歡迎來到樣本動差 (Sample Moments)！

在準備 FRM Part I 的過程中，你經常會聽到「總體 (population)」（即背後真實的數據生成過程）。在現實世界中，風險管理者極少能觀察到整個總體。相反，我們觀察有限的數據樣本 (samples)，並計算樣本動差 (sample moments)，以推論總體分佈的特性。

1. 核心概念：總體 vs. 樣本 及 估計量 vs. 估計值

在計算公式之前，必須先分清理論建構與經驗計算之間的區別：

總體動差 vs. 樣本動差：總體動差（如總體平均數 \(\mu\) 或變異數 \(\sigma^2\)）是一個固定、非隨機的參數，用來描述整個總體。樣本動差（如樣本平均數 \(\bar{X}\) 或樣本變異數 \(s^2\)）則是由觀察到的樣本數據計算得出，是一個受抽樣變異影響的隨機變數。

估計量 vs. 估計值：估計量 (estimator) 是一種應用於隨機樣本的法則或數學函數（例如：\(\hat{\theta} = \frac{1}{n}\sum X_i\)）。估計值 (estimate) 則是當估計量在特定觀察到的樣本數據集上進行計算時，所產生的具體數值（例如：\(4.2\%\)）。

2. 估計量的理想特性

風險分析師主要根據三個標準來評估估計量：

不偏性 (Unbiasedness)：如果估計量 \(\hat{\theta}\) 的期望值等於真實總體參數，則該估計量為不偏：\(E[\hat{\theta}] = \theta\)。偏差 (Bias) 定義為 \(\text{Bias}(\hat{\theta}) = E[\hat{\theta}] - \theta\)。

BLUE（最佳線性不偏估計量，Best Linear Unbiased Estimator）：如果一個估計量是觀察值的線性組合、具有不偏性，並且在所有可能的線性不偏估計量中擁有最小變異數，則稱其為 BLUE。最小變異數意味著估計值更緊密地集中在真實參數周圍。

一致性 (Consistency)：當樣本量 \(n\) 趨近於無窮大時，若估計量在機率上收斂至真實參數，則該估計量具備一致性：\(\lim_{n \to \infty} P(|\hat{\theta}_n - \theta| > \epsilon) = 0\)。

3. 第一動差：樣本平均數 \(\bar{X}\)

樣本平均數衡量集中趨勢，用以估計總體平均數 \(\mu\)：

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

其中 \(n\) 為觀察值數量，\(X_i\) 代表各個樣本數值。樣本平均數是 \(\mu\) 的不偏估計量（因 \(E[\bar{X}] = \mu\)），且在經典假設下，是 \(\mu\) 的 BLUE 估計量。

抽樣分佈、大數法則與中央極限定理

由於 \(\bar{X}\) 是由隨機數據計算而來，它本身擁有自己的機率分佈，並具有標準誤 (Standard Error, SE)：

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

大數法則 (Law of Large Numbers, LLN)：當樣本量 \(n\) 增大時，樣本平均數 \(\bar{X}\) 在機率上收斂至總體平均數 \(\mu\)。這證明了 \(\bar{X}\) 是 \(\mu\) 的一致估計量。

中央極限定理 (Central Limit Theorem, CLT)：對於具有有限變異數 \(\sigma^2\) 的獨立同分佈 (i.i.d.) 樣本，當 \(n \to \infty\) 時，無論總體的原始分佈形態為何，\(\sqrt{n}(\bar{X} - \mu)\) 的分佈均按分佈收斂至常態分佈：\(\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right)\)。

4. 第二動差：樣本變異數與標準差

樣本變異數衡量數據圍繞樣本平均數的離散程度。

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

貝塞爾校正 (Bessel's Correction, \(n-1\))：除以 \(n-1\) 而非 \(n\)，是為了校正因使用 \(\bar{X}\) 代替未知的真實總體平均數 \(\mu\) 所損失的自由度。這使得 \(s^2\) 成為總體變異數 \(\sigma^2\) 的不偏估計量。

