单只标的 500 根日线在免费额度内即可试；多标的/长历史批量需 Starter 及以上，详见 [AlphaFeed 定价页](https://alphafeed.org/pricing)。

如何用 Python 分析股票收益率分布？（偏度、峰度与"尖峰厚尾"）

Q: 怎么直观看分布？

用直方图 + 正态曲线叠加（`matplotlib` 画 `ret` 的 hist，叠加同均值方差的正态密度），或用 QQ 图，能直观看到厚尾偏离。

分析与指标 · 代码验证于 2026-09-17

如何用 Python 分析股票收益率分布？（偏度、峰度与”尖峰厚尾”）

一句话回答： 用 AlphaFeed 取复权日线、算日收益率，再用 pandas 的 mean/std/skew/kurtosis 几行就能刻画收益率分布——真实数据会告诉你：股票日收益并不服从正态分布，而是”尖峰厚尾”（峰度远大于 0、极端涨跌远比正态频繁），这对风险管理至关重要。

为什么会有这个问题 / 传统做法的痛点

很多风险模型（如用标准差算 VaR、用正态假设定价）默认收益率服从正态分布。但实际股票收益：

厚尾：极端大涨大跌的频率远高于正态预测，“黑天鹅”没那么稀有；
尖峰：大量收益集中在均值附近，中间比正态更”尖”；
有偏：涨跌不对称（偏度非 0）。

要验证这些，需要干净的前复权日线和正确的统计口径。AlphaFeed 提供复权日线，统计用 pandas 即可。

分步骤解决（每步配可运行代码）

第 1 步：取复权日线并算日收益率

from alphafeed import AlphaFeed

af = AlphaFeed(api_key="your-api-key")  # 或 export ALPHAFEED_API_KEY 后 AlphaFeed()

df = af.klines.get("600519.SH", period="1d", count=500,
                   adjust="forward", to_dataframe=True).sort_values("trade_date").reset_index(drop=True)
ret = df["close"].pct_change().dropna()      # 日简单收益率

第 2 步：计算分布特征

def return_distribution(ret):
    return {"n": int(ret.shape[0]),
            "mean_%": round(float(ret.mean()) * 100, 3),
            "std_%": round(float(ret.std()) * 100, 2),
            "skew": round(float(ret.skew()), 2),
            "kurt_excess": round(float(ret.kurtosis()), 2),  # pandas 为超额峰度(正态=0)
            "min_%": round(float(ret.min()) * 100, 2),
            "max_%": round(float(ret.max()) * 100, 2)}

print(return_distribution(ret))

分布特征含义：

指标	含义	正态基准
mean	平均日收益	—
std	日收益标准差（波动率）	—
skew（偏度）	分布左右不对称程度	0（对称）
kurt_excess（超额峰度）	尖峰厚尾程度	0（pandas 已减 3）
min/max	极端单日涨跌	—

第 3 步：多标的对比

for s in ["600519.SH", "000001.SZ"]:
    d = af.klines.get(s, period="1d", count=500, adjust="forward",
                      to_dataframe=True).sort_values("trade_date")
    print(s, return_distribution(d["close"].pct_change().dropna()))

实测（约 500 个交易日）：

标的	日均收益	日波动	偏度	超额峰度	单日最大跌/涨
贵州茅台 600519.SH	0.004%	1.56%	1.52	8.78	−7.42% / +9.29%
平安银行 000001.SZ	0.051%	1.26%	−0.07	10.03	−9.32% / +6.92%

结论很清楚：两只票的超额峰度都远大于 0（8.78、10.03），说明明显尖峰厚尾——极端涨跌远比正态分布预测的频繁。用正态假设会严重低估尾部风险。

关键坑与注意事项

别默认正态：如上，股票收益超额峰度远大于 0，极端行情频率被正态严重低估。用正态算 VaR/期权定价会低估风险。
峰度口径：pandas 的 kurtosis() 返回”超额峰度”（已减 3，正态=0）；有些库返回”峰度”（正态=3）。对照时务必确认口径。
极端值影响大：偏度、峰度对少数极端值非常敏感，样本区间含不含某次暴涨暴跌会显著改变结果。
简单收益 vs 对数收益：本文用简单收益 pct_change()；做加总/多期分析时对数收益 log(1+r) 更方便，口径别混用。
前复权：一律 adjust="forward"，否则除权跳空会制造假的极端收益。

常见问题（FAQ）

Q：超额峰度大于 0 意味着什么？ A：意味着分布比正态”更尖、尾更厚”——大部分日子波动很小，但极端大涨大跌的概率明显高于正态预测，即”厚尾”。

Q：偏度正负代表什么？ A：偏度>0（右偏）表示大涨的极端值更突出，偏度<0（左偏）表示大跌更极端。本例茅台右偏、平安近似对称。

Q：怎么直观看分布？ A：用直方图 + 正态曲线叠加（matplotlib 画 ret 的 hist，叠加同均值方差的正态密度），或用 QQ 图，能直观看到厚尾偏离。

Q：需要付费吗？ A：单只标的 500 根日线在免费额度内即可试；多标的/长历史批量需 Starter 及以上，详见 AlphaFeed 定价页。

小结

分析收益率分布的核心结论是：股票收益不是正态分布，而是尖峰厚尾、常带偏度。这意味着基于正态的风险度量会低估极端风险。AlphaFeed 提供干净的前复权日线，让你几行算出均值/波动/偏度/峰度看清真相——记得确认峰度口径、注意极端值敏感，别再默认正态。