统计基础和收益率

1. 收益率

定义时期$t$（从时刻$t$到时刻$t+\Delta t$，长度为$\Delta t$）上的收益率。如果资产在时刻$t$的价格是$P(t)$，而在时刻$t+\Delta t$的价格是$P(t+\Delta t)$ ，并且它在时期$t$上的收益分配总额为$d(t)$（企业分红等），那么该资产的总收益(total \space return)是：

$$R(t)=\frac{P(t+\Delta t)+d(t)}{P(t)}$$
该资产的 收益率是：
$$rr(t)=R(t)-1$$
还可以计算出无风险资产（例如，期限为 $\Delta t$的国库券）的总收益 $R_F$和收益率 $i_F$。之后定义资产的 超额收益率为：
$$r(t)=R(t)-R_F(t)$$
或者：
$$r(t)=rr(t)-i_f(t)$$

2. 统计相关

简要计算均值、标准差、方差、协方差和相关系数，简要讨论它们的标准误。
假设有股票$n$的一组超额收益率观测值序列，记为$r_n(t)$，其中$t=1,2,...,T$，换言之我们观察了股票$n$连续$T$个月的表现。
— 股票$n$的平均收益率（样本均值）记为$\overline r_n$：

$$\overline r_n=(\frac{1}{T})\cdot \sum_{t=1}^{T}{r_n(t)}$$
— 样本方差为：
$$Var\{r_n\}=(\frac{1}{T-1})\cdot \sum_{t=1}^{T}{[r_n(t)-\overline r_n]^2}$$
— 样本标准差为：
$$Std\{r_n\}=\sqrt{Var\{r_n\}}$$
注意在计算方差时用的是 $T-1$而不是 $T$，这是因为在总体均值和总体方差同时未知时（此时必须先估计样本均值），只有$T-1$才能使得上述估计是无偏的。如果我们知道总体均值的真值（不必用样本均值代替），那么计算方差时将使用 $T$做分母。在小样本情形下尽量减少使用上述的统计量，因为此时采用$T$和 $T-1$将产生非常不同的结果。
后续为不同资产之间的相关性。假设我们有另一只资产 $m$的超额收益率序列$r_m(t)$，其中 $t=1,2,...,T$。
那么资产 $n$和资产$m$之间的 协方差是：
$$Cov\{r_n,r_m\}=(\frac{1}{T-1})\cdot \sum_{t=1}^{T}{[r_n(t)-\overline r_n]\cdot[r_m(t)-\overline r_m]}$$
(注： $Cov\{r_n,r_n\}=Var\{r_n\}，Cov\{r_n,r_m\}=Cov\{r_m,r_n\}$)
资产 $n$和资产$m$的 相关系数是：
$$Corr\{r_n,r_m\}=\frac{Cov\{r_n,r_m\}}{Std\{r_n\}\cdot Std\{r_m\}}$$

3. 标准误

统计量的标准误是其估计偏差的标准差。标准误是对估计精度的基本度量。假设估计偏差服从正态分布，那么样本均值的标准误为：

$$SE\{\overline r\}=\frac{Std\{r\}}{\sqrt{T}}$$
样本标准差的标准误近似为：
$$SE\{Std\{r\}\}\approx \frac{Std\{r\}}{\sqrt{2\cdot T}}$$
样本方差的标准误近似为：
$$SE\{Var\{r\}\}\approx Var\{r\}\cdot \sqrt{\frac{2}{T}}$$
在大样本量（即 $T$很大）的情形下，上述近似估计结果将随样本量的增大而越来越精确。

4. 简单线性回归

在估计资产的贝塔值时，可用到最简单的回归：用资产超额收益率对市场超额收益率回归。

$$r_n(t)=\alpha_n+\beta_n\cdot r_{mkt}(t)+\epsilon_n(t)$$
简单线性回归（ordinary least squares，OLS）选取使 残差平方和（sum of squared errors，ESS）最小的 $\alpha_n$和 $\beta_n$作为估计值：
$$ESS=\sum_{t=1}^{T}{\epsilon_n^2(t)}$$
$\beta_n$的估计值为：
$$\beta_n=\frac{Cov\{r_n,r_{mkt}\}}{Var\{r_{mkt}\}}$$
$\alpha_n$的估计值为（残差项取最小后被忽略）：
$$\alpha_n=\overline r_n-\beta_n\cdot \overline r_{mkt}$$
上述方程中使用均值、方差和协方差的样本估计值。一般都用 $\beta_n$的估计值式子来定义贝塔，但其中的 方差和 协方差要换成根据 协方差矩阵计算出的预测值。
回归 $R^2$的定义如下：
$$R^2=1-\frac{Var\{\epsilon_n\}}{Var\{r_n\}}$$
另外一个关于 回归的有用结果是“ 残差项$\epsilon_n(t)$与市场的超额收益率$r_{mkt}(t)$是不相关的”：
$$Cov\{r_{mkt},\epsilon_n\}=0$$
更一般的回归分析可以包含更多的独立变量（解释变量），并使用加权残差平方和。但是， 基本原则不变——选取使（加权）残差平方和最小的模型参数作为估计值。回归分析产生的残差与独立变量（解释变量）是不相关的。$R^2$的定义依旧不变。