，两家公司收益同时上升。可能是一家影响了另一家，也可能两者都受到行业需求或市场条件影响，还可能只是这段样本里的巧合。相关描述共同变化，不会自动给出因果方向。
更明显的例子是把两个都有长期趋势的价格水平放在一起。它们看起来同步，未必意味着其中一条能预测另一条可交易的收益。需要先明确比较价格还是收益、对齐时点和信息可得性，再检验有机制支持的关系。
如果认为原料成本推动利润变化，应找采购合同、价格传导与利润拆分，并考虑产品组合等替代解释。统计关系可以引导阅读，不能替代业务证据；业务故事同样需要数据检验，不能用听起来合理跳过反例。
还要提防反复挑选。比较很多对象与窗口后，总能遇到几条很像的线。保存尝试范围，区分事前假设与看图后的探索，才知道后面需要怎样的独立检验。
先自己改一份摘要
解释题：原十行的中位数1%，为什么不能说明持有期赚钱？应用题：有人删除负20%后展示平均1%，又复制十份宣布样本充分。分别指出他改变了什么，哪些信息仍未增加。
第一题应区分中间位置与完整资金路径，尾部损失及复合过程仍需计算。第二题删除改变了覆盖范围，复制改变了表格行数；若没有数据错误证据，原事件应保留，复制也没有提供新独立观察。
换一个极端值
另设十期独立教学序列，前九期仍各1%，最后一期改为负5%，其余账户条件不变。请计算算术均值、中位数及完整持有期收益。它能否证明以后不会再出现负20%？
算术均值为9%减5%再除十，等于0.4%；中位数仍为1%。完整资金是100乘1.01的九次方再乘0.95，期末约103.90美元，总收益约3.90%。均值和持有期结果依旧不是同一个指标。
最后的答案是否定的。输入把一次下跌改小，结果自然改变；这是一项敏感性练习，不是未来尾部已被排除的证据。新序列也不能与原序列当成两套真实独立策略业绩合并。
保存一张样本诊断记录
为一份数据写出对象、时间范围、频率、每行含义、收益及费用口径、来源和选择规则。先保留完整观察，再列均值、中位数、最小最大值和至少一个对结果影响较大的观测。
做一次删除或修订敏感性比较，说明这是核错还是演示依赖，保留原版。再列重复、滚动重叠、同一事件或共同市场驱动是否可能存在；没有检查的项目标待查，不写“默认独立”。
自检时遮住样本行数，看看记录是否仍能说明经历了哪些不同条件。若只能说有很多笔，就先补数据形成过程；若结论被一行左右，也要把这种依赖放到摘要中，供下一步检验使用。
小结：先看样本怎样形成，再看数字多漂亮
均值与中位数描述不同侧面，极端值可能决定实际经历。核查异常的依据、保留完整分布及复合结果，才能分清修复错误与挑选好看的记录。
行数增加也需要追问新信息来自哪里。重复、重叠和共同驱动会限制推断，相关不能单独证明因果。把这些限制写清，再进入区间与检验，才能让精确计算建立在可解释的样本上。
参考资料
- NIST：Measures of Location。均值、中位数及极端值敏感性；本篇十行输入为独立合成。
- NIST：Autocorrelation。时间序列相关及等距观察前提；本文不据此估算通用有效样本数。
资料核查日期2026-10-29。本文由AI辅助编写与核查，尚待人类金融审校和目标读者试读。