Day 07：综合复盘和模拟组会

综合实践 · 10_一周具体学习材料_2026-06-15/Day07_综合复盘和模拟组会.md

Day 07：综合复盘和模拟组会

今天目标

把前 6 天内容整合成一次 5 分钟口头汇报。

主题：

从尾部风险到统计建模：我如何用 AI 辅助跨专业学习

1. 先做快速复习

不看资料回答：

1. 极端事件是什么？
2. 尾部风险是什么？
3. VaR 和 Expected Shortfall 有什么区别？
4. p 值小不能说明什么？
5. 为什么回归需要模型诊断？
6. AI 如何帮助我拆作业？

2. 5 分钟汇报稿

大家好，我这周主要学习了极值、应用统计和 AI 协作的入门概念。

首先，我理解极值理论关注的是小概率但高影响的极端事件。普通统计经常看均值和方差，但如果研究目标是尾部风险，只看平均水平可能会低估风险。比如 VaR 可以告诉我们某个置信水平下的损失阈值，而 Expected Shortfall 进一步告诉我们超过阈值后的平均损失。

第二，在应用统计部分，我重点理解了假设检验、p 值和线性回归。p 值小并不等于结果有实际意义，也不等于因果关系成立。线性回归可以作为一个基准模型，但结果需要结合残差和模型诊断解释。

第三，我学习了如何用 AI 辅助完成作业。我的做法不是让 AI 直接写最终答案，而是先让它判断题目类型，再把作业拆成概念、公式、代码和报告四部分。AI 输出后，我会检查假设、代码、结论边界和是否存在过度解释。

我目前还没有完全掌握严格推导，但已经能识别问题类型，并能用 AI 和 Codex 辅助生成学习材料、notebook 和作业初稿。下一步我会继续补统计推断和 Python 实操。

3. 可能被追问的问题

1. VaR 是最大损失吗？

不是。VaR 是给定置信水平下的损失分位数，不代表超过这个阈值后不会继续亏损。

2. Expected Shortfall 比 VaR 多说明什么？

它说明超过 VaR 阈值之后，平均损失有多严重。

3. p 值小能说明因果吗？

不能。p 值只能说明在原假设下结果比较反常，不能直接说明因果关系。

4. 为什么线性回归只是基准模型？

因为它简单、可解释，适合作为第一步。但如果残差有结构或关系非线性，就需要更复杂模型。

5. 你如何使用 AI？

我用 AI 做概念解释、作业拆解、代码初稿和报告改写，但最终会人工核查假设、代码和结论边界。

4. 今日最终自测

请录音或自言自语完成：

• 3 分钟解释尾部风险。
• 2 分钟解释 p 值。
• 2 分钟解释线性回归为什么要诊断。
• 1 分钟解释 AI 如何帮你做作业。

5. 下周准备

下周建议进入：

• Python 数据分析。
• pandas 和 matplotlib。
• 回归 notebook。
• 论文摘要阅读。