欢迎来到样本动差 (Sample Moments)！

在准备 FRM Part I 的过程中，你经常会听到“总体 (population)”（即背后真实的数据生成过程）。在现实世界中，风险管理者极少能观察到整个总体。相反，我们观察有限的数据样本 (samples)，并计算样本动差 (sample moments)，以推论总体分布的特性。

1. 核心概念：总体 vs. 样本 及 估计量 vs. 估计值

在计算公式之前，必须先分清理论建构与经验计算之间的区别：

总体动差 vs. 样本动差：总体动差（如总体平均数 \(\mu\) 或方差 \(\sigma^2\)）是一个固定、非随机的参数，用来描述整个总体。样本动差（如样本平均数 \(\bar{X}\) 或样本方差 \(s^2\)）则是由观察到的样本数据计算得出，是一个受抽样变异影响的随机变量。

估计量 vs. 估计值：估计量 (estimator) 是一种应用于随机样本的法则或数学函数（例如：\(\hat{\theta} = \frac{1}{n}\sum X_i\)）。估计值 (estimate) 则是当估计量在特定观察到的样本数据集上进行计算时，所产生的具体数值（例如：\(4.2\%\)）。

2. 估计量的理想特性

风险分析师主要根据三个标准来评估估计量：

无偏性 (Unbiasedness)：如果估计量 \(\hat{\theta}\) 的期望值等于真实总体参数，则该估计量为无偏：\(E[\hat{\theta}] = \theta\)。偏差 (Bias) 定义为 \(\text{Bias}(\hat{\theta}) = E[\hat{\theta}] - \theta\)。

BLUE（最佳线性无偏估计量，Best Linear Unbiased Estimator）：如果一个估计量是观察值的线性组合、具有无偏性，并且在所有可能的线性无偏估计量中拥有最小方差，则称其为 BLUE。最小方差意味着估计值更紧密地集中在真实参数周围。

一致性 (Consistency)：当样本量 \(n\) 趋近于无穷大时，若估计量在概率上收敛至真实参数，则该估计量具备一致性：\(\lim_{n \to \infty} P(|\hat{\theta}_n - \theta| > \epsilon) = 0\)。

3. 第一动差：样本平均数 \(\bar{X}\)

样本平均数衡量集中趋势，用以估计总体平均数 \(\mu\)：

\( \bar{X} = \frac{1}{n} \sum_{i=1}^{n} X_i \)

其中 \(n\) 为观察值数量，\(X_i\) 代表各个样本数值。样本平均数是 \(\mu\) 的无偏估计量（因 \(E[\bar{X}] = \mu\)），且在经典假设下，是 \(\mu\) 的 BLUE 估计量。

抽样分布、大数法则与中心极限定理

由于 \(\bar{X}\) 是由随机数据计算而来，它本身拥有自己的概率分布，并具有标准误 (Standard Error, SE)：

\( SE_{\bar{X}} = \frac{\sigma}{\sqrt{n}} \)

大数法则 (Law of Large Numbers, LLN)：当样本量 \(n\) 增大时，样本平均数 \(\bar{X}\) 在概率上收敛至总体平均数 \(\mu\)。这证明了 \(\bar{X}\) 是 \(\mu\) 的一致估计量。

中心极限定理 (Central Limit Theorem, CLT)：对于具有有限方差 \(\sigma^2\) 的独立同分布 (i.i.d.) 样本，当 \(n \to \infty\) 时，无论总体的原始分布形态为何，\(\sqrt{n}(\bar{X} - \mu)\) 的分布均按分布收敛至正态分布：\(\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)\)。

4. 第二动差：样本方差与标准差

样本方差衡量数据围绕样本平均数的离散程度。

\( s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2 \)

贝塞尔校正 (Bessel's Correction, \(n-1\))：除以 \(n-1\) 而非 \(n\)，是为了校正因使用 \(\bar{X}\) 代替未知的真实总体平均数 \(\mu\) 所损失的自由度。这使得 \(s^2\) 成为总体方差 \(\sigma^2\) 的无偏估计量。

样本标准差 \(s\)：\( s = \sqrt{s^2} \)。虽然 \(s^2\) 是 \(\sigma^2\) 的无偏估计量，但由于琴生不等式 (Jensen's inequality)，\(s\) 严格来说是 \(\sigma\) 的略微有偏估计量，但它具备一致性。

