套利定价理论高频面试题：3分钟吃透原理与代码实现
面试被问套利定价理论原理答不上来？别慌，这其实是量化岗的高频面试题。很多候选人死记硬背公式，却不懂背后的代码逻辑，一追问细节就露馅。
项目目标
套利定价理论（APT）是资产定价的基石，但传统教程只讲公式。本文从零搭建一个可运行的APT模型，用Python实现单因子和多因子套利策略。
目标很明确：理解APT的核心假设与定价方程
用代码复现因子暴露与预期收益率计算
构建无套利组合，验证理论在真实数据中的表现
掌握面试中常被追问的细节与边界条件这不是纸上谈兵，而是能跑通的实战项目。面试官问APT和CAPM区别时，你能掏出代码演示，印象分直接拉满。
目录结构
项目结构清晰，便于复现与扩展：
apt-arbitrage/
├── data/
│ └── sample_prices.csv # 模拟价格数据
├── src/
│ ├── __init__.py
│ ├── apt_model.py # APT核心模型
│ ├── factor_exposure.py # 因子暴露计算
│ └── portfolio.py # 组合构建与优化
├── tests/
│ └── test_apt.py # 单元测试
├── main.py # 入口脚本
└── requirements.txt # 依赖管理每个模块职责单一：apt_model.py 封装定价方程与参数估计
factor_exposure.py 处理因子载荷（β）的计算
portfolio.py 实现无套利组合的权重优化
main.py 串联整个流程，便于调试这种结构在面试中体现工程思维，比堆砌代码更有说服力。
核心代码实现
1. 因子暴露计算
因子暴露是APT的核心输入。我们用回归方法估计每个资产对各因子的β值。
# src/factor_exposure.py
import numpy as np
import pandas as pddef compute_factor_exposures(asset_returns: pd.DataFrame, factor_returns: pd.DataFrame) - pd.DataFrame:计算资产对因子的暴露系数（β）参数:asset_returns: 资产收益率矩阵，shape=(T, N)factor_returns: 因子收益率矩阵，shape=(T, K)返回:beta_matrix: 因子暴露矩阵，shape=(N, K)# 添加常数项用于截距估计factor_with_const = pd.concat([pd.Series(1, index=factor_returns.index), factor_returns], axis=1)# 对每个资产进行OLS回归betas = []for i in range(asset_returns.shape[1]):y = asset_returns.iloc[:, i].valuesX = factor_with_const.values# 正规方程求解：β = (X'X)^(-1) X'ybeta = np.linalg.lstsq(X, y, rcond=None)[0]betas.append(beta)# 转置为(N, K+1)矩阵，第一列是截距beta_matrix = np.array(betas).Treturn pd.DataFrame(beta_matrix, index=asset_returns.columns, columns=['intercept'] + list(factor_returns.columns))逐行讲解：第8行：添加常数项，用于估计截距（α），这是检验套利机会的关键
第15行：np.linalg.lstsq 使用最小二乘法求解，比手动求逆更稳定
第18行：截距α理论上应接近零，若显著不为零，说明存在定价偏差2. APT定价模型
APT的核心方程：E(R_i) = R_f + β_i1 * λ_1 + β_i2 * λ_2 + ... + β_iK * λ_K
# src/apt_model.py
import numpy as np
from typing import Tupleclass APTModel:def __init__(self, risk_free_rate: float = 0.0):初始化APT模型参数:risk_free_rate: 无风险利率，默认为0（简化计算）self.rf = risk_free_ratedef expected_return(self, beta_vector: np.ndarray, factor_premiums: np.ndarray) - float:计算单个资产的预期收益率参数:beta_vector: 该资产的因子暴露向量，shape=(K,)factor_premiums: 因子风险溢价向量，shape=(K,)返回:预期收益率# 核心定价方程：E(R) = Rf + β'λreturn self.rf + np.dot(beta_vector, factor_premiums)def arbitrage_check(self, asset_returns: pd.Series, betas: pd.DataFrame, factor_premiums: np.ndarray, tolerance: float = 0.01) - bool:检查是否存在套利机会参数:asset_returns: 实际观测收益率betas: 因子暴露矩阵factor_premiums: 因子风险溢价tolerance: 允许的误差范围返回:是否存在显著套利机会（True/False）# 计算APT理论预期收益率predicted = self.rf + betas.drop(columns=['intercept']).values @ factor_premiums# 计算残差：实际 - 理论residuals = asset_returns - predicted# 若残差绝对值超过容差，认为存在套利机会return np.any(np.abs(residuals) tolerance)关键细节：第18行：np.dot 高效计算向量内积，避免循环
