投资学(第4版)-第149章
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
动规律。图A … 6是根据表A … 3作的股票及债券超额收益时间序列点图。尽管我们的眼睛已
经习惯于看到由时间序列生成的随机形状，但考察一般长时期内时间序列的变化趋势却
能给我们提供一个有用的信息。有时通过一些正规的统计分析，这样的检验就会奏效。
a）
b）
图A…6
a） 股权风险溢价（ 1 9 2 6 ~ 1 9 9 3年）b） 债券到期溢价（ 1 9 2 6 ~ 1 9 9 3年）
760 第八部分附录
下载
A。2。2 样本统计量
假设从1 9 2 6年至1 9 9 3年这6 8年中，股票收益的概率分布一直没有变化。现在我们
希望能从表A … 3这6 8个股票年超额收益的观测值中得到关于概率分布的某些信息。
表中的样本值是否为特定概率分布下的独立观测值，这是一个很关键的中心问题。
如果它们确实是，那么所得的统计分析结果就比较正确。我们的分析都建立在这个假
设之上。在许多情况下，金融市场上的实证研究能证实这个前提假设。
从样本均值来估计期望收益：期望收益的定义告诉我们，样本均值应该可以作为
样本期望值的一个较好的估计。事实上，在期望值的众多定义中，有一个定义就是当
观测值个数趋于无穷时的样本均值。
假定表A … 3中的收益样本为Rt，t= 1，。，T= 6 8，那么年超额收益期望值的估计即为
R =
1 。Rt = 8。57％
T
R上的横杠表示它是期望值的估计。从直觉上来看，样本容量越大，样本均值作
为期望估计值的可靠性也就越大；而随机变量的的标准差越大，均值作为期望估计期
的可靠性也越小。下面我们将更详细地讨论这个性质。
估计高阶矩：以样本均值来估计期望的原理同样也适用于对更高阶矩所进行的估
计。回忆一下，高阶矩的定义就是随机变量对期望偏差若干次方的期望。比如说，方
差（二阶矩）是偏差二次方的期望。于是，样本观测值对样本平均的偏差进行平方后，
平方的平均值S2即为方差的估计。
21 。 1 。 2
s = （ Rt … R ）2 = （ Rt … 0。087 5）= 0。04368（s = 20。90％）
T …1 67
其中R 即为样本均值。偏差平方取平均值时分母采用了T…1＝6 7，这纯粹是一个
技术上的原因。如果我们除以T，那么方差的估计就会偏小，偏小因子为（T…1 ） /T。同
时，对高阶矩来说，样本容量越大，真实标准差越小，估计值的可靠性也就越大。
A。3 多随机变量的统计分析
资产组合的构建需要将许多随机变量进行加总。资产组合的收益率就是各个体资
产收益率的加权平均。因此对于资产组合分析来说，理解和量化各随机变量之间的独
立性是相当重要的步骤。
在本节中，我们首先回到情景分析法，然后再考虑如何从样本中获取信息。
A。3。1 随机变量间关系的一个基本指标：协方差
在表A … 4中，我们把安休瑟…布希公司股票及其期权的收益率情况分析结果作了一
下总结。对于随机变量加一常数或乘以一个常数的情形，我们早已熟悉了。但当我们
把两个随机变量加在一起，结果会怎样呢？假如我们现在把股票收益加在看涨期权收
益之上，我们于是得到了一个新的随机变量，并把它记为r（s＋c）＝r（s）＋r（c），
其中r（s）为股票收益，r（c）为看涨期权收益。
表A…4 安休瑟…布希公司股票及期权收益的概率分布
项目情景1 情景2 情景3
概率0 。 2 0 0 。 5 0 0 。 3 0
收益率（％）
股票2 0 3 0 5 0
看涨期权…1 0 0 …1 0 0 4 0 0
看跌期权5 0 …2 5 …1 0 0
E（r） 2
下载
附录A 定量计算的复习
761
（续）
项目情景1 情景2 情景3
股票0 。 3 4 0 0 。 111 4 0。012 4
看涨期权0 。 5 0 0 2。291 3 5。250 0
