国内金价破 1000，「涨了多少」和「该买多少」是数学问题

国内金价刚破 1000 元/克，但「涨了多少」和「该买多少」是两门数学

一条新闻，把我们领进三门数学

8 月 24 日那天，我刷朋友圈看到三件事：

第一条是「国内金价首次破 1000 元/克」的推送，配图是上海黄金交易所的收盘截图，显示 1004.21 元/克。
第二条是同事在群里说「黄金这么猛，我加仓了」。
第三条是另一个人在底下回：「涨了这么多，要不要追？买多少合适？」

这三个问题不是同一个问题。第一个问的是「涨了多少」，第二个问的是「明天还会涨吗」，第三个问的是「我该买多少」。第一个是积分的活儿，第二个是泰勒展开的活儿，第三个是带约束优化的活儿。

下面我就拿真实数据，一门一门地把它们拆开。

数据来源：上海黄金交易所 Au99.99 收盘价（2026-07-21 至 2026-08-24，共 25 个交易日，逐日公开），以及过去几年的年均价（约）。每张图都用 Python 从 CSV 重新画，可复现。

1.怎么算「涨了多少」

我从上金所拉了 7 月 21 日到 8 月 24 日共 25 个交易日的逐日 Au99.99 收盘价。长周期的对照锚点用过去几年的年均价。先看一眼全貌：

上半张是 2022 → 2025 的年均价，外加 2026 年截至 8 月 24 日的收盘快照。四年前均价 398，今年冲到 1004，整整翻了 2.5 倍。下半张是这一个多月的逐日线，前两周在 880 上下晃，从 8 月初开始加速，8 月 24 日收盘终于破千。

别把每天的涨幅简单加起来

这段时间到底涨了多少,最直觉的算法是把每天的日收益（今天除以昨天减 1）一路加总。

我跑了一遍：
$真实累计涨幅=1004.21÷886.95−1=13.22真实累计涨幅 = 1004.21 ÷ 886.95 − 1 = 13.22%$ 真实累计涨幅=1004.21÷886.95−1=13.22

7/21 收盘 886.95 元，8/24 收盘 1004.21 元。。
但如果把每天的日收益简单相加，得到的是 12.60%。
差了 0.62 个百分点，看上去不大，可方法上是错的。

因为「加日收益」忽略了一件小事：今天赚的 1%，明天也是按今天涨完之后的本金再算的，也就是常说的复利。正确的做法是把每一天的收益真正"攒"起来，得用对数收益：

每天算一个 $ln(今天÷昨天)ln(今天 ÷ 昨天)$ ln(今天÷昨天)，一路累加。

图里那两条线，简单相加是 12.60%，对数收益求和转回来恰好是 13.22%，和真实累计一模一样。

这就是牛顿-莱布尼茨公式的离散版本。连续微积分里有一条：
$∫(P′/P)dt=lnP+C∫ (P'/P) dt = ln P + C$ ∫(P′/P)dt=lnP+C

累计量等于「相对变化率」的积分。换成离散，就是:
$「每天的相对变化」=对数收益ln(Pt/ Pt−1 )「每天的相对变化」= 对数收益ln(P_t / P_{t-1})$ 「每天的相对变化」=对数收益ln(Pt/Pt−1)

一路加总 = ln(真实累计比)，再 exp 回来 = 真实累计涨幅。

三百年这条公式解决的就是这类「把变化攒成总量」的问题。黄金的逐日涨跌，只是它的一份应用题。所以: 算累计收益，先把每天的涨幅取对数再相加，再取指数。这才是精确版本。