第32行：drop(columns=['intercept']) 剔除截距，只保留因子β
第38行：容差机制防止数值噪声误判，面试中常问如何设定合理容差3. 无套利组合构建
构建无套利组合的核心：零净投资、零因子暴露、正预期收益。
# src/portfolio.py
import numpy as np
from scipy.optimize import minimizedef construct_arbitrage_portfolio(betas: pd.DataFrame, factor_premiums: np.ndarray, asset_returns: pd.Series) - np.ndarray:构建无套利组合权重参数:betas: 因子暴露矩阵，shape=(N, K+1)factor_premiums: 因子风险溢价asset_returns: 资产收益率返回:最优权重向量，shape=(N,)N = len(asset_returns)# 定义目标函数：最大化预期超额收益def objective(weights: np.ndarray) - float:# 净投资约束：权重和为0net_investment = np.sum(weights)if abs(net_investment) 1e-6:return -1e10 # 惩罚违反约束# 因子暴露约束：组合对每个因子的暴露为0factor_exposure = (weights[:, None] * betas.drop(columns=['intercept']).values).sum(axis=0)if np.any(np.abs(factor_exposure) 1e-6):return -1e10# 预期收益 = 权重 @ 预期收益率expected = weights @ (factor_premiums @ betas.drop(columns=['intercept']).values.T)return -expected # 最小化负收益 = 最大化收益# 初始权重：均匀分布initial_weights = np.zeros(N)# 优化约束constraints = [{'type': 'eq', 'fun': lambda w: np.sum(w)}, # 净投资为0{'type': 'eq', 'fun': lambda w: (w[:, None] * betas.drop(columns=['intercept']).values).sum(axis=0)[0]},{'type': 'eq', 'fun': lambda w: (w[:, None] * betas.drop(columns=['intercept']).values).sum(axis=0)[1]}]# 边界约束：权重在[-1, 1]之间bounds = [(-1, 1)] * Nresult = minimize(objective, initial_weights, method='SLSQP', bounds=bounds, constraints=constraints)return result.x if result.success else np.zeros(N)避坑指南：第25行：惩罚函数处理硬约束，比直接加入约束更稳定
第42行：SLSQP算法适合小规模问题，大规模需用线性规划
第48行：返回零权重作为失败兜底，避免程序崩溃运行与测试
模拟数据生成
# main.py
import numpy as np
import pandas as pd
from src.apt_model import APTModel
from src.factor_exposure import compute_factor_exposures
from src.portfolio import construct_arbitrage_portfolio# 设置随机种子，保证可复现
np.random.seed(42)# 模拟100个资产，2个因子，252个交易日
T, N, K = 252, 100, 2
asset_names = [f'Asset_{i}' for i in range(N)]
factor_names = ['Factor_1', 'Factor_2']# 生成因子收益率（均值0，标准差0.02）
factor_returns = pd.DataFrame(np.random.normal(0, 0.02, (T, K)),index=pd.date_range('2023-01-01', periods=T),columns=factor_names
)# 生成资产因子暴露
true_betas = np.random.uniform(0.5, 1.5, (N, K))# 生成资产收益率：APT方程 + 噪声
asset_returns = pd.DataFrame(true_betas @ factor_returns.values.T + np.random.normal(0, 0.01, (N, T)),index=pd.date_range('2023-01-01', periods=T),columns=asset_names
).T# 保存数据
factor_returns.to_csv('data/factor_returns.csv')
asset_returns.to_csv('data/asset_returns.csv')
print(数据生成完成)单元测试验证
# tests/test_apt.py
import pytest
import numpy as np
