歡迎來到統計學基礎！

歡迎來到 CAIA 課程中最重要的基石之一！如果你曾經被各種公式或希臘字母搞得頭暈腦脹，請深呼吸——你來對地方了。將統計學視為風險的語言。在另類投資的世界（如對沖基金、私募股權和房地產）中，回報表現並不總是遵循「常態」。要成為成功的投資者，你需要這些工具來衡量過去發生的事情，並估算未來可能發生的狀況。

在本章中，我們將學習如何衡量數據的「中心」、回報的「分散程度」，以及如何找出可能導致投資組合崩盤的「極端」事件。讓我們開始吧！

1. 衡量平均回報：算術平均 vs. 幾何平均

當我們觀察一項投資的表現時，通常會從平均值 (Mean) 開始。然而，計算平均值有兩種方法，用錯了可能會導致嚴重的判斷失誤！

算術平均 (Arithmetic Mean)

這是你在學校學過的簡單平均數，將所有回報加總後除以期數。

公式： \( \mu = \frac{\sum X_i}{n} \)

何時使用： 當你希望根據歷史數據來估算 單一 未來期間的回報時使用。它不考慮複利效應。

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

這衡量了一項投資隨時間的實際增長，並考慮了「複利」效應。它告訴你如果你持有該投資整個期間，實際的年化回報率是多少。

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

逐步範例： 假設你在第一年獲利 50%，第二年虧損 50%。
1. 每個數字加 1：(1.50) 和 (0.50)。
2. 相乘：\( 1.50 \times 0.50 = 0.75 \)。
3. 開根號（因為有 2 年）：\( \sqrt{0.75} \approx 0.866 \)。
4. 減去 1：\( 0.866 - 1 = -13.4\% \)。
儘管算術平均數為 0% \( (50 - 50) / 2 \)，但你實際上虧錢了！這就是為什麼當存在任何波動性時，幾何平均數幾乎總是低於算術平均數。

快速複習：哪個平均值是哪個？

算術平均： 最適合回答「明年最可能的回報是多少？」
幾何平均： 最適合回答「我的資產在過去 5 年中實際增長了多少？」

2. 衡量風險：方差與標準差

在金融領域，風險通常定義為波動性 (Volatility)，即實際回報圍繞平均值波動的程度。如果一檔基金每年回報率固定為 5%，那麼它的波動性為零。如果它一年漲 20%，隔年跌 10%，那麼它的風險就大得多。

方差 (Variance, \( \sigma^2 \))

方差衡量的是偏差平方的平均值。我們將數據平方，是為了確保負回報不會與正回報互相抵消。

標準差 (Standard Deviation, \( \sigma \))

這僅僅是方差的平方根。它是最常見的風險衡量指標，因為它的單位與回報相同（百分比）。如果平均回報率是 10%，標準差是 5%，我們就可以輕鬆地將兩者結合討論。

記憶小撇步： 把標準差想像成「擺動空間」。數值越大，代表投資的擺動（波動）越劇烈。

重點總結

較高的標準差 = 較高的波動性 = 較高的風險。

3. 常態分佈：鐘形曲線

常態分佈 (Normal Distribution) 是一種對稱曲線，描述了自然界中的許多現象（如身高或考試成績）。在金融領域，我們為了簡化計算，通常會假設回報呈常態分佈，即使另類投資很少如此！

常態分佈的主要特徵：

  • 對稱性： 左側是右側的鏡像。
  • 平均值 = 中位數 = 眾數： 曲線的最高點正好位於中間。
  • 68-95-99 法則：
    - 68% 的回報落在平均值 1 個標準差以內。
    - 95% 的回報落在平均值 2 個標準差以內。
    - 99.7% 的回報落在平均值 3 個標準差以內。

如果一開始覺得很複雜，不用擔心！ 只要記住，在常態世界中，「極端」事件（例如 40% 的市場崩盤）應該是極其罕見的。

4. 偏度 (Skewness)：曲線傾斜了嗎？

在另類投資的真實世界中，回報往往不是對稱的。這種不對稱性稱為偏度。

正偏 (Positive Skew / 右偏)

圖表的「尾部」指向右側。這意味著雖然經常有小額虧損，但偶爾會出現巨大收益。
範例： 購買彩券或某些風險投資 (Venture Capital)。

負偏 (Negative Skew / 左偏)

尾部指向左側。這意味著你有許多小額收益，但潛在著毀滅性的巨大虧損。
重要： 許多對沖基金策略（如賣出選擇權）具有負偏。這很危險，因為該策略在很長一段時間內看起來都很「安全」，直到突然崩盤為止。

避免常見誤區：

學生常誤以為「正」一定是好事，「負」一定是壞事。雖然投資者通常偏好正偏，但請記住，偏度描述的是尾部的形狀，而不是投資本身的品質。

5. 峰度 (Kurtosis)：厚尾與峰值

如果說偏度觀察的是曲線的「傾斜」，那麼峰度觀察的就是「尾部」和「尖峰」。

超額峰度 (Excess Kurtosis)

在常態分佈中，峰度正好為 3。我們將高於 0 的部分稱為「超額峰度」。
- 尖峰態 (Leptokurtic / 高峰度)： 曲線具有狹窄的高峰和厚尾 (Fat Tails)。
- 厚尾意味著「極端事件」（無論好壞）發生的頻率比常態分佈預測的要高得多。

記憶口訣： Leptokurtic 會「Leap」（跳）起來（高尖峰），且有「Fat」（厚）尾巴（隱含更多意外風險）。

你知道嗎？

另類投資以「厚尾」著稱。這就是為什麼假設常態分佈的傳統模型，往往低估了另類投資世界中市場崩盤的風險。

6. 協方差與相關性：共同變動

另類投資通常被納入投資組合，因為它們與股票市場的走勢不完全同步。我們使用協方差和相關性來衡量這種「共同變動」。

協方差 (Covariance)

這告訴我們兩個資產共同變動的方向。
- 正協方差： 它們朝同方向變動。
- 負協方差： 它們朝相反方向變動。

相關性 (Correlation, \( \rho \))

協方差很難解讀，因為數值可以是任何範圍。相關性將協方差標準化在 -1 到 +1 之間。

  • +1.0： 完全正相關（它們像雙胞胎一樣連動）。
  • 0.0： 無相關（它們完全不相關）。
  • -1.0： 完全負相關（它們像翹翹板一樣相反運動）。

現實世界類比： 如果你擁有一家雨傘店和一家雨衣店，你的回報高度相關 (+1)。如果你擁有一家雨傘店和一家防曬用品店，它們就是負相關 (-1)，因為當一方生意好時，另一方通常就不太好！

快速複習欄

平均值： 平均回報。
標準差： 風險/波動性。
負偏： 「左尾」崩盤風險。
厚尾 (峰度)： 極端事件比預期發生得更頻繁。
相關性： 兩個資產一起「跳舞」的程度。較低的相關性對分散風險更有利！

統計學基礎總結

在本章中，我們了解到雖然平均值和標準差是理解數據的起點，但它們並不能說明全部情況。偏度和峰度提醒我們注意傾斜的回報和極端的意外。最後，相關性幫助我們理解加入另類投資可能如何幫助（或損害）我們投資組合的整體平衡。掌握這些術語，你就擁有了學習其餘 CAIA 課程所需的堅實基礎！