欢迎来到统计学基础！

欢迎来到 CAIA 课程中最重要的基石之一！如果你曾经被各种公式或希腊字母搞得头晕脑胀，请深呼吸——你来对地方了。将统计学视为风险的语言。在另类投资的世界（如对冲基金、私募股权和房地产）中，回报表现并不总是遵循“常态”。要成为成功的投资者，你需要这些工具来衡量过去发生的事情，并估算未来可能发生的状况。

在本章中，我们将学习如何衡量数据的“中心”、回报的“分散程度”，以及如何找出可能导致投资组合崩盘的“极端”事件。让我们开始吧！

1. 衡量平均回报：算术平均 vs. 几何平均

当我们观察一项投资的表现时，通常会从平均值 (Mean) 开始。然而，计算平均值有两种方法，用错了可能会导致严重的判断失误！

算术平均 (Arithmetic Mean)

这是你在学校学过的简单平均数，将所有回报加总后除以期数。

公式： \( \mu = \frac{\sum X_i}{n} \)

何时使用： 当你希望根据历史数据来估算 单一 未来期间的回报时使用。它不考虑复利效应。

几何平均 (Geometric Mean / Time-Weighted Return)

这衡量了一项投资随时间的实际增长，并考虑了“复利”效应。它告诉你如果你持有该投资整个期间，实际的年化回报率是多少。

公式： \( G = [(1 + R_1) \times (1 + R_2) \times ... \times (1 + R_n)]^{1/n} - 1 \)

逐步范例： 假设你在第一年获利 50%，第二年亏损 50%。
1. 每个数字加 1：(1.50) 和 (0.50)。
2. 相乘：\( 1.50 \times 0.50 = 0.75 \)。
3. 开根号（因为有 2 年）：\( \sqrt{0.75} \approx 0.866 \)。
4. 减去 1：\( 0.866 - 1 = -13.4\% \)。
尽管算术平均数为 0% \( (50 - 50) / 2 \)，但你实际上亏钱了！这就是为什么当存在任何波动性时，几何平均数几乎总是低于算术平均数。

快速复习：哪个平均值是哪个？

算术平均： 最适合回答“明年最可能的回报是多少？”
几何平均： 最适合回答“我的资产在过去 5 年中实际增长了多少？”

2. 衡量风险：方差与标准差

在金融领域，风险通常定义为波动性 (Volatility)，即实际回报围绕平均值波动的程度。如果一档基金每年回报率固定为 5%，那么它的波动性为零。如果它一年涨 20%，隔年跌 10%，那么它的风险就大得多。

方差 (Variance, \( \sigma^2 \))

方差衡量的是偏差平方的平均值。我们将数据平方，是为了确保负回报不会与正回报互相抵消。

标准差 (Standard Deviation, \( \sigma \))

这仅仅是方差的平方根。它是最常见的风险衡量指标，因为它的单位与回报相同（百分比）。如果平均回报率是 10%，标准差是 5%，我们就可以轻松地将两者结合讨论。

记忆小撇步： 把标准差想象成“摆动空间”。数值越大，代表投资的摆动（波动）越剧烈。

重点总结

较高的标准差 = 较高的波动性 = 较高的风险。

3. 常态分布：钟形曲线

常态分布 (Normal Distribution) 是一种对称曲线，描述了自然界中的许多现象（如身高或考试成绩）。在金融领域，我们为了简化计算，通常会假设回报呈常态分布，即使另类投资很少如此！

常态分布的主要特征：

  • 对称性： 左侧是右侧的镜像。
  • 平均值 = 中位数 = 众数： 曲线的最高点正好位于中间。
  • 68-95-99 法则：
    - 68% 的回报落在平均值 1 个标准差以内。
    - 95% 的回报落在平均值 2 个标准差以内。
    - 99.7% 的回报落在平均值 3 个标准差以内。

如果一开始觉得很复杂，不用担心！ 只要记住，在常态世界中，“极端”事件（例如 40% 的市场崩盘）应该是极其罕见的。

4. 偏度 (Skewness)：曲线倾斜了吗？

在另类投资的真实世界中，回报往往不是对称的。这种不对称性称为偏度。

正偏 (Positive Skew / 右偏)

图表的“尾部”指向右侧。这意味着虽然经常有小额亏损，但偶尔会出现巨大收益。
范例： 购买彩票或某些风险投资 (Venture Capital)。

负偏 (Negative Skew / 左偏)

尾部指向左侧。这意味着你有许多小额收益，但潜藏着毁灭性的巨大亏损。
重要： 许多对冲基金策略（如卖出选择权）具有负偏。这很危险，因为该策略在很长一段时间内看起来都很“安全”，直到突然崩盘为止。

避免常见误区：

学生常误以为“正”一定是好事，“负”一定是坏事。虽然投资者通常偏好正偏，但请记住，偏度描述的是尾部的形状，而不是投资本身的质量。

5. 峰度 (Kurtosis)：厚尾与峰值

如果说偏度观察的是曲线的“倾斜”，那么峰度观察的就是“尾部”和“尖峰”。

超额峰度 (Excess Kurtosis)

在常态分布中，峰度正好为 3。我们将高于 0 的部分称为“超额峰度”。
- 尖峰态 (Leptokurtic / 高峰度)： 曲线具有狭窄的高峰和厚尾 (Fat Tails)。
- 厚尾意味着“极端事件”（无论好坏）发生的频率比常态分布预测的要高得多。

记忆口诀： Leptokurtic 会“Leap”（跳）起来（高尖峰），且有“Fat”（厚）尾巴（隐含更多意外风险）。

你知道吗？

另类投资以“厚尾”著称。这就是为什么假设常态分布的传统模型，往往低估了另类投资世界中市场崩盘的风险。

6. 协方差与相关性：共同变动

另类投资通常被纳入投资组合，因为它们与股票市场的走势不完全同步。我们使用协方差和相关性来衡量这种“共同变动”。

协方差 (Covariance)

这告诉我们两个资产共同变动的方向。
- 正协方差： 它们朝同方向变动。
- 负协方差： 它们朝相反方向变动。

相关性 (Correlation, \( \rho \))

协方差很难解读，因为数值可以是任何范围。相关性将协方差标准化在 -1 到 +1 之间。

  • +1.0： 完全正相关（它们像双胞胎一样连动）。
  • 0.0： 无相关（它们完全不相关）。
  • -1.0： 完全负相关（它们像跷跷板一样相反运动）。

现实世界类比： 如果你拥有一家雨伞店和一家雨衣店，你的回报高度相关 (+1)。如果你拥有一家雨伞店和一家防晒用品店，它们就是负相关 (-1)，因为当一方生意好时，另一方通常就不太好！

快速复习栏

平均值： 平均回报。
标准差： 风险/波动性。
负偏： “左尾”崩盘风险。
厚尾 (峰度)： 极端事件比预期发生得更频繁。
相关性： 两个资产一起“跳舞”的程度。较低的相关性对分散风险更有利！

统计学基础总结

在本章中，我们了解到虽然平均值和标准差是理解数据的起点，但它们并不能说明全部情况。偏度和峰度提醒我们注意倾斜的回报和极端的意外。最后，相关性帮助我们理解加入另类投资可能如何帮助（或损害）我们投资组合的整体平衡。掌握这些术语，你就拥有了学习其余 CAIA 课程所需的坚实基础！