2.怎么猜「明天还会涨吗」

每天收盘，你会拿到三个数：今天的价格、昨天到今天的涨幅、过去几天的趋势。朴素做法是"昨天涨了 X%，明天大概也涨 X%"，也就是用一个固定斜率往明天平推。

数学上有个更体面的写法，叫泰勒展开。挑一个「展开点」 $t0=8月12日 t₀ = 8 月 12 日$ t0=8月12日，在那一点附近，把价格 P(t) 写成：
$P(t0+h)≈P(t0)+P′(t0) h+ 12! P′′(t0) h2+ 13! P′′(t0) h3+⋯ P(t_0 + h) \approx P(t_0) + P'(t_0)\,h + \tfrac{1}{2!}P''(t_0)\,h^2 + \tfrac{1}{3!}P''(t_0)\,h^3 + \cdots$ P(t0+h)≈P(t0)+P′(t0)h+2!1P′′(t0)h2+3!1P′′(t0)h3+⋯

每一阶项的分母里都藏着一个阶乘 n!。0 阶是常数，1 阶是线性，2 阶开始抓曲率，3 阶抓曲率的变化。阶越高，分母的阶乘越大，远处那一项衰减得越快。这就是为什么"阶越多、展开点附近越准，但远距离不一定更稳"。

我拿真实的 8 月 12 日算了一下：

当天收盘 $P0=955.75元 P₀ = 955.75 元$ P0=955.75元。
一阶斜率 $P′=(949.24−946.70)/2≈1.27元/天（轻微上行）P′ = (949.24 − 946.70) / 2 ≈ 1.27 元/天（轻微上行）$ P′=(949.24−946.70)/2≈1.27元/天（轻微上行）。
二阶曲率 $P″=949.24−2×955.75+946.70≈−15.56（轻微下凹，也就是拐弯朝下）P″ = 949.24 − 2 × 955.75 + 946.70 ≈ −15.56（轻微下凹，也就是拐弯朝下）$ P″=949.24−2×955.75+946.70≈−15.56（轻微下凹，也就是拐弯朝下）。

把这三个数代回去，看 8 月 12 日往后 ±2 天，0/1/2 阶泰勒分别说什么：

0 阶是一条平直的黄点线：明天还是 955.75 元。
1 阶是一条倾斜的蓝虚线：明天 957.02 元，后天 958.29 元，直线往上爬。
2 阶是一条带弯曲的绿点划线：在 8 月 13 日几乎完美贴合实际（绿点和黑点重合在 949.24），但到 8 月 14 日就被拉到了 927 元附近，跟实际 940.72 元明显脱钩。图 3：在 8/12 处做泰勒展开，向左右 ±2 天展示 0/1/2 阶逼近曲线，分母的 0!/1!/2! 标注在图例里。

真相是：8 月 13 日金价小幅下跌，8 月 14 日又继续小幅下跌，和朴素"线性外推往上走"的方向完全相反。一阶泰勒在拐弯处立刻走偏；二阶在展开点附近贴合得很好（这是泰勒的本性），但远离展开点就开始飘了。

这件事的实操启示

我并不打算用泰勒来预测明天金价。但它告诉我两件事：第一，"看斜率就押方向"的朴素预测，遇到拐弯就翻车，一周前的趋势不是后一周的剧本。第二，越靠近今天的信息越值钱，越远越贬值。这正好就是阶乘 n! 替我们做的事，它把远处的不可靠悄悄压低了。

3.怎么定「该买多少」

把"追涨"翻译成一个数学题

光知道涨了 13% 不够用，到底买不买、买多少？直觉的回答是"涨了加仓、跌了减仓"。但这个直觉没法对抗一个事实：你永远不知道明天是涨是跌。

一个更稳的思路是把"买多少"当成一道带约束的优化题：

在「我想赚 X%」的目标下，把波动压到最小。

波动（风险）用什么量？两个资产组合的方差有现成公式：
$σp2=w2σg2+(1−w)2σs2+2w(1−w)ρ σgσs \sigma_p^2 = w^2\sigma_g^2 + (1-w)^2\sigma_s^2 + 2w(1-w)\rho\,\sigma_g\sigma_s$ σp2=w2σg2+(1−w)2σs2+2w(1−w)ρσgσs