看跌期权…0 。 3 2 5 0。525 0 0。275 6
由定义可知，该合成随机变量的期望值为：
E＇r（s＋c） ＇＝。P r （i）ri（s＋c） （ A … 1 0 ）
把r（s＋c）的定义代入等式A … 1 0，我们有：
E＇r（s＋c） ＇＝。Pr（i） ＇ri（s）＋ri（c） ＇＝。P r （i）ri（s）＋。P r （i）ri（c）
＝E＇r（s） ＇＋E＇r（c） ＇ （ A … 11 ）
也就是说，两个随机变量和的期望值等于两个随机变量期望值的和。对于方差，
这句话还适用吗？回答是“不”，这也是资产组合理论中最重要的事实。其原因就归
根于随机变量之间具体的联合性质的基本指标。尽管下面的表述看上去很深奥，但它
们最多不过是平方和而已，也就是（a＋b）2＝a2＋b2＋2a b和（a…b）2＝a2＋b2…2a b这两个最
基本的公式。其中的a、b可能表示随机变量，也可以是它们的期望，或者它们对其期
望的偏差。由方差的定义，我们有：
s＋c2= E＇rs＋c … E（rs＋c ）＇2 （A … 1 2）
为了使式（A … 1 2）到式（A … 2 0）变得易于理解，我们以s、c脚标来表示随机变量，
然后以i来表示各种情景。在式（A … 1 2）中替换r（S＋C）及其期望的定义式，有：
s＋c2= E＇rs ＋ rc … E（rs ） … E（rc ）＇2
（A … 1 3）
在式（A … 1 3）中交换各变量的顺序，有：
2
= E＇r… E（r） ＋ r… E（r）＇2
s＋c ssc c
在平方的括弧里面，其实就是两个随机变量对其期望偏差的和，我们以d记之，即：
s＋c2= E＇（ ds ＋ dc ）2＇ （A … 1 4）
式（A … 1 4）是一个完全平方和的期望。把平方展开，我们有：
s＋c2= E（ds2＋ dc2＋ 2dsdc ） （A … 1 5）
式（A … 1 5 ）括号由三个随机变量的和组成。由于和的期望就是期望的和，我们可
以把式（ A … 1 5 ）写成：
s＋c2= E（ ds2） ＋ E （dc2） ＋ 2 E（dsdc ） （A … 1 6）
在式（ A … 1 6）中，右边的前两项就是股票收益的方差（即偏差平方的期望）加上
期权收益的方差。第三项就是协方差的两倍，该定义就在式（ A … 1 7 ）（注意期望要乘以2，
是因为随机变量两倍的期望等于随机变量期望的两倍）。
换句话来说，随机变量和的方差是方差的和再加上协方差的两倍。我们这里记协
方差为：
C o v （rs，rc）＝E（dsdc）＝E｛ ＇rs …E（rs） ＇ ＇rc …E（rc）＇｝ （A … 1 7）
协方差的值与表达式括号中两个随机变量的顺序无关。由于乘法计算与字母的顺
序无关。由式（ A … 1 7 ）协方差的定义可知字母顺序的改变不会影响协方差的值。
我们利用表A … 4中的数据作为原始输入数据来计算协方差。计算过程及结果如表
A … 5所示。
762 第八部分附录
表A…5 安休瑟…布希公司股票及期权收益相对于各自期望的偏差、
偏差平方及偏差加权积
下载
项目情景1 情景2 情景3 概率加权和
概率0 。 2 0 0 。 5 0 。 3 0
股票的偏差…0 。 1 4 …0 。 0 4 0 。 1 6 0 。 0 1 2 4
偏差平方0。019 6 0。001 6 0。025 6
看涨期权的偏差…1 。 5 0 …1 。 5 0 3 。 5 0 5 。 2 5
偏差平方2 。 2 5 2 。 2 5 1 2 。 2 5
看跌期权的偏差0 。 8 2 5 0 。 7 5 …0 。 6 7 5 0。275 628
偏差平方0。680 625 0。005 625 0。455 635 0 。 2 4
偏差乘积（dsdc） 0 。 2 1 0 。 0 6 0 。 5 6 …0 。 0 5 7
偏差乘积（dsdp） …0 。 115 5 …0 。 0 0 3 …0 。 1 0 8 …1。012 5
