简单收益率还是对数收益率：选择标准不是“哪个更专业”

💡

核心结论 简单收益率与对数收益率对单期价格变化包含完全相同的信息，真正的差别不在“谁更真实”，而在如何聚合以及损失函数最终让模型估计什么。跨时间建模时，对数收益率更方便；跨资产加权、计算 PnL 与回测净值时，简单收益率更自然。短周期下二者数值接近，但统计含义仍不能混用。

一、为什么需要区分两种收益率？

价格从变到，只有一条财富变化路径，却可以用不同坐标表达。问题不在于哪种表达“更高级”，而在于研究任务需要什么运算结构。

收益率至少承担三种不同工作：

跨时间累计：把多个时段连接成一段完整持有期；

跨资产聚合：把多只资产合成为一个组合；

作为预测目标：与 MSE、MAE、排序损失等函数共同定义模型要估计的统计量。

朴素做法是因为对数收益率“可加”就一律使用它，或因为简单收益率“等于实际赚的钱”就完全排斥前者。两种做法都忽略了任务结构。

一句话定位：对数收益率简化时间聚合，简单收益率保持资金与组合的线性含义；进入预测模型后，还必须连同损失函数一起选择。

二、两种收益率到底差在哪里？

1. 定义：同一信息的两种坐标

设资产价格始终为正，定义：

符号	含义
	时点的价格或复权净值
	简单收益率（simple return）
	对数收益率（log return）
	期初资产的组合权重
	时点可用的信息集

简单收益率为：

对数收益率为：

二者存在严格的一一映射：

因此，单期内从改成不会创造任何新信息，只是改变了信息的坐标系。定义域也必须明确：，且。对可能为零或负数的价差、利率等序列，不能直接套用对数收益率；股票研究还应使用正确复权或包含分红的总回报序列，否则两种定义都会把公司行动误当成收益。

当收益很小时，Taylor 展开给出：

所以，差异从二阶项开始。简单收益为时，两者只差约；简单收益为时，差约。这解释了为什么高频、日内等短周期研究中，两种定义通常不会单独改变结论。

2. 聚合方向决定谁更自然

跨时间：对数收益率相加

对同一资产从到，简单收益率必须复合：

对数收益率则直接相加：

两条路径严格等价：

因此，对数收益率适合 log-price 差分、时间序列建模、波动率估计和跨期运算。它的优势是表示方便，不是产生了另一种“更正确”的累计收益。

跨资产：简单收益率线性加权

若是期初权重、，且期内没有外部现金流，那么单期组合收益严格满足：

组合的对数收益应先形成组合简单收益，再取对数：

一般而言：

这条边界极其重要：对数收益率沿时间可加，但不能沿资产权重直接相加。 若组合动态调仓，应先逐期按当期权重计算组合简单收益，再连接净值路径。

3. 进入预测模型后，关键是“目标变量 × 损失函数”

MSE：两种目标对应不同的条件均值

用 MSE 预测简单收益率，理论最优点预测为：

它直接对应一单位资本的条件期望收益。若最终策略近似满足，这个目标具有清晰的经济含义。

用 MSE 预测对数收益率，理论最优解则是：

由于 Jensen 不等式：

二阶近似进一步揭示了差异：

也就是说，用 MSE 预测对数收益率，不只是“压缩极端值”，还把条件波动率带入了预测对象。Hudson 与 Gregoriou 的研究也表明，一组样本的平均 log return 通常低于平均 simple return，差额与收益方差直接相关。若真正关心，但尾部样本影响训练，更稳妥的做法通常是保留 simple target，再使用 Huber loss、合理缩尾、样本权重或波动率标准化。

若进一步假设：

那么是简单收益率的条件中位数，而条件均值是：

因此，若选择在 log 空间建模完整分布，就必须把条件方差一并纳入逆变换。

排序、方向与分位数：单调性保留了什么？

因为在上严格单调递增，所以：

由此得到三个结论：

对同一批真实标签，simple 与 log 的 RankIC 完全相同；

涨跌方向标签完全相同；

条件分位数可通过单调变换严格对应：

但要注意：若分别用 MSE 训练 simple target 与 log target，再比较模型预测值的 RankIC，两者不保证相同。标签排序虽然没变，模型逼近的却分别是与。