我们要做的，是在「收益达到某个目标」的约束下，让 σₚ² 取最小。这正是拉格朗日乘子法登场的地方：给约束乘一个系数 λ，再联立求导，最后写出闭式解。

我用真实黄金数据算了一次。先把每个参数摆清楚

这两类资产我只演示方法，不构成任何投资建议：

黄金：用 7/21 到 8/24 这 25 个交易日折算出年化收益 ≈ 130.4%、年化波动 ≈ 18.4%。注意这是把一个月出头当一年来年化，现实中不会持续，仅作示例。
股票指数：用一组假设参数：年化收益 8%、年化波动 18%、与黄金的相关性 0.1（低相关，避险资产的常见设定）。

蓝色那条弯成"香蕉形"的曲线就是两资产有效前沿，把权重 w 从 0 调到 1，每一个组合在「年化波动 σₚ」和「年化收益 μₚ」平面上都对应一个点，能取到的最优组合连起来就是这条曲线。绿星标的就是最小方差组合点，黄金权重 w* ≈ 0.487，约一半黄金、一半股票。

把这条曲线翻译成大白话：

想要更高的年化收益，就得接受更大的波动，没有"高收益低风险"的免费午餐；
想把波动压到最小，就得到绿星那个组合，约五五开；
黄金和股票相关性低（ρ = 0.1），意味着两个资产的涨跌不太同步，这就是黄金在组合里值钱的原因，它让你能拿到"同样的收益、更低的波动"，或"同样的波动、更高的收益"。

拉格朗日乘子法并不是帮你预测金价，而是帮你回答一个更实际的问题：在不知道明天涨不涨的前提下，手里这点钱该按什么比例放进不同资产。它不能让你不亏钱，但能让你的风险结构变得清楚。

总结一下

标题里我问了两个问题：

涨了多少，上个月真实涨幅是 13.22%，但更关键的是怎么算：把每天的对数收益加总，再取指数。这条路叫牛顿-莱布尼茨的离散版本，原理就是把"每天的变化率"攒成"总累计量"。
该买多少，没有万能答案，但怎么想：把"想赚多少"翻译成"在某个收益目标下把波动压到最小"，由拉格朗日乘子法给出闭式组合。这条路把"拍脑袋"换成了"算清楚"。

明天还会涨吗，泰勒展开告诉我的是一件更诚实的事：我们手里的信息越远越贬值，阶乘 n! 已经替我们把那种不可靠悄悄压低了,根据我们现有的信息来预测往往是不靠谱的.

金价破千也许是一时的，但它把我们领进的这三门数学，是处理任何时间序列、任何不确定未来的通用工具。

如果大家有更好的计算方法，或者有关于数学知识的新理解，欢迎评论区讨论哦。写文不易，三连支持下作者吧，你是大好人。

方法与可复现

代码：make_gold_figures.py（matplotlib + numpy，受管 venv 跑）。依赖：matplotlib、numpy。

python 复制代码

# -*- coding: utf-8 -*-
import csv
from datetime import datetime
import numpy as np
import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
from matplotlib import font_manager as fm

# ---------- 字体 ----------
FONT = "Heiti SC"
if not any(f.name == FONT for f in fm.fontManager.ttflist):
    FONT = "PingFang SC"
plt.rcParams["font.family"] = FONT
plt.rcParams["axes.unicode_minus"] = False
plt.rcParams["font.size"] = 12

# ---------- Okabe-Ito 色盲安全配色 ----------
C = {
    "orange": "#E69F00", "sky": "#56B4E9", "green": "#009E73",
    "yellow": "#F0E442", "blue": "#0072B2", "verm": "#D55E00",
    "purple": "#CC79A7", "black": "#000000",
}

