CFA定量分析重点.docxVIP

CFA定量分析重点

引言

在CFA（特许金融分析师）的知识体系中，定量分析是贯穿一级至三级考试的核心基础模块，也是金融实务中投资决策、风险评估与业绩归因的重要工具。它如同金融分析的“数字语言”，通过统计学、概率论与计量模型，帮助我们从海量数据中提取规律、验证假设、预测趋势。无论是一级考试中对基础统计概念的理解，还是二级对回归分析的深入应用，亦或是三级对资产配置模型的构建，定量分析始终是连接理论与实践的桥梁。本文将围绕CFA定量分析的核心内容，按照“基础概念—概率与分布—统计推断—高级模型”的递进逻辑，结合多维度的知识要点展开详细阐述。

一、统计学基础：数据描述的底层逻辑

要理解金融市场的运行规律，首先需要学会“阅读数据”。统计学基础正是定量分析的起点，它教会我们如何用简洁的指标描述数据特征，为后续的概率分析与模型构建奠定基础。

（一）数据类型与度量尺度

数据是定量分析的原材料，不同类型的数据需要不同的分析方法。从性质上看，数据可分为分类数据与数值数据两大类。分类数据（如行业类别、信用评级）仅用于区分事物的属性，通常用文字或代码表示；数值数据（如股价、收益率）则包含数量信息，能进行加减乘除运算。

进一步细分，数据的度量尺度可分为四个层次：名义尺度（仅标记类别，无顺序，如股票代码）、顺序尺度（有顺序但无固定间隔，如晨星评级1星至5星）、区间尺度（有顺序且间隔相等，但无绝对零点，如温度）、比率尺度（包含绝对零点，可计算比例，如资产收益率）。理解度量尺度的关键在于明确“能做什么运算”——名义尺度只能计数，顺序尺度可比较大小，区间尺度能算差值，比率尺度则支持倍数计算。例如，收益率作为比率尺度数据，“10%的收益是5%的两倍”是有意义的；而温度（区间尺度）中“30℃是15℃的两倍”则无实际意义。

（二）集中趋势与离散程度：数据的“中心”与“波动”

描述数据特征时，我们最关心两个问题：数据的“中心位置”在哪里？数据围绕中心的“波动范围”有多大？这对应集中趋势与离散程度的度量。

集中趋势的常用指标包括均值、中位数与众数。均值（算术平均数）是最直观的中心指标，但易受极端值影响——例如，若某投资组合中9只股票年收益为5%，1只股票因黑天鹅事件亏损95%，均值会被拉低至-5%，而中位数仍为5%。中位数是数据排序后的中间值，对极端值不敏感，更适合描述偏态分布的数据；众数则是出现次数最多的值，适用于分类数据（如最常见的行业分布）。三者的关系能反映数据分布形态：在对称分布中，均值≈中位数≈众数；在右偏分布（如收入分布）中，均值＞中位数＞众数；左偏分布则相反。

离散程度衡量数据的分散性，常用指标有方差、标准差、极差与四分位距。方差是各数据与均值差的平方的平均数，标准差是方差的平方根（因方差单位是原始数据单位的平方，标准差恢复了原始单位，更易理解）。例如，两只基金的年化收益率均值均为8%，但标准差分别为5%和10%，显然前者收益更稳定。极差（最大值-最小值）简单直观但易受极端值干扰；四分位距（第三四分位数-第一四分位数）则关注中间50%的数据，避免了极端值的影响，适合描述偏态分布的离散程度。

（三）偏度与峰度：分布形态的“形状密码”

仅知道中心与波动还不够，数据的分布形态（如是否对称、尾部是否厚重）会直接影响分析结论。偏度（Skewness）衡量分布的不对称性：正偏态（右偏）表示数据右侧有较长的尾巴（如股票收益率的正向极端值），此时均值大于中位数；负偏态（左偏）则左侧尾巴更长（如亏损的极端值更多），均值小于中位数。例如，多数股票的收益分布呈现轻微正偏，因为偶尔的大幅上涨会拉长右尾。

峰度（Kurtosis）描述分布的“尖峰厚尾”程度，以正态分布（峰度=3）为基准：尖峰分布（峰度＞3）的峰值更陡峭，尾部更厚（极端值更多），称为“leptokurtic”；平峰分布（峰度＜3）的峰值更平缓，尾部更薄，称为“platykurtic”。金融数据（如汇率波动）常呈现尖峰厚尾特征，这意味着传统正态分布模型可能低估极端风险，需特别注意。

二、概率与概率分布：从数据描述到规律预测

掌握了数据的描述方法后，我们需要更深一步——理解数据背后的概率规律。概率与概率分布是连接历史数据与未来预测的桥梁，也是金融模型（如CAPM、期权定价）的理论基础。

（一）概率的基本概念与规则

概率是对事件发生可能性的量化描述，CFA中重点关注三类概率：先验概率（基于逻辑推理，如抛硬币正面朝上的概率为50%）、经验概率（基于历史数据统计，如某股票过去100天中上涨的概率为60%）、主观概率（基于个人判断，如分析师认为某公司明年上市的概率为30%）。

概率的运算需遵循基本规则：加法法则用于计算“事件A或事件B发生”的概率（P(A∪B)=P(A)+P(B)-P(A∩B)），若A与B互斥（不可能同时发生）