偏差乘积（dcdp） …1。237 5 …0 。 112 5 …2。362 5
首先，我们分析股票与看涨期权之间的协方差。在情景1或情景2中，两种资产都
表现出了对各自期望值的负偏差，这是正的同步性的一种反映。当两个负的偏差相乘
时，最终构成协方差的偏差积就会是正的。当随机变量变化方向一致，那么协方差就
趋于正，当随机变量的变化方向相反，那么协方差就趋于负。在情景3中，两种资产
都是正偏差，这更有力地表明了两者的同步性。偏差之积的大小程度，再乘以各个情
景的发生概率，然后加总，所得的结果就是协方差。它不仅能说明同步性的方向（通
过其符号），而且也能说明同步性的程度。
协方差是一个类似于方差的统计量。方差测度的是一个随机变量偏离其期望值的
程度，而协方差测度的是两个随机变量对其各自期望值偏离的同步性程度。对于资产
组合分析来说，有一个性质是很重要的，那就是一个随机变量与其自身的协方差等于
它的方差。如果你在式（ A … 1 7 ）中适当地替换某些偏差，你就会看到这一点。此时，协
方差的结果就是该随机变量偏差平方的期望。
在表A … 5最后一列的前三个值就是我们已经熟悉的三种资产的方差，它们分别是
股票、看涨期权与看跌期权。该列最后三个数值是协方差，其中的两个呈负值。比如
说，我们考察股票与看跌期权的协方差。在情景1中，股票实现了负的偏差值，而看
跌期权则实现了正的偏差值。当我们把它们相乘时，符号为负。在情景3下，同样的
情况也会发生，只是现在股票实现的是正偏差，而看跌期权为负偏差。同样，乘积仍
为负，因此更加强了两者之间负的同步性。
对其他的情景或者其他的资产来说，偏差乘积可以在某些情景下为负，在另一些
情景下为正。这些乘积的值，再乘以它们各自实现的概率，决定了两个随机变量同步
性的性质。但是，如果我们发现不管各种情景的乘积符号怎样变化，各自的结果会大
致正负相抵，并最终得到一个很小的接近于零的协方差，那么我们就会推断各资产的
收益间存在着小的同步性，甚至根本就不存在同步性。
由于协方差就是两随机变量对期望偏差乘积的期望，要分析变量替换对协方差的
影响，我们可以从变量替换对其偏差影响的分析来入手。
假设在其中一个随机变量上加了一个常数，我们早就知道此时其期望也会增加同
样的常数，所以其对期望的偏差应该保持不变。就像对一个随机变量加上一个常数不
会影响其方差一样，这样做也不会影响它与其他变量的协方差。
把随机变量乘以一个常数后，它的期望也扩大了常数倍，于是其对期望的偏差也
扩大了常数倍。因此，这样做会使它与其他随机变量的协方差扩大该常数倍。利用协
方差的定义式，读者可以验证下式是否成立（该式是对上文讨论的总结）。
Co v （a1＋b1rs，a2＋b2rc）＝b1b2Co v （rs，rc） （A…18）
下载
附录A 定量计算的复习
763
有了协方差，我们就可以计算随机变量和的方差，进而计算资产组合收益率的方
差了。
A。3。2 一个纯粹的关于相关性的指标：相关系数
假如我们告诉你，现在股票收益率与看涨期权收益率之间的协方差为0 。 2 4（见表A … 5）。
你能得出什么结果？因为符号为正，你可能会得出两种收益大致为同向变动的结论。但
是，对于股票与看涨期权同步性的具体程度来说，0 。 2 4这个数字实在毫无用处。
要得到一个关于描述同步性程度的相关性指标，我们可以把协方差再除以这两个
变量的标准差。每个标准差即为其方差的平方根。于是两个标准差的乘积就与方差具
有同样的测度单位，而且也与协方差的单位相同。所以，我们据此定义有相关系数
：
Cov（rs ；rc ）
sc = （A … 1 9）
s
c
其中
的下脚标标明了两个随机变量。由于在协方差的表达式中变量顺序的变换
与其数值结果无关，式（ A … 1 9 ）表明相关系数的数值也与字母顺序无关。
我们利用表A … 5，得到了三个随机变量的协方差矩阵。