樣本標準差 \(s\)：\( s = \sqrt{s^2} \)。雖然 \(s^2\) 是 \(\sigma^2\) 的不偏估計量，但由於簡森不等式 (Jensen's inequality)，\(s\) 嚴格來說是 \(\sigma\) 的略微有偏估計量，但它具備一致性。

5. 第三動差：樣本偏態

偏態衡量機率分佈圍繞其平均數的不對稱性程度。

樣本偏態估計量的計算公式為：

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

正偏態（右偏，\(\hat{S} > 0\)）：長尾在右側；平均數通常大於中位數。

負偏態（左偏，\(\hat{S} < 0\)）：長尾在左側；常見特徵為頻繁的小額收益伴隨罕見但嚴重的下行虧損。風險管理者特別關注回報率的負偏態。

零偏態 (\(\hat{S} = 0\)）：對稱分佈（如標準常態分佈）。

6. 第四動差：樣本峰態

峰態衡量尾部的肥厚程度，以及相對於常態分佈而言產生極端離群值的傾向。

樣本峰態估計量的計算公式為：

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

超額峰態 (Excess Kurtosis) 將常態分佈（其峰態為 3）作為基準進行中心化調整：

\( \text{超額峰態} = \hat{K} - 3 \)

高狹峰（Leptokurtic，\(\hat{K} > 3\)，超額峰態 > 0）：厚尾且頂峰尖銳。金融資產回報通常表現出高狹峰特徵，這意味著市場發生極端暴跌的頻率遠高於常態分佈的預測。

常態峰（Mesokurtic，\(\hat{K} = 3\)，超額峰態 = 0）：常態的尾部特徵。

低闊峰（Platykurtic，\(\hat{K} < 3\)，超額峰態 < 0）：薄尾，出現極端離群值的機率較低。

7. 樣本分位數 (Sample Quantiles)

樣本分位數將排序後的樣本觀察值劃分成特定比例。如果樣本量為 \(n\) 的數據排序為 \(X_{(1)} \le X_{(2)} \le \dots \le X_{(n)}\)，則第 \(p\) 個分位數 \(q_p\)（其中 \(0 < p < 1\)）是指有比例為 \(p\) 的觀察值落於其下的數值。

中位數（0.50 分位數）：將分佈平分為兩半；與樣本平均數相比，中位數對極端離群值具有穩健性 (robust)。

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

風險價值 (Value at Risk, VaR)：在金融風險管理中，置信水平為 \(1 - \alpha\) 的風險價值 (VaR) 是直接利用投資組合回報的下 \(\alpha\) 分位數來估計的。

8. 交叉動差：共偏態與共峰態

當同時分析多個風險因子或資產時，交叉動差 (cross-moments) 可以描述超越線性協方差的非線性聯合尾部依賴性：

共偏態 (Coskewness)：衡量一種資產的變異數如何與另一種資產的回報相關聯，或聯合極端值如何傾斜。具體公式為 \(S(X, X, Y) = \frac{E[(X - \mu_X)^2(Y - \mu_Y)]}{\sigma_X^2 \sigma_Y}\)。與市場回報呈現負共偏態意味著當整體市場遭受大幅下跌時，該資產往往會出現較高波動。

共峰態 (Cokurtosis)：衡量聯合尾部厚度以及跨資產同時發生極端事件的可能性：\(K(X, X, Y, Y) = \frac{E[(X - \mu_X)^2(Y - \mu_Y)^2]}{\sigma_X^2 \sigma_Y^2}\)。高共峰態表明一種資產的極端波動與另一種資產的極端波動同時發生，這會在金融危機期間削弱分散投資的效果。

總結表

第一動差：平均數 \(\to\) 中心位置；不偏、一致、BLUE。
第二動差：變異數與標準差 \(\to\) 離散程度；使用 \(n-1\) 個自由度。
第三動差：偏態 \(\to\) 不對稱性；負偏態代表下行崩盤風險。
第四動差：峰態 \(\to\) 尾部厚度；超額峰態 > 0 代表厚尾。
分位數 \(\to\) 順序統計量與風險價值的截斷臨界值。
共偏態與共峰態 \(\to\) 資產間的聯合不對稱性與同步極端尾部風險。