5. 第三动差：样本偏度

偏度衡量概率分布围绕其平均数的不对称性程度。

样本偏度估计量的计算公式为：

\( \hat{S} = \frac{\frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^3}{s^3} \)

正偏度（右偏，\(\hat{S} > 0\)）：长尾在右侧；平均数通常大于中位数。

负偏度（左偏，\(\hat{S} < 0\)）：长尾在左侧；常见特征为频繁的小额收益伴随罕见但严重的分险下行亏损。风险管理者特别关注回报率的负偏度。

零偏度 (\(\hat{S} = 0\)）：对称分布（如标准正态分布）。

6. 第四动差：样本峰度

峰度衡量尾部的肥厚程度，以及相对于正态分布而言产生极端离群值的倾向。

样本峰度估计量的计算公式为：

\( \hat{K} = \frac{\frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^4}{s^4} \)

超额峰度 (Excess Kurtosis) 将正态分布（其峰度为 3）作为基准进行中心化调整：

\( \text{超额峰度} = \hat{K} - 3 \)

尖峰（Leptokurtic，\(\hat{K} > 3\)，超额峰度 > 0）：厚尾且顶峰尖锐。金融资产回报通常表现出尖峰特征，这意味着市场发生极端暴跌的频率远高于正态分布的预测。

常态峰（Mesokurtic，\(\hat{K} = 3\)，超额峰度 = 0）：正态的尾部特征。

低峰（Platykurtic，\(\hat{K} < 3\)，超额峰度 < 0）：薄尾，出现极端离群值的概率较低。

7. 样本分位数 (Sample Quantiles)

样本分位数将排序后的样本观察值划分成特定比例。如果样本量为 \(n\) 的数据排序为 \(X_{(1)} \le X_{(2)} \le \dots \le X_{(n)}\)，则第 \(p\) 个分位数 \(q_p\)（其中 \(0 < p < 1\)）是指有比例为 \(p\) 的观察值落于其下的数值。

中位数（0.50 分位数）：将分布平分为两半；与样本平均数相比，中位数对极端离群值具有稳健性 (robust)。

四分位数：第 25 百分位数 (\(Q_1\))、第 50 百分位数 (\(Q_2\)) 及第 75 百分位数 (\(Q_3\))。四分位距 (Interquartile Range, IQR) 为 \(IQR = Q_3 - Q_1\)。

风险价值 (Value at Risk, VaR)：在金融风险管理中，置信水平为 \(1 - \alpha\) 的风险价值 (VaR) 是直接利用投资组合回报的下 \(\alpha\) 分位数来估计的。

8. 交叉动差：共偏度与共峰度

当同时分析多个风险因子或资产时，交叉动差 (cross-moments) 可以描述超越线性协方差的非线性联合尾部依赖性：

共偏度 (Coskewness)：衡量一种资产的方差如何与另一种资产的回报相关联，或联合极端值如何倾斜。具体公式为 \(S(X, X, Y) = \frac{E[(X - \mu_X)^2(Y - \mu_Y)]}{\sigma_X^2 \sigma_Y}\)。与市场回报呈现负共偏度意味着当整体市场遭受大幅下跌时，该资产往往会出现较高波动。

共峰度 (Cokurtosis)：衡量联合尾部厚度以及跨资产同时发生极端事件的可能性：\(K(X, X, Y, Y) = \frac{E[(X - \mu_X)^2(Y - \mu_Y)^2]}{\sigma_X^2 \sigma_Y^2}\)。高共峰度表明一种资产的极端波动与另一种资产的极端波动同时发生，这会在金融危机期间削弱分散投资的效果。

总结表

第一动差：平均数 \(\to\) 中心位置；无偏、一致、BLUE。
第二动差：方差与标准差 \(\to\) 离散程度；使用 \(n-1\) 个自由度。
第三动差：偏度 \(\to\) 不对称性；负偏度代表下行崩盘风险。
第四动差：峰度 \(\to\) 尾部厚度；超额峰度 > 0 代表厚尾。
分位数 \(\to\) 顺序统计量与风险价值的截断临界值。
共偏度与共峰度 \(\to\) 资产间的联合不对称性与同步极端尾部风险。