名称股票看涨期权看跌期权
股票1 。 0 0 0 。 9 4 …0 。 9 7
看涨期权0 。 9 4 1 。 0 0 …0 。 8 4
看跌期权…0 。 9 7 …0 。 8 4 1 。 0 0
最高的（绝对值）相关系数是股票与看跌期权之间的相关系数
S P =…0 。 9 7，尽管它
们之间协方差的绝对值为最小。原因很明显，它们两者的标准差乘积也很小。接下来
就是几条关于相关系数的重要性质：
。 如式（ A … 1 9 ）所示，相关系数完全由随机变量对其期望的偏差所决定。因此我们
推得相关系数并不会因为其中的随机变量加减某个常数而改变。但是，当随机变量乘
以一个常数后，相关系数仍保持不变。你可以通过把协方差与标准差各乘以一个常数
后的效果来验证这一性质。
。 就像协方差一样，相关系数只是关于两个变量相关性的指标，它并不能反映两
者之间的因果性。因果性必须要得到理论及特定实证结果的支持。
。 相关系数的取值范围为＇…1 。 0 ； 1 。 0 ＇，…1 。 0表示完全的负相关，1 。 0表示完全的正相
关。这可以从计算一个随机变量与其自身相关系数得到。其结果应为1 。 0，因为随机变
量与其自身的协方差即为其方差，你可以用式（ A … 1 9 ）来验证1 。 0的结果。你甚至还可以
验证一个随机变量与其负的自身之间的相关系数为…1 。 0。从式（ A … 1 7 ）你可以看到随机
变量与其负的自身之间的协方差等于负的方差。然后代入式（ A … 1 9 ），即可得到这一结
果。
因为x与y之间的相关性和y与x之间的相关性没有区别，所以相关系数矩阵是对称
阵。对角线上的元素全为1 。 0，因为它们是各随机变量与其自身的相关系数。因此，习
惯上我们仅须写出相关系数矩阵的下三角部分。
再考察一下式（ A … 1 9 ）。你可以重新整理一下，得到式（ A … 2 0 ）。该式把协方差表示
成相关系数与标准乘积的形式：
C o v （rsrc） =
（ A … 2 0 ）
s c
sc
这个公式很有用，因为许多人习惯用相关系数来考虑问题，而不是用协方差。
从收益样本中估计相关系数假设一个样本由互相独立的观测值构成，于是我们
对所有的观测值赋以相同的权重，并用它们的简单平均来估计其期望。当估计方差与
协方差时，我们把平方和除以总观测数减1，所得的平均值即为估计值。
假定我们现在希望对股票与长期无风险政府债券之间的相关系数进行估计，我们
下载
764 第八部分附录
仍以表A … 3为例。假定现有从1 9 2 6年到1 9 9 3年这6 8个年超额收益的样本观测值。利用式（ A … 1 9 ）中相关系数的定义式，你可以对下面的统计量进行估计（脚标s表示
股票，b表示债券，t表示时期）：
Rs = 1 。（68） Rs ；t = 0。085 7；Rb = 1 。Rb； t = 0。162
68 t =1 68
=é 1 。（R… R ）2 ù1/2
= 0。2090
ss；ts
。67 。
=é 1
… Rb ）2 ù1/2
= 0。085 0
b 。 67 。（Rb； t 。
Cov（ Rs ； Rb ） = 1 。＇（Rs；t … Rs ）（Rb；t … Rb ）＇ = 0。00314
67
Cov（ Rs ； Rb ）
0。17916
sb
s
b
现在我们想说明一个有可能产生错误估计的例子。回忆一下，我们利用该样本进
行参数估计的前提假定是它们的概率分布在整个样本期内没有变化。为了考察这个假
定是否成立，我们现在对1 9 6 5～1 9 8 7年这段较近时期内股票、债券的相关系数进行重
新估计。这段时期正好是政府为越战与星球大战计划而大规模举债的时期。
如前面的计算过程，我们计算1 9 6 5年至1 9 8 7年的数据。我们得到：
Rs = 0。031 2； Rb =…0。003 17
=0。155 65
b= 0 。 112 17
C o v （Rs；Rb）=0。00
