量化面试绿皮书：7. 100的阶乘中有多少个尾随零

文中内容仅限技术学习与代码实践参考，市场存在不确定性，技术分析需谨慎验证，不构成任何投资建议。

7. 100的阶乘中有多少个尾随零

Q: $100!$（100 的阶乘）中有多少个尾随零？

A: $100!$（100 的阶乘）的尾随零数量取决于因子中 10 的个数，而 10 由质因子 2 和 5 相乘得到。在阶乘中，2 的因子通常比 5 的因子多，因此尾随零的数量主要由 5 的因子数量决定。

计算 $100!$ 中 5 的因子数量，可以使用公式：

$$\sum _{k=1}^{\infty }\lfloor \frac{n}{5^k}\rfloor$$

其中 $n=100$。

• $\lfloor \frac{100}{5}\rfloor =\lfloor 20\rfloor =20$（贡献一个 5 因子的数：5, 10, 15, …, 100，共 20 个）
• $\lfloor \frac{100}{25}\rfloor =\lfloor 4\rfloor =4$（贡献额外 5 因子的数：25, 50, 75, 100，共 4 个）
• $\lfloor \frac{100}{125}\rfloor =\lfloor 0.8\rfloor =0$（125 > 100，无贡献）

因此，总 5 的因子数量为 $20+4=24$。

由于 $100!$ 中 2 的因子数量（计算为 97 个）远多于 5 的因子，尾随零的数量等于 5 的因子数量，即 24 个。

验证：例如，10! = 3,628,800，有 2 个尾随零（公式计算：$\lfloor \frac{10}{5}\rfloor =2$）；25! 有 6 个尾随零（公式计算：$\lfloor \frac{25}{5}\rfloor +\lfloor \frac{25}{25}\rfloor =5+1=6$），公式可靠。

故 $100!$ 中有 24 个尾随零。

Python 实现：

要计算阶乘中尾随零的数量，关键在于统计质因数5的出现次数（因为2的数量总是多于5）。

def count_trailing_zeros(n: int) -> int:
    """计算阶乘结果中的尾随零数量。

    尾随零的数量由质因数分解中因子5的个数决定（因为因子2的数量总是更充裕）。
    通过累加 n//5 + n//25 + n//125 + ... 直到商为零。

    Args:
        n: 需要计算阶乘尾随零的正整数

    Returns:
        阶乘结果末尾连续零的数量

    Raises:
        ValueError: 当输入为负数时抛出
    """
    if n < 0:
        raise ValueError("Input must be non-negative integer")

    count = 0
    divisor = 5
    while n >= divisor:
        count += n // divisor
        divisor *= 5
    return count


# 验证100!的尾随零数量
print(count_trailing_zeros(100))  # 输出: 24

关键点说明

1. 算法原理：

   • 每个尾随零来自一个10的因子（即$2\times 5$）
   • 阶乘中因子2的数量始终多于5，因此只需统计5的因子数
   • 通过连续除以5的幂次（5, 25, 125…）累加商值

2. 风格要素：

   • 强类型标注：参数和返回值类型明确（: int / -> int）
   • 文档字符串：包含功能说明、参数、返回值和异常
   • 输入验证：对负数输入抛出ValueError

3. 时间复杂度：$O({\log }_n)$，对于 $n=100$ 仅需4次循环迭代：

   • 100//5 = 20
   • 100//25 = 4
   • 100//125 = 0 → 终止

---

这道面试题的本质是考察候选人将复杂问题分解为可量化因子的能力和高效计算思维，这类能力直接对应量化金融中高频交易系统优化、风险管理模型构建、衍生品定价精度提升等核心挑战。

🔑 核心知识点

1. 质因数分解
   理解尾随零由因子 $2\times 5$ 构成，且 5 的数量为瓶颈因子
2. 算法复杂度优化
   用 $O({\log }_n)$ 迭代代替阶乘计算（避免 $100!$ 的爆炸性计算）
3. 边界条件处理
   对负数/零输入的异常控制（映射金融数据清洗场景）

📊 面试评估维度

考察维度	具体表现要求	本题对应点
数学建模能力	将现实问题转化为数学约束	识别尾随零与质因数 5 的关联
计算效率敏感度	避免暴力计算，设计最优算法	用除法累加代替阶乘运算
代码严谨性	边界条件处理与防御性编程	对负输入抛出 ValueError
金融思维联想	理解数学工具在金融场景的应用逻辑	类似因子分解在波动率建模中的应用

🧩 典型回答框架

def count_trailing_zeros(n: int) -> int:
    # 1. 输入验证（金融数据校验思维）
    if n < 0: 
        raise ValueError("n must be non-negative")
  
    # 2. 核心算法（量化计算效率）
    count = 0
    while n >= 5:
        n //= 5  # 关键迭代步骤
        count += n
    return count

金融场景延伸解释：类似因子分解逻辑可用于信用风险模型，如：

• 将违约概率分解为宏观因子暴露（相当于质因数 5）
• 公司特质风险（相当于冗余因子 2）

💡 核心洞察

该问题暗含量化金融两大核心能力：

1. 风险因子剥离能力
   如同分离阶乘中的 5 因子，金融建模需识别关键驱动变量（如利率变动对衍生品价格的敏感度）
2. 高维计算优化思维
   避免直接计算 $100!$ 映射金融中的蒙特卡洛模拟优化——通过方差缩减技术降低计算量

在期权定价中，类似算法用于高效计算路径依赖型产品的支付函数（如亚式期权），体现用数学洞察替代暴力计算的量化内核。

风险提示与免责声明
本文内容基于公开信息研究整理，不构成任何形式的投资建议。历史表现不应作为未来收益保证，市场存在不可预见的波动风险。投资者需结合自身财务状况及风险承受能力独立决策，并自行承担交易结果。作者及发布方不对任何依据本文操作导致的损失承担法律责任。市场有风险，投资须谨慎。