from src.apt_model import APTModeldef test_expected_return_simple():测试简单情况下的预期收益率计算model = APTModel(risk_free_rate=0.02)# 单因子：β=1.2，因子溢价=5%beta = np.array([1.2])premium = np.array([0.05])expected = model.expected_return(beta, premium)assert abs(expected - 0.08) 1e-9 # 0.02 + 1.2*0.05 = 0.08def test_arbitrage_detection():测试套利机会识别model = APTModel(risk_free_rate=0.0)# 构造一个存在套利机会的场景betas = pd.DataFrame({'intercept': [0.0],'Factor_1': [1.0],'Factor_2': [0.5]}, index=['Asset_A'])factor_premiums = np.array([0.03, 0.02])actual_return = pd.Series([0.10], index=['Asset_A']) # 实际收益远高于理论值has_arbitrage = model.arbitrage_check(actual_return, betas, factor_premiums, tolerance=0.01)assert has_arbitrage == True测试要点：覆盖正常路径与边界情况
使用pytest框架，便于CI集成
断言精确到小数点后9位，避免浮点误差优化扩展
数值稳定性优化
大规模数据中，np.linalg.lstsq 可能因矩阵病态而失稳。改用正则化回归：
def compute_factor_exposures_riemann(asset_returns: pd.DataFrame, factor_returns: pd.DataFrame, alpha: float = 1e-4) - pd.DataFrame:使用Ridge回归计算因子暴露，提升数值稳定性参数:alpha: 正则化强度factor_with_const = pd.concat([pd.Series(1, index=factor_returns.index), factor_returns], axis=1)betas = []for i in range(asset_returns.shape[1]):y = asset_returns.iloc[:, i].valuesX = factor_with_const.values# Ridge回归：β = (X'X + αI)^(-1) X'yreg_matrix = X.T @ X + alpha * np.eye(X.shape[1])beta = np.linalg.solve(reg_matrix, X.T @ y)betas.append(beta)return pd.DataFrame(np.array(betas).T, index=asset_returns.columns, columns=['intercept'] + list(factor_returns.columns))改进点：第18行：添加正则化项，防止矩阵奇异
第19行：np.linalg.solve 比求逆更高效且稳定
参数α需交叉验证确定，通常在1e-5到1e-2之间多因子扩展
APT支持任意数量因子，代码结构天然扩展：
# 添加第三个因子
factor_returns['Factor_3'] = np.random.normal(0, 0.015, T)
factor_returns.to_csv('data/factor_returns_3f.csv')# 重新计算暴露（自动适应因子数量）
betas_3f = compute_factor_exposures(asset_returns, factor_returns)
print(betas_3f.head())面试加分项：提及因子正交化：若因子相关，需先做正交处理
引用MDN Web Docs的线性代数基础文档，说明矩阵运算的数值特性
指出APT假设因子数有限且充分，现实中常用主成分分析确定因子数性能瓶颈与解决方案
当资产数量N1000时，逐资产回归效率低下。改用矩阵批量计算：
def compute_factor_exposures_batch(asset_returns: pd.DataFrame, factor_returns: pd.DataFrame) - pd.DataFrame:批量计算因子暴露，提升性能factor_with_const = pd.concat([pd.Series(1, index=factor_returns.index), factor_returns], axis=1)X = factor_with_const.valuesY = asset_returns.values.T # shape=(N, T)# 批量最小二乘：β = (X'X)^(-1) X'YXtX_inv = np.linalg.pinv(X.T @ X)beta_matrix = XtX_inv @ X.T @ Y # shape=(K+1, N)return pd.DataFrame(beta_matrix.T, index=asset_returns.columns, columns=['intercept'] + list(factor_returns.columns))性能对比：逐资产回归：O(N * T * K^2)
批量计算：O(T^2 * K + T * K * N)
当T远大于N时，批量计算优势明显小结
APT面试的核心不是背公式，而是理解无套利约束下的定价逻辑。本文从零搭建了完整项目，覆盖了：原理层：定价方程、因子暴露、套利检验
代码层：OLS回归、组合优化、数值稳定性
工程层：模块化设计、单元测试、性能优化面试时被问APT和CAPM区别，你可以说：CAPM是单因子APT的特例，APT允许多个风险因子，更灵活但需要估计更多参数。被追问如何验证APT有效性，你掏出本文代码，现场演示套利检验，胜过千言万语。
关键细节再强调一遍：截距α显著不为零是套利机会的信号
正则化提升数值稳定性，参数α需调优
批量计算优于逐资产回归，性能提升显著MDN Web Docs的线性代数文档对理解矩阵运算的数值特性很有帮助，建议面试前快速过一遍。
还有什么不懂的？评论区留言挨个回。 套利定价理论高频面试题：3分钟吃透原理与代码实现