BASE = "运行结果存放路径"

def load_daily():
    dates, closes = [], []
    with open(f"数据文件路径1", encoding="utf-8-sig") as f:
        for row in csv.DictReader(f):
            dates.append(datetime.strptime(row["date"], "%Y-%m-%d"))
            closes.append(float(row["close_yuan_per_g"]))
    return np.array(dates), np.array(closes, float)

def load_annual():
    yrs, avgs, notes = [], [], []
    with open(f"数据文件路径2", encoding="utf-8-sig") as f:
        for row in csv.DictReader(f):
            yrs.append(int(row["year"])); avgs.append(float(row["avg_yuan_per_g"]))
            notes.append(row["note"])
    return np.array(yrs), np.array(avgs, float), notes

def style(ax):
    ax.spines["top"].set_visible(False); ax.spines["right"].set_visible(False)
    ax.grid(True, alpha=0.25, lw=0.6)
    ax.tick_params(length=0)

dates, P = load_daily()
yrs, avgs, _ = load_annual()

# =====================================================================
# fig1：金价破千全景（上：长周期年均；下：逐日 7/21--8/24 标出千元线）
# =====================================================================
fig, (a1, a2) = plt.subplots(2, 1, figsize=(8, 7), dpi=150)
fig.subplots_adjust(hspace=0.32, left=0.10, right=0.95, top=0.93, bottom=0.07)

# 上：长周期年均
a1.plot(yrs, avgs, "-o", color=C["verm"], lw=2.4, ms=7, zorder=3)
for x, y in zip(yrs, avgs):
    a1.annotate(f"{y:.0f}", (x, y), textcoords="offset points", xytext=(0, 9),
                ha="center", fontsize=10, color=C["black"])
a1.axhline(1000, color=C["purple"], ls="--", lw=1.4)
a1.annotate("1000 元/克", (yrs[-1], 1000), color=C["purple"], fontsize=9,
             xytext=(-4, -12), textcoords="offset points", ha="right")
a1.set_title("上金所 Au99.99 年均价：四年爬坡，2026 破千", fontsize=13, weight="bold")
a1.set_ylabel("元/克")
a1.set_xticks(yrs)
a1.set_ylim(300, 1120)
style(a1)

# 下：逐日
a2.plot(dates, P, "-o", color=C["blue"], lw=2.2, ms=4, zorder=3, label="Au99.99 收盘")
a2.axhline(1000, color=C["purple"], ls="--", lw=1.4, label="1000 元/克")
i_break = int(np.argmax(P >= 1000))
a2.scatter([dates[i_break]], [P[i_break]], color=C["verm"], s=90, zorder=5)
a2.annotate(f"8/24 收盘 {P[i_break]:.2f}\n国内首次破千", (dates[i_break], P[i_break]),
             xytext=(-10, -42), textcoords="offset points", ha="right", fontsize=9.5,
             color=C["verm"], arrowprops=dict(arrowstyle="-", color=C["verm"], lw=1))
a2.set_title("2026 年 7/21--8/24 逐日收盘：从 887 冲到 1004", fontsize=13, weight="bold")
a2.set_ylabel("元/克"); a2.set_ylim(860, 1030)
a2.tick_params(axis="x", rotation=0)
import matplotlib.dates as mdates
a2.xaxis.set_major_formatter(mdates.DateFormatter("%m/%d"))
a2.legend(frameon=False, loc="lower right")
style(a2)
fig.savefig(f"图片路径1", dpi=300)
print("fig1 done")

# =====================================================================
# fig2：日收益 → 累计（牛顿莱布尼茨离散版 / 对数收益）
# =====================================================================
simp_ret = P[1:] / P[:-1] - 1.0                 # 简单日收益率
log_ret = np.log(P[1:] / P[:-1])               # 对数日收益率
cum_simple = np.cumsum(simp_ret)               # 简单相加（会高估）
cum_log = np.cumsum(log_ret)                   # 对数相加 = 真实累计对数收益
true_cum = P[-1] / P[0] - 1.0                   # 真实累计涨幅
print(f"真实累计涨幅 = {true_cum*100:.2f}%  简单相加={cum_simple[-1]*100:.2f}%  "
      f"对数求和转回={ (np.exp(cum_log[-1])-1)*100:.2f}%")

