4、正态分布假设：正态性检验与QQ图绘制

做VaR模型，绕不开一个核心假设——收益率服从正态分布。

说实话，我在刚入行那几年，对这个假设深信不疑。教科书上这么写，论文里这么用，那肯定没问题吧？直到我第一次用真实的市场数据跑回测，结果惨不忍睹。后来我才明白：金融数据天生就是厚尾的，正态分布只是一个理想化的起点。

但话说回来，我们做量化风控，不能因为假设不完美就放弃检验。恰恰相反，检验正态性，是为了知道我们的模型在什么条件下会失效。今天我就带大家过一遍最常用的三种方法：Jarque-Bera检验、Shapiro-Wilk检验，还有最直观的QQ图。

4.1 为什么要做正态性检验？

你想想看，VaR模型的核心逻辑是：给定一个置信水平，找到分布左侧的分位数。如果数据不是正态的，那这个分位数就是错的。错得有多离谱？

我举个例子。假设你用正态分布算出来95% VaR是-2%，但实际数据是厚尾的，真实5%分位数可能是-3.5%。这意味着你的模型会系统性低估风险。嗯，这就是为什么监管机构要求我们做正态性检验——不是走形式，是真的会出人命。

4.2 Jarque-Bera检验

JB检验是我个人最常用的方法。为什么？因为它简单、快速，而且只依赖两个统计量：偏度（Skewness）和峰度（Kurtosis）。

偏度衡量分布的对称性。正态分布的偏度是0。如果偏度大于0，说明右尾更长；小于0，左尾更长。峰度衡量分布的"尖峭"程度。正态分布的峰度是3。峰度大于3，说明尾部更厚——这正是金融数据的典型特征。

JB统计量的公式长这样：

JB = n/6 * (S² + (K-3)²/4)

其中n是样本量，S是偏度，K是峰度。JB统计量服从卡方分布（自由度2）。如果p值小于0.05，我们就拒绝正态性假设。

Python实现非常简单：

import numpy as np
from scipy import stats

# 模拟收益率数据
np.random.seed(42)
returns = np.random.randn(1000)  # 正态分布

# Jarque-Bera检验
jb_stat, jb_p = stats.jarque_bera(returns)
print(f"JB统计量: {jb_stat:.4f}")
print(f"p值: {jb_p:.4f}")

# 如果p值 < 0.05，拒绝正态性假设
if jb_p < 0.05:
    print("拒绝正态性假设：数据不服从正态分布")
else:
    print("无法拒绝正态性假设：数据可能服从正态分布")

4.3 Shapiro-Wilk检验

Shapiro-Wilk检验是另一个常用的方法。它的原理比较绕，但你可以简单理解为：它把样本排序后，和理论上的正态分位数做相关性分析。相关性越高，越像正态分布。

我个人觉得，SW检验比JB检验更可靠，尤其是在小样本（n < 50）的情况下。但它的缺点是计算量稍大，而且对重复值敏感。

代码实现：

# Shapiro-Wilk检验
sw_stat, sw_p = stats.shapiro(returns[:100])  # 取前100个样本
print(f"SW统计量: {sw_stat:.4f}")
print(f"p值: {sw_p:.4f}")

if sw_p < 0.05:
    print("拒绝正态性假设")
else:
    print("无法拒绝正态性假设")

4.4 QQ图：最直观的"照妖镜"

说实话，统计检验再漂亮，也不如一张图来得直观。QQ图（Quantile-Quantile Plot）就是干这个的。

原理很简单：把样本的分位数和理论正态分布的分位数画在同一个坐标系里。如果数据是正态的，点应该落在45度对角线上。如果偏离了，就能看出是左偏、右偏，还是厚尾。

我在项目中遇到过最典型的案例：某只股票的日收益率QQ图，中间部分贴着对角线走，但两端明显翘起。这就是典型的"中间正态，两端厚尾"——用正态分布算VaR，中间部分没问题，但极端情况全错。

import matplotlib.pyplot as plt
import scipy.stats as stats

# 生成QQ图
plt.figure(figsize=(8, 6))
stats.probplot(returns, dist="norm", plot=plt)
plt.title("QQ图：正态性检验")
plt.xlabel("理论分位数")
plt.ylabel("样本分位数")
plt.grid(True, alpha=0.3)
plt.show()

4.5 知识体系图

下面这张图总结了正态性检验的完整流程。我建议你把它存下来，做VaR模型时对照着用。

4.6 实战建议

说了这么多，最后给几条实在的建议：

1. 不要只看一个检验。我习惯同时跑JB检验和SW检验，再画一张QQ图。三个结果互相印证，比单一指标靠谱得多。
2. 注意样本量。样本量小于50，优先用SW检验；样本量在50-5000之间，JB和SW都可以；样本量超过5000，QQ图比统计检验更有参考价值。
3. 拒绝正态性不等于模型不能用。我曾经处理过一个组合，JB检验p值只有0.001，但QQ图显示偏离主要发生在尾部。这种情况下，我选择用t分布替代正态分布，效果反而更好。
4. 动态检验。别只做一次检验就完事。市场环境会变，我建议每季度重新跑一次正态性检验，看看假设是否还成立。

好了，正态性检验这部分就讲到这里。记住一句话：检验不是为了证明，而是为了理解。理解了数据的真实分布，你才能做出靠谱的VaR模型。

---

公众号:蓝海资料掘金营，微信deep3321