套利定价理论高频面试题：3分钟吃透原理与代码实现
面试被问套利定价理论原理答不上来？别慌，这其实是量化岗的高频面试题。很多候选人死记硬背公式，却不懂背后的代码逻辑，一追问细节就露馅。
项目目标
套利定价理论（APT）是资产定价的基石，但传统教程只讲公式。本文从零搭建一个可运行的APT模型，用Python实现单因子和多因子套利策略。
目标很明确：理解APT的核心假设与定价方程
用代码复现因子暴露与预期收益率计算
构建无套利组合，验证理论在真实数据中的表现
掌握面试中常被追问的细节与边界条件这不是纸上谈兵，而是能跑通的实战项目。面试官问APT和CAPM区别时，你能掏出代码演示，印象分直接拉满。
目录结构
项目结构清晰，便于复现与扩展：
apt-arbitrage/
├── data/
│ └── sample_prices.csv # 模拟价格数据
├── src/
│ ├── __init__.py
│ ├── apt_model.py # APT核心模型
│ ├── factor_exposure.py # 因子暴露计算
│ └── portfolio.py # 组合构建与优化
├── tests/
│ └── test_apt.py # 单元测试
├── main.py # 入口脚本
└── requirements.txt # 依赖管理每个模块职责单一：apt_model.py 封装定价方程与参数估计
factor_exposure.py 处理因子载荷（β）的计算
portfolio.py 实现无套利组合的权重优化
main.py 串联整个流程，便于调试这种结构在面试中体现工程思维，比堆砌代码更有说服力。
核心代码实现
1. 因子暴露计算
因子暴露是APT的核心输入。我们用回归方法估计每个资产对各因子的β值。
# src/factor_exposure.py
import numpy as np
import pandas as pddef compute_factor_exposures(asset_returns: pd.DataFrame, factor_returns: pd.DataFrame) - pd.DataFrame:计算资产对因子的暴露系数（β）参数:asset_returns: 资产收益率矩阵，shape=(T, N)factor_returns: 因子收益率矩阵，shape=(T, K)返回:beta_matrix: 因子暴露矩阵，shape=(N, K)# 添加常数项用于截距估计factor_with_const = pd.concat([pd.Series(1, index=factor_returns.index), factor_returns], axis=1)# 对每个资产进行OLS回归betas = []for i in range(asset_returns.shape[1]):y = asset_returns.iloc[:, i].valuesX = factor_with_const.values# 正规方程求解：β = (X'X)^(-1) X'ybeta = np.linalg.lstsq(X, y, rcond=None)[0]betas.append(beta)# 转置为(N, K+1)矩阵，第一列是截距beta_matrix = np.array(betas).Treturn pd.DataFrame(beta_matrix, index=asset_returns.columns, columns=['intercept'] + list(factor_returns.columns))逐行讲解：第8行：添加常数项，用于估计截距（α），这是检验套利机会的关键
第15行：np.linalg.lstsq 使用最小二乘法求解，比手动求逆更稳定
第18行：截距α理论上应接近零，若显著不为零，说明存在定价偏差2. APT定价模型
APT的核心方程：E(R_i) = R_f + β_i1 * λ_1 + β_i2 * λ_2 + ... + β_iK * λ_K
# src/apt_model.py
import numpy as np
from typing import Tupleclass APTModel:def __init__(self, risk_free_rate: float = 0.0):初始化APT模型参数:risk_free_rate: 无风险利率，默认为0（简化计算）self.rf = risk_free_ratedef expected_return(self, beta_vector: np.ndarray, factor_premiums: np.ndarray) - float:计算单个资产的预期收益率参数:beta_vector: 该资产的因子暴露向量，shape=(K,)factor_premiums: 因子风险溢价向量，shape=(K,)返回:预期收益率# 核心定价方程：E(R) = Rf + β'λreturn self.rf + np.dot(beta_vector, factor_premiums)def arbitrage_check(self, asset_returns: pd.Series, betas: pd.DataFrame, factor_premiums: np.ndarray, tolerance: float = 0.01) - bool:检查是否存在套利机会参数:asset_returns: 实际观测收益率betas: 因子暴露矩阵factor_premiums: 因子风险溢价tolerance: 允许的误差范围返回:是否存在显著套利机会（True/False）# 计算APT理论预期收益率predicted = self.rf + betas.drop(columns=['intercept']).values @ factor_premiums# 计算残差：实际 - 理论residuals = asset_returns - predicted# 若残差绝对值超过容差，认为存在套利机会return np.any(np.abs(residuals) tolerance)关键细节：第18行：np.dot 高效计算向量内积，避免循环
