FRM第一部分的考试第二章叫做数量分析,其实说白了就是概率论和数理统计。想想自己在本科学的概率论,虽然分数还比较高,但是真的是没有理解透彻,学了一遍也算是加深了系统性理解了吧。
随机变量是什么东西呢?一般来说,一个变量就是一个值,但是在概率的世界里面,一个变量的描述是一个概率分布函数,存在不确定性。那么对于变量,必然有四种基本运算,加减乘除。
运算就如同上表。特别要注意的是,互斥和独立的区别,就像后面要讲的joint概率和conditional概率一样,前者是指同时性,后者是指相关性,两者没有联系。
这是概率论中比较重要的公式,就是贝叶斯公式,就是用先验概率来推测后验概率,公式很简单,把分子乘到左边后就是很显然的等式,但是含义却很丰富,大家可以随意百度,找一些例子。
然后我们来考虑均值、方差这些。
均值太简单的,就不说了。我们考察一下方差,然后联系一下方差和均值。
计算X变量的方差,与均值联系之后是这样计算的
V(X)=E(X^2)-E(X)^2,换句话说,就是平方的期望减去期望的平方。我们想一下,什么时候两者相等?就是X是一个常数的时候,而这个时候,X的波动率为0,也就是说,方差为零。
那么协方差呢?其实协方差和方差的计算基本一致,只是一个是X,一个是Y,平方变乘积,如此而已。而协方差竟然有这么好的性质,可以用于衡量两个变量的相关性,这也是很神奇的事情。
COV(X,Y)=E(XY)-E(X)E(Y)。这个式子告诉我们两个变量之间,协方差的计算方式。那么,如果协方差为零意味着什么呢?就是X与Y没有关系,换句话说,就是X与Y独立(independent),记住,是独立,不是互斥哦。从信息熵的角度考虑,就是已知X,对于你减少Y的不确定性没有任何帮助,因为它们没有半毛钱关系。
于是,我们得出了判断两个变量是否相互独立的办法,就是E(XY)是否与E(X)E(Y)相等。
接下来我们看一下协方差和方差的一个展开方式。
协方差的展开就像多项式的展开一样,只要知道常数与一个变量的协方差等于零这个常识就可以了。常数的信息量为零,这是显然的。
而对于方差,我们不妨看一下后面带了两倍的一个协方差,而且是有正负号的。这是什么意思呢?如果X与Y之间是负相关的,那么,两个变量相加之后,协方差是负的,最后的总方差将会小于两个方差各自的加总。这里是不是有点CAPM模型的意味了。两个资产存在负相关性,那么就可以组合出更高sharp ratio的组合。
最后我们讨论一下相关系数。当然,其实是线性相关系数。这个系数就是由协方差归一化得来的,而归一化因子就是X和Y的标准差。
所以说,相关系数,协方差,各自方差,只要知道三个,就可以计算出另外一个。
接下来是一个用来衡量变量对称性的度量指标,就做偏度,计算式子:
很显然,这是一个可正可负的值,那么正负号表达什么呢?就是分布相对于均值是否偏离。就像下图这样,负值,则表示负偏,尾巴在左边。
最后还有一个指标,叫做峰度,用来衡量尖峰的程度。正态分布的峰度是3,所以如果计算出来大于3,那么就是比正态分布要尖,同时尾部会肥一些。反之一样。