欢迎来到资产回报的统计测度！

欢迎你，未来的特许金融分析师（Charterholder）！如果你曾面对一堆股票价格而感到眼花缭乱，那么你来对地方了。在本章中，我们将从单纯的“观测数据”转向“摘要数据”。你可以把这些统计测度想象成“捷径”，让我们不必逐一查看每日的价格变动，就能了解一项投资的特性。我们将学习如何衡量数据（回报）的“中心”，以及这些数据有多“晃动”或分散（风险）。

别担心数学不是你的强项，我们会将每个公式拆解成浅显易懂的语言，并运用大量实际案例来帮助你牢记！

1. 集中趋势测度：寻找“中心点”

当我们问：“这只股票提供了什么样的回报？”时，我们通常在寻找一个能代表整体组别的单一数值。这就是集中趋势（Central Tendency）。

算术平均数（Arithmetic Mean，简单平均）

这是你在学校学过的平均数。将所有数值加总，然后除以观察值的数量。在 CFA 的世界里，我们用它来估算单一期间的预期回报（Expected Return）。

公式： \( \bar{X} = \frac{\sum X_i}{n} \)

快速例子： 如果一只股票在三年内的回报分别为 10%、-5% 和 15%，算术平均数为： \( (10 - 5 + 15) / 3 = 6.67\% \)。

几何平均数（Geometric Mean，复利增长率）

这对金融业来说更为重要，因为金钱会复利（Compounding）。几何平均数（RG）能告诉你，如果你将利润再投资，每年的“典型”回报率是多少。它将永远小于或等于算术平均数。

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

类比： 想象你有 100 美元。它先增长 100%（变为 200 美元），然后下跌 50%（回到 100 美元）。
算术平均数： \( (100\% - 50\%) / 2 = 25\% \)。 (听起来很棒，但你实际上赚了 0 元！)
几何平均数： \( [ (1+1.0) \times (1-0.5) ]^{1/2} - 1 = [ 2.0 \times 0.5 ]^{0.5} - 1 = 0\% \)。 (这准确反映出你根本没赚钱。)

调和平均数（Harmonic Mean，用于成本平均法）

当我们探讨在一段时期内投入固定金额时的平均价格（平均成本法，Dollar Cost Averaging），我们会特别用到它。

公式： \( \bar{X}_H = \frac{n}{\sum (1/X_i)} \)

重点提示： 对于任何一组不同的数值：算术平均数 > 几何平均数 > 调和平均数。

中位数（Median）与众数（Mode）

  • 中位数： 当数据按从小到大排列时，正中间的数值。如果有偶数个数据点，则为中间两个数的平均值。
  • 众数： 出现频率最高的数值。一个分配可以有一个众数、两个（双峰）或完全没有。

快速回顾： 展示过去绩效该用哪种平均数？几何平均数。 预测明年回报该用哪种平均数？算术平均数。

2. 离散度测度：衡量“晃动程度”（风险）

仅仅知道平均回报是不够的。我们还需要知道回报距离平均值有多大的偏离（Deviate）。在金融学中，离散度就等于风险。

全距（Range）

最简单的测度。即最大值减去最小值。
例子： 如果一只股票最高回报为 20%，最低为 -10%，则全距为 \( 20 - (-10) = 30\% \)。

变异数（Variance）与标准差（Standard Deviation）

这是 CFA 考试中的“重头戏”。它们衡量数据点距离平均值有多远。

变异数（\( \sigma^2 \)）： 离差平方后的平均值。我们将其平方是为了让负差额不会抵消正差额。

标准差（\( \sigma \)）： 变异数的平方根。我们使用它，是因为它与我们的回报（百分比）处于相同单位，这让讨论起来更容易。

计算标准差的步骤：
  1. 计算算术平均数。
  2. 从每个数据点减去平均数（这就是“离差”）。
  3. 将每个离差平方。
  4. 将它们加总。
  5. 除以 \( n \)（如果是总体数据）或 \( n-1 \)（如果是样本数据）。
  6. 取平方根。

常见错误： 忘记在样本中使用 \( n-1 \)！如果考试题目提到“样本（Sample）”回报，请务必除以 \( n-1 \)。如果是“整个总体（Population）”，则除以 \( n \)。

目标下行偏离（Target Downside Deviation）

标准差将“好消息”（大涨）与“坏消息”（大跌）同等对待。目标下行偏离则只关注那些低于特定目标或“门槛回报率（Hurdle Rate）”的回报。这对于只关心亏损风险的投资者来说通常更有用。

重点提示： 标准差越高 = 波动性越高 = 风险越高。

3. 相对离散度：变异系数（Coefficient of Variation, CV）

我们要如何比较一只回报 20% 但风险 10% 的股票，与一只回报 5% 但风险 2% 的股票？这时就要用到 CV。

公式： \( CV = \frac{Standard Deviation}{Mean} \)

CV 告诉你：“我每承担 1% 的回报需要承受多少风险？”
数值越低越好！ 这代表你用较少的“风险单位”换取了较多的回报。

4. 分配的形状：偏度（Skewness）与峰度（Kurtosis）

并非所有的回报数据看起来都像完美的“钟形曲线”（常态分配）。有时曲线会倾斜或有“肥尾”。

偏度（Skewness，倾斜度）

偏度描述的是分配的对称性。想象图表的尾巴（Tail）。

  • 对称： 平均数 = 中位数 = 众数。
  • 正偏（右偏）： 尾巴指向右方。表示经常有小额亏损，但偶尔会有巨额回报。（平均数 > 中位数 > 众数）。
  • 负偏（左偏）： 尾巴指向左方。表示经常有小额回报，但偶尔会有巨额亏损。（平均数 < 中位数 < 众数）。

记忆法： “尾巴决定一切（The tail tells the tale）。”如果尾巴指向右边（正数），就是正偏。

峰度（Kurtosis，肥厚度）

峰度告诉我们关于分配的“尖峰”与“尾部”。在金融学中，我们担心肥尾（Fat tails），因为它们代表极端事件（市场崩盘）发生的频率高于常态分配的预测。

  • 尖峰（Leptokurtic）： 峰值更高，尾部更肥。（Lepto = 向上跃升！）。这在金融市场很常见。
  • 平峰（Platykurtic）： 更平坦，尾部更薄。（Platy = 像盘子一样平）。
  • 常态峰（Mesokurtic）： 常态分配（超额峰度 = 0）。

你知道吗？ 大多数金融资产都是尖峰（Leptokurtic）。这意味着“黑天鹅”事件（极端异常值）发生的频率比简单统计学预测的要高得多！

最终快速检核

1. 哪种平均数最适合展示历史增长？ 几何平均数。
2. 高标准差代表什么？ 高风险/高波动性。
3. CV 衡量什么？ 每单位回报所承担的风险。
4. “正偏”是什么样子？ 右边拖着一条长尾巴。
5. 什么是尖峰（Leptokurtic）分配？ 具有肥尾和高峰的分配。

你一定做得到的！这些测度是我们在投资组合管理与股权分析中一切工作的基础。掌握这些基本功，之后的课程内容将会变得更加直观。