第32行：drop(columns=['intercept']) 剔除截距，只保留因子β
第38行：容差机制防止数值噪声误判，面试中常问如何设定合理容差3. 无套利组合构建
构建无套利组合的核心：零净投资、零因子暴露、正预期收益。
# src/portfolio.py
import numpy as np
from scipy.optimize import minimizedef construct_arbitrage_portfolio(betas: pd.DataFrame, factor_premiums: np.ndarray, asset_returns: pd.Series) - np.ndarray:构建无套利组合权重参数:betas: 因子暴露矩阵，shape=(N, K+1)factor_premiums: 因子风险溢价asset_returns: 资产收益率返回:最优权重向量，shape=(N,)N = len(asset_returns)# 定义目标函数：最大化预期超额收益def objective(weights: np.ndarray) - float:# 净投资约束：权重和为0net_investment = np.sum(weights)if abs(net_investment) 1e-6:return -1e10 # 惩罚违反约束# 因子暴露约束：组合对每个因子的暴露为0factor_exposure = (weights[:, None] * betas.drop(columns=['intercept']).values).sum(axis=0)if np.any(np.abs(factor_exposure) 1e-6):return -1e10# 预期收益 = 权重 @ 预期收益率expected = weights @ (factor_premiums @ betas.drop(columns=['intercept']).values.T)return -expected # 最小化负收益 = 最大化收益# 初始权重：均匀分布initial_weights = np.zeros(N)# 优化约束constraints = [{'type': 'eq', 'fun': lambda w: np.sum(w)}, # 净投资为0{'type': 'eq', 'fun': lambda w: (w[:, None] * betas.drop(columns=['intercept']).values).sum(axis=0)[0]},{'type': 'eq', 'fun': lambda w: (w[:, None] * betas.drop(columns=['intercept']).values).sum(axis=0)[1]}]# 边界约束：权重在[-1, 1]之间bounds = [(-1, 1)] * Nresult = minimize(objective, initial_weights, method='SLSQP', bounds=bounds, constraints=constraints)return result.x if result.success else np.zeros(N)避坑指南：第25行：惩罚函数处理硬约束，比直接加入约束更稳定
第42行：SLSQP算法适合小规模问题，大规模需用线性规划
第48行：返回零权重作为失败兜底，避免程序崩溃运行与测试
模拟数据生成
# main.py
import numpy as np
import pandas as pd
from src.apt_model import APTModel
from src.factor_exposure import compute_factor_exposures
from src.portfolio import construct_arbitrage_portfolio# 设置随机种子，保证可复现
np.random.seed(42)# 模拟100个资产，2个因子，252个交易日
T, N, K = 252, 100, 2
asset_names = [f'Asset_{i}' for i in range(N)]
factor_names = ['Factor_1', 'Factor_2']# 生成因子收益率（均值0，标准差0.02）
factor_returns = pd.DataFrame(np.random.normal(0, 0.02, (T, K)),index=pd.date_range('2023-01-01', periods=T),columns=factor_names
)# 生成资产因子暴露
true_betas = np.random.uniform(0.5, 1.5, (N, K))# 生成资产收益率：APT方程 + 噪声
asset_returns = pd.DataFrame(true_betas @ factor_returns.values.T + np.random.normal(0, 0.01, (N, T)),index=pd.date_range('2023-01-01', periods=T),columns=asset_names
).T# 保存数据
factor_returns.to_csv('data/factor_returns.csv')
asset_returns.to_csv('data/asset_returns.csv')
print(数据生成完成)单元测试验证
# tests/test_apt.py
import pytest
import numpy as np