Pearson IC、OLS 和 MSE 也不具有单调变换不变性，因此通常会随 target 改变。

4. 三个常见误区

误区一：log return 更接近真实收益。 不是。账户从 100 变成 110，简单收益率是，对数收益率是；二者描述同一财富变化。前者更适合报告 PnL，后者更适合连续复利与时间聚合。

误区二：log transform 会让收益服从正态分布。 不会。金融收益中的厚尾、偏度、波动率聚集与跳跃不会因为取对数自动消失。

误区三：短周期下二者接近，所以可以混用。 数值接近只意味着近似误差小，不意味着统计含义相同。标签定义、训练损失、预测逆变换和回测口径仍应保持一致。

实证上，target 转换通常影响有限，但并非永远无关。Goyal、Welch 与 Zafirov 在大规模股权溢价预测复核中发现，在其检验的众多预测变量里，平均相关性（average correlation）是唯一一个改用 simple return 后明显改善的变量。这提醒我们：当特征与条件波动率、偏度或尾部有关时，二阶项未必只是噪声。

5. 实务选择表

任务	默认选择	原因
组合收益、PnL、回测净值、业绩报告	Simple	保留资金含义，单期可按资产权重线性聚合
单资产跨期累计	Log 更方便	跨时间可加；最终再精确转回 simple
GARCH、log-price 差分、时间序列建模	通常 Log	数学表达与时间聚合更自然
用 MSE 预测 expected return	优先 Simple	直接逼近
RankIC、ranking loss、方向分类	两者均可	标签的排序与符号严格不变
MAE、分位数回归、pinball loss	两者均可	分位数在单调变换下可精确对应
完整条件分布预测	两者均可	关键是完整、正确地做分布变换
高频或极短周期	差异通常可忽略	二者差异为二阶量，但口径仍需统一
长周期或高波动资产	必须严格区分	复利、方差拖累与分布形状差异会被放大

Farago 与 Hjalmarsson 对长期股票收益的研究进一步说明：持有期拉长后，复利会显著改变 simple return 的偏度和分布形状，此时不能再依赖短周期近似。

三、三个精简案例

案例一：先涨 10%，再跌 10%

简单收益率不能直接相加：

对数收益率可以相加：

再转回简单收益率仍是：

结论： log 的可加性只是更方便地计算同一条财富路径。

案例二：两只资产各持有 50%

若资产 A 收益，资产 B 收益，则组合收益为：

若错误地加权两只资产的 log return，再转回 simple，得到约，并不等于真实组合收益。

结论： 横截面组合必须先按简单收益率聚合。

案例三：相同期望收益，不同波动率

假设两只资产都有：

但条件波动率分别为与。忽略三阶以上项后：

高波动资产受到的 variance drag 更大，因此两者的 expected log return 明显不同，甚至可能一正一负。

结论： 用 MSE 预测 log return，会把收益与条件风险混合进同一个点目标；它并不等价于预测 expected PnL。

[!tip] 最终判断顺序 1. 先问输出是否直接对应资金、组合或 PnL：是，则优先 simple。
2. 再问是否主要沿时间连接单资产：是，则 log 往往更方便。
3. 如果它是模型 target，必须继续问损失函数在估计均值、中位数、分位数还是排序。
4. 最后才考虑短周期近似、数值稳定性与工程便利。

真正需要记住的不是“log 还是 simple”，而是：收益率定义、聚合方向和损失函数必须共同服务于同一个经济目标。

参考文献

Attilio Meucci, Linear versus Compounded Returns: Common Pitfalls in Risk and Portfolio Management, 2010.

Robert S. Hudson & Andros Gregoriou, Calculating and Comparing Security Returns Is Harder Than You Think, International Review of Financial Analysis, 2015.

Adam Farago & Erik Hjalmarsson, Long-Horizon Stock Returns Are Positively Skewed, Review of Finance, 2023.

Amit Goyal, Ivo Welch & Athanasse Zafirov, A Comprehensive 2022 Look at the Empirical Performance of Equity Premium Prediction, The Review of Financial Studies, 2024.

🔗

https://mp.weixin.qq.com/s/zZEnWCTFasbcxy9WUQPGTQ