第一章：课程导论与基础概念

什么是虚拟资产组合？

说白了，虚拟资产组合就是你手里那堆数字资产的集合。比特币、以太坊、各种山寨币、甚至NFT和DeFi代币——你把它们放在一起，就是一个组合。

我个人习惯把虚拟资产组合比作一个「数字菜篮子」。你不可能只买一种币，对吧？那样风险太大了。我记得2021年有个朋友全仓某个动物币，结果项目方跑路，一夜归零。嗯，这就是典型的「鸡蛋放在一个篮子里」的教训。

虚拟资产组合的核心特征有三点：

• 高波动性：一天涨跌20%是家常便饭
• 强相关性：很多时候比特币一跌，整个市场跟着崩
• 非对称风险：你可能赚100%，也可能亏90%

为什么需要仿真模拟？

你想想看，真金白银去试错，成本太高了。仿真模拟就是让你在「沙盘」上推演，看看你的策略在历史数据或者随机场景下表现如何。

我在项目中遇到过最典型的场景：一个量化团队开发了一套套利策略，直接上实盘，结果三天亏了20万。后来复盘发现，他们没考虑到交易所的滑点和手续费。如果先做仿真模拟，这些坑完全可以避免。

仿真模拟能帮你回答三个关键问题：

1. 这个策略在极端行情下会不会爆仓？
2. 我的资金分配是否合理？
3. 收益率和风险之间，我到底能接受什么程度的平衡？

核心术语解析

收益率

收益率就是你赚了多少钱的比例。简单收益率就是（期末价值 - 期初价值）/ 期初价值。但做量化的人更常用对数收益率，因为它有可加性，方便做统计建模。

# 简单收益率 vs 对数收益率
simple_return = (price_t - price_t_1) / price_t_1
log_return = np.log(price_t / price_t_1)

我曾经犯过一个低级错误：用简单收益率去算多期累计收益，结果数据全偏了。后来才意识到，对数收益率才是连续复利下的正确选择。

风险

风险在金融里通常用「波动率」来衡量，也就是收益率的标准差。波动率越大，价格上蹿下跳越厉害，风险越高。

但这里有个坑：波动率只衡量「价格变动的幅度」，不区分上涨还是下跌。你想想看，一个资产天天涨20%，波动率也很大，但这其实是好事。所以后来有了下行波动率、VaR（在险价值）这些更精细的指标。

风险指标	含义	适用场景
波动率	收益率的标准差	通用风险度量
VaR	给定置信度下的最大损失	风控合规
最大回撤	从峰值到谷底的最大跌幅	策略压力测试

相关性

相关性衡量两个资产价格走势的同步程度。值在-1到1之间。1表示完全同涨同跌，-1表示完全反向，0表示没关系。

为什么相关性重要？因为组合分散化的核心就是找低相关甚至负相关的资产。比特币和以太坊的相关性长期在0.7以上，所以同时持有它们并不能有效分散风险。我建议你加入一些与传统资产（比如黄金、债券）相关性低的虚拟资产，效果会好很多。

夏普比率

夏普比率是衡量「每承担一单位风险，能获得多少超额收益」的指标。公式很简单：

Sharpe Ratio = (组合收益率 - 无风险利率) / 组合波动率

夏普比率越高，说明你的策略越「划算」。一般来说，夏普比率大于1就算不错，大于2就是优秀，大于3就是顶级水平。

但这里有个陷阱：夏普比率假设收益率是正态分布的。虚拟资产的收益率往往有「肥尾」特征——极端行情出现的概率远高于正态分布预测的。所以夏普比率在虚拟资产领域会高估策略的真实表现。我个人习惯同时看夏普比率和最大回撤，两个指标一起评估。

知识体系框架

下面这张图展示了本章的核心逻辑：从虚拟资产组合的定义出发，理解为什么需要仿真模拟，然后掌握四个核心术语，为后续章节打下基础。

嗯，这张图把本章的知识结构串起来了。从组合的定义出发，到仿真模拟的必要性，再到四个核心术语，每一步都是环环相扣的。你如果能把这四个术语吃透，后面学蒙特卡洛模拟、均值方差优化这些高级内容就会轻松很多。