from src.apt_model import APTModeldef test_expected_return_simple():测试简单情况下的预期收益率计算model = APTModel(risk_free_rate=0.02)# 单因子：β=1.2，因子溢价=5%beta = np.array([1.2])premium = np.array([0.05])expected = model.expected_return(beta, premium)assert abs(expected - 0.08) 1e-9 # 0.02 + 1.2*0.05 = 0.08def test_arbitrage_detection():测试套利机会识别model = APTModel(risk_free_rate=0.0)# 构造一个存在套利机会的场景betas = pd.DataFrame({'intercept': [0.0],'Factor_1': [1.0],'Factor_2': [0.5]}, index=['Asset_A'])factor_premiums = np.array([0.03, 0.02])actual_return = pd.Series([0.10], index=['Asset_A']) # 实际收益远高于理论值has_arbitrage = model.arbitrage_check(actual_return, betas, factor_premiums, tolerance=0.01)assert has_arbitrage == True测试要点：覆盖正常路径与边界情况
使用pytest框架，便于CI集成
断言精确到小数点后9位，避免浮点误差优化扩展
数值稳定性优化
大规模数据中，np.linalg.lstsq 可能因矩阵病态而失稳。改用正则化回归：
def compute_factor_exposures_riemann(asset_returns: pd.DataFrame, factor_returns: pd.DataFrame, alpha: float = 1e-4) - pd.DataFrame:使用Ridge回归计算因子暴露，提升数值稳定性参数:alpha: 正则化强度factor_with_const = pd.concat([pd.Series(1, index=factor_returns.index), factor_returns], axis=1)betas = []for i in range(asset_returns.shape[1]):y = asset_returns.iloc[:, i].valuesX = factor_with_const.values# Ridge回归：β = (X'X + αI)^(-1) X'yreg_matrix = X.T @ X + alpha * np.eye(X.shape[1])beta = np.linalg.solve(reg_matrix, X.T @ y)betas.append(beta)return pd.DataFrame(np.array(betas).T, index=asset_returns.columns, columns=['intercept'] + list(factor_returns.columns))改进点：第18行：添加正则化项，防止矩阵奇异
第19行：np.linalg.solve 比求逆更高效且稳定
参数α需交叉验证确定，通常在1e-5到1e-2之间多因子扩展
APT支持任意数量因子，代码结构天然扩展：
# 添加第三个因子
factor_returns['Factor_3'] = np.random.normal(0, 0.015, T)
factor_returns.to_csv('data/factor_returns_3f.csv')# 重新计算暴露（自动适应因子数量）
betas_3f = compute_factor_exposures(asset_returns, factor_returns)
print(betas_3f.head())面试加分项：提及因子正交化：若因子相关，需先做正交处理
引用MDN Web Docs的线性代数基础文档，说明矩阵运算的数值特性
指出APT假设因子数有限且充分，现实中常用主成分分析确定因子数性能瓶颈与解决方案
当资产数量N1000时，逐资产回归效率低下。改用矩阵批量计算：
def compute_factor_exposures_batch(asset_returns: pd.DataFrame, factor_returns: pd.DataFrame) - pd.DataFrame:批量计算因子暴露，提升性能factor_with_const = pd.concat([pd.Series(1, index=factor_returns.index), factor_returns], axis=1)X = factor_with_const.valuesY = asset_returns.values.T # shape=(N, T)# 批量最小二乘：β = (X'X)^(-1) X'YXtX_inv = np.linalg.pinv(X.T @ X)beta_matrix = XtX_inv @ X.T @ Y # shape=(K+1, N)return pd.DataFrame(beta_matrix.T, index=asset_returns.columns, columns=['intercept'] + list(factor_returns.columns))性能对比：逐资产回归：O(N * T * K^2)
批量计算：O(T^2 * K + T * K * N)
当T远大于N时，批量计算优势明显小结
APT面试的核心不是背公式，而是理解无套利约束下的定价逻辑。本文从零搭建了完整项目，覆盖了：原理层：定价方程、因子暴露、套利检验
代码层：OLS回归、组合优化、数值稳定性
工程层：模块化设计、单元测试、性能优化面试时被问APT和CAPM区别，你可以说：CAPM是单因子APT的特例，APT允许多个风险因子，更灵活但需要估计更多参数。被追问如何验证APT有效性，你掏出本文代码，现场演示套利检验，胜过千言万语。
关键细节再强调一遍：截距α显著不为零是套利机会的信号
正则化提升数值稳定性，参数α需调优
批量计算优于逐资产回归，性能提升显著MDN Web Docs的线性代数文档对理解矩阵运算的数值特性很有帮助，建议面试前快速过一遍。
还有什么不懂的？评论区留言挨个回。