fig, (b1, b2) = plt.subplots(2, 1, figsize=(8, 7), dpi=150)
fig.subplots_adjust(hspace=0.32, left=0.10, right=0.95, top=0.93, bottom=0.07)
xd = dates[1:]
b1.bar(xd, simp_ret * 100, color=C["sky"], width=0.6, zorder=2)
b1.axhline(0, color=C["black"], lw=0.8)
b1.set_title("每天涨多少？日收益率（变化率的快照）", fontsize=13, weight="bold")
b1.set_ylabel("日收益率 %")
b1.xaxis.set_major_formatter(mdates.DateFormatter("%m/%d"))
style(b1)

b2.plot(xd, cum_simple * 100, "-o", color=C["orange"], lw=2, ms=3,
        label=f"简单日收益相加 = {cum_simple[-1]*100:.2f}%")
b2.plot(xd, (np.exp(np.cumsum(log_ret)) - 1) * 100, "-o", color=C["green"], lw=2.2, ms=3,
        label=f"对数收益求和转回 = {(np.exp(cum_log[-1])-1)*100:.2f}%")
b2.axhline(true_cum * 100, color=C["purple"], ls="--", lw=1.4,
           label=f"真实累计 = {true_cum*100:.2f}%")
b2.set_title("攒起来涨多少？简单相加是近似，对数收益求和才精确", fontsize=13, weight="bold")
b2.set_ylabel("累计涨幅 %"); b2.legend(frameon=False, fontsize=9.5)
b2.xaxis.set_major_formatter(mdates.DateFormatter("%m/%d"))
style(b2)
fig.savefig(f"图片路径2", dpi=300)
print("fig2 done")

# =====================================================================
# fig3：泰勒逐阶逼近（在 8/12 处展开，向左右外推 ±2 天）
# 说明：n 阶项分母有个 n!（0!=1, 1!=1, 2!=2）逐项出现；
#       阶越高、展开点附近贴合越好，远处仍会偏（这是泰勒的本性）。
# =====================================================================
t = np.arange(len(P))
t0 = int(np.where((dates == datetime(2026, 8, 12)))[0][0])
P0 = P[t0]
P1 = (P[t0 + 1] - P[t0 - 1]) / 2.0
P2 = (P[t0 + 1] - 2 * P[t0] + P[t0 - 1])
print(f"t0=8/12  P0={P0:.2f}  P'={P1:.3f}  P''={P2:.3f}")

# h ∈ [-2, +2]，5 个点，看清"展开点附近谁更准"
left, right = 2, 2
tt = np.arange(t0 - left, t0 + right + 1)
PP = P[tt]
hh = tt - t0
T0 = np.full_like(hh, P0, float)
T1 = P0 + P1 * hh
T2 = P0 + P1 * hh + P2 * hh**2 / 2.0

fig, ax = plt.subplots(figsize=(8, 5.2), dpi=150)
fig.subplots_adjust(left=0.11, right=0.95, top=0.91, bottom=0.11)
ax.plot(tt, PP, "-o", color=C["black"], lw=2.6, ms=6, zorder=5, label="实际金价")
ax.plot(tt, T0, color=C["orange"], lw=1.8, ls=":", label="0 阶（常数，÷0!）")
ax.plot(tt, T1, color=C["sky"], lw=2.0, ls="--", label="1 阶（线性，÷1!）")
ax.plot(tt, T2, color=C["green"], lw=2.0, ls="-.", label="2 阶（含曲率，÷2!）")
ax.axvline(t0, color=C["verm"], ls=":", lw=1.2)
ax.annotate("展开点 8/12", (t0, P0), color=C["verm"], fontsize=10,
             xytext=(8, 14), textcoords="offset points")
ax.annotate("线性外推走偏", (t0 + 1, T1[left + 1]),
             xytext=(8, 14), textcoords="offset points", fontsize=9, color=C["sky"],
             arrowprops=dict(arrowstyle="-", color=C["sky"], lw=0.8))
ax.annotate("二阶在展开点\n附近贴合", (t0 + 1, T2[left + 1] - 0.5),
             xytext=(8, -42), textcoords="offset points", fontsize=9, color=C["green"],
             arrowprops=dict(arrowstyle="-", color=C["green"], lw=0.8))
ax.set_title("只知道当下金价+斜率，怎样预判明天？泰勒展开逐阶逼近",
             fontsize=12.5, weight="bold")
ax.set_ylabel("元/克")
labels = [dates[int(i)].strftime("%m/%d") for i in tt]
ax.set_xticks(tt); ax.set_xticklabels(labels)
ax.set_ylim(910, 970)
ax.legend(frameon=False, fontsize=9.5, loc="lower center")
style(ax)
fig.savefig(f"图片路径3", dpi=300)
print("fig3 done")

