在现代金融投资领域，衡量资金增值效率的工具繁多，但✦ 本站观点：对数收益率公式 ln(Pt/Pt-1) 更精准。如股价从 100 元涨至 110 元，简单收益为 10%，而对数收益仅约 9.53%。它具备可加性，是量化建模的首选工具。
对于每一位寻求长期稳健增长的投资者而言，掌握✦ 关键提示：本文深度解析对数收益率公式，阐述其数学本质与复利优势。通过计算实例对比传统收益，指导实战应用，助力科学资产配置与长期稳健投资。
对数收益率（Log Return），又称连续复利收益率，是指资产价格在两个时间点上的自然对数之差。其核心公式为：
这一指标将几何级数的增长转化为线性序列，使得不同时间段的收益可以直接相加，极大地简化了多期组合收益的计算过程。
许多初学者容易混淆✦ 关键提示：对数收益率将复利指数关系线性化，简化高频交易、期权定价及风险计算。它保留复利特征，把非线性问题转化为线性统计模型，是连接微观波动与宏观策略的关键工具。
与简单收益率（Simple Return）相比，对数收益率在跨期计算中具有不可替代的优势。例如，某资产第一天上涨 10%，第二天下跌 10%，简单收益率叠加后看似亏损 1%，但实际净值为 0.99，而对数收益率直接相加为 0，准确反映“先涨后跌”后净值未恢复原点的事实。
对数收益率计算主要应用于高频交易数据分析、期权定价模型（如 Black-Scholes 模型）、VaR（在险价值）计算以及投资组合绩效归因等高端金融场景。它是连接微观价格波动与宏观投资策略的桥梁。
要真正理解对数收益率公式，我们必须回溯到复利计算的底层逻辑。金融世界的财富积累往往遵循指数增长规律。假设初始本金为 A，经过 n 期后的终值为 B，若每期收益率为 r，则满足：
上述公式中，r 位于指数位置，这导致我们在反推历史收益率或预测未来趋势时，必须实施开方或对数运算，这在大数据环境下显得繁琐且容易产生误差。
通过对数变换（取自然对数 ln），我们可将复杂的指数关系简化为线性关系：
当时间间隔非常短（如日度、分钟度数据）时，根据泰勒展开式，ln(1+r) ≈ r。因此，我们定义的对数收益率实际上就是相邻两期价格比值的自然对数。这种转换不仅保留了复利的核心特征，还将非线性问题转化为了线性问题，使得统计分析和回归模型的应用成为可能。
| 简单收益率 r | ln(1+r) | 差值 |
|---|---|---|
| +1% | 0.0099503 | -0.0000497 |
| +5% | 0.0487902 | -0.0012098 |
| +10% | 0.0953102 | -0.0046898 |
| +20% | 0.1823216 | -0.0176784 |
| -10% | -0.1053605 | -0.0053605 |
可见，在涨跌幅较小时，对数收益率与简单收益率几乎一致；但当波动加剧时，差异迅速扩大。这解释了为何在高频交易中，微小误差的累积可能引发显著偏差。
理论终究必须实践的检验。为了帮助读者更好地掌握对数收益率公式，我们构建了以下三个典型场景，分别展示单日计算、多期累加及负收益情况下的处理方式。
确定期初价格 Pt-1 和期末价格 Pt。例如，某股票周一收盘价为 100 元，周二收盘价为 105 元。
运用计算器或 Excel 函数计算 ln(105/100)。即 ln(1.05)。
计算结果约为 0.04879。这意味着该股票周二的对数收益率为 4.879%。
对比简单收益率：(105 - 100)/100 = 5%，对数收益率略低，符合其“保守估计”特性。
假设你持有一只基金，过去三个月的月度价格分别为 100、110、105。我们需要计算这两个月的总收益。
注意，如果是简单收益率，你需要先算出两个月后的最终价格相对于初始价格的比率，然后开根号或做复杂换算。而对数收益率直接相加即可，体现了其卓越的时间可加性。
当期末价格低于期初价格时，比值小于 1，其自然对数为负值，代表亏损。
例如：某ETF从 80 元跌至 64 元：
即对数收益率为 -22.314%。注意其对称性：若从 64 元涨回 80 元：
涨跌幅度对称，而简单收益率下：下跌 20%，上涨需 +33.33% 才能回本——这正是对数收益率“对称性”的实践价值。
在普通投资者的日常交流中，大家习惯说“这只股票涨了 5%”，这指的是简单收益率。然而，在专业的量化研报、对冲基金风控系统中，对数收益率公式占据绝对主导地位。这并非故弄玄虚，而是基于以下深刻的统计学考量：
金融市场中的价格变动往往被建模为几何布朗运动（Geometric Brownian Motion）。在这一模型下，资产价格本身并不服从正态分布，但其对数收益率却高度近似于正态分布。这使得我们能够利用经典的统计学工具（如 Z-score、置信区间）来评估风险和概率。
在计算长期年化收益率时，如果使用简单收益率的算术平均值，往往会高估真实的复合回报能力。对数收益率的几何性质天然地平滑了波动率的影响，更接近投资者实际到手的复利体验。
| scenario | 简单收益率算术平均 | 对数收益率算术平均 | 年化复利收益 |
|---|---|---|---|
| +50%，-30% | +10% | +0.0953 | ≈9.0% |
| +100%，-50% | +25% | +0 | 0% |
| +20%，-20% | 0% | -0.0202 | -2.0% |
可见，简单收益率的算术平均严重偏离真实复利水平；而对数收益率的算术平均经简单变换后，可准确还原几何平均收益。
在回归分析中，对数收益率可直接作为因变量建模；在 GARCH 模型、VAR 模型中，对数收益率是标准输入。其线性特性使模型求解更稳定、结果更可解释。
A: 当然可以。当期末价格低于期初价格时，比值小于 1，其自然对数为负值，代表亏损。例如：价格从 120 元跌至 96 元，对数收益率为 ln(96/120) = ln(0.8) ≈ -0.223，即 -22.3%。
A: 在涨跌幅较小（如 ±5% 以内）时，对数收益率与简单收益率的差异微乎其微，几乎可以忽略不计。但在极端行情下，差异会显著拉大。例如：单日涨跌 20%，对数收益率为 ±18.23%，而简单收益率为 ±20%。
A: 在精确计算中，应将分红视为期间现金流，调整期末价格（加上分红金额）后再代入公式，即 r = ln((Pt + D)/Pt-1)；或单独计算红利收益率 D/Pt-1，并与资本利得收益率 ln(Pt/Pt-1) 相加。
A: 因为 BS 模型假设股价服从几何布朗运动，即 ln(St/S0) ~ N(μt, σ²t)。该假设下，对数收益率服从正态分布，使期权定价可解析求解。若使用简单收益率，模型将失去数学可处理性。
A: 可以，且是标准做法。组合的对数收益率为各资产权重与对数收益率的乘积之和（当权重固定时）。但需注意：若动态调仓，需使用连续复利积分形式；日常分析中，用加权平均近似即可。
更新了 Excel 计算模板下载，新增自动年化、波动率与夏普比率计算模块
新增对数收益率在加密货币领域的案例分析：BTC 日度数据波动建模
发布“简单收益率 vs 对数收益率”深度对比图表，含 10 种典型行情模拟