# =====================================================================
# fig4：两资产风险-收益前沿（拉格朗日求最小方差组合）
# =====================================================================
# 黄金：基于 7/21--8/24 窗口的真实测算（年化，仅示例）
mu_g = float(np.mean(log_ret) * 252)
sig_g = float(np.std(log_ret, ddof=1) * np.sqrt(252))
# 股票指数：示例参数（明确标注，非真实推荐）
mu_s, sig_s, rho = 0.08, 0.18, 0.10
print(f"黄金(窗口测算) 年化收益≈{mu_g*100:.1f}%  年化波动≈{sig_g*100:.1f}%")
w = np.linspace(0, 1, 201)
sig_p = np.sqrt(w**2 * sig_g**2 + (1 - w)**2 * sig_s**2 + 2 * w * (1 - w) * rho * sig_g * sig_s)
mu_p = w * mu_g + (1 - w) * mu_s
# 全局最小方差组合（拉格朗日闭式）
w_min = (sig_s**2 - rho * sig_g * sig_s) / (sig_g**2 + sig_s**2 - 2 * rho * sig_g * sig_s)
i_min = int(np.argmin(sig_p))
print(f"最小方差组合 黄金权重 w* = {w_min:.3f}")

fig, ax = plt.subplots(figsize=(8.4, 5.6), dpi=150)
fig.subplots_adjust(left=0.12, right=0.95, top=0.92, bottom=0.11)
ax.plot(sig_p * 100, mu_p * 100, color=C["blue"], lw=2.4, zorder=3, label="两资产有效前沿")
ax.scatter([sig_g * 100], [mu_g * 100], color=C["verm"], s=80, zorder=5)
ax.annotate("黄金", (sig_g * 100, mu_g * 100), xytext=(8, -4),
             textcoords="offset points", fontsize=10, color=C["verm"])
ax.scatter([sig_s * 100], [mu_s * 100], color=C["orange"], s=80, zorder=5)
ax.annotate("股票指数（示例）", (sig_s * 100, mu_s * 100), xytext=(-8, 10),
             textcoords="offset points", fontsize=10, color=C["orange"], ha="right")
ax.scatter([sig_p[i_min] * 100], [mu_p[i_min] * 100], color=C["green"], s=140, zorder=6,
            marker="*")
ax.annotate(f"最小方差组合\n黄金 {w_min*100:.0f}% / 股票 { (1-w_min)*100:.0f}%",
             (sig_p[i_min] * 100, mu_p[i_min] * 100), xytext=(14, -8),
             textcoords="offset points", ha="left", fontsize=9.5, color=C["green"])
ax.set_title("想赚 X%，怎样把波动压到最小？带约束求最优（拉格朗日）", fontsize=12.5, weight="bold")
ax.set_xlabel("年化波动（风险） %"); ax.set_ylabel("年化收益（目标） %")
ax.legend(frameon=False, loc="lower center", fontsize=9.5, bbox_to_anchor=(0.5, 0.02))
style(ax)
fig.savefig(f"图片路径4", dpi=300)
print("fig3 done" if False else "fig4 done")
print("ALL FIGURES SAVED")