标准差

标准差 (Standard Deviation)

标准差 (Standard Deviation) 是 概率论 与 统计学 中度量数据 离散程度 的核心指标，反映数据点与 算术平均数 之间的平均距离。标准差越大，数据越分散；越小则越集中在均值附近。在金融中，标准差是衡量 波动率 与 风险 的关键指标。总体标准差用 $\sigma$ 表示，样本标准差用 $s$ 或 $SD$ 表示。

计算公式

标准差是 方差 的算术平方根。

总体标准差

其中 $\mu$ 为 总体均值，$N$ 为总体容量，$\sum (x_i - \mu)^2$ 为离差平方和，除以 $N$ 后得总体方差 $\sigma^2$。

样本标准差

其中 $\bar{x}$ 为 样本均值，$n-1$ 为 自由度。分母使用 $n-1$ 而非 $n$，称为 贝塞尔校正，旨在使样本方差成为总体方差的 无偏估计量。其原理为：样本均值 $\bar{x}$ 天然比总体均值 $\mu$ 更贴近样本数据，致使离差平方和系统性低估，以 $n-1$ 放大后可修正该偏误。

计算示例

某投资组合过去 5 年回报率为 $-5\%, 15\%, 25\%, 10\%, 5\%$。均值为：

各点离差平方和：$(-15)^2 + 5^2 + 15^2 + 0^2 + (-5)^2 = 225 + 25 + 225 + 0 + 25 = 500$。样本方差 $s^2 = 500/(5-1) = 125$，故样本标准差 $s = \sqrt{125} \approx 11.18\%$。回报率平均偏离均值约 11.18 个百分点。

解读方法

经验法则

若数据服从 正态分布，则 68-95-99.7 法则 成立：

• 约 68\% 的数据落在 $\mu \pm \sigma$ 内；
• 约 95\% 的数据落在 $\mu \pm 2\sigma$ 内；
• 约 99.7\% 的数据落在 $\mu \pm 3\sigma$ 内。

超出 $\mu \pm 3\sigma$ 的数据点通常被视为 离群值。例如，若考试成绩均值为 85 分、标准差为 2 分，则绝大多数学生分数在 79-91 分之间；若标准差为 15 分，则分数分布极广，说明学生水平差异显著。

切比雪夫不等式

对于任意分布，切比雪夫不等式 给出：对任意 $k > 1$，至少 $1 - 1/k^2$ 的数据位于均值 $k$ 个标准差范围内。$k=2$ 时至少覆盖 75\%，$k=3$ 时至少覆盖约 88.9\%。该不等式提供了不依赖分布假设的普适性边界，但比经验法则更宽松。

应用

在金融中，资产回报率的标准差是 现代投资组合理论、资本资产定价模型 以及 夏普比率 的关键输入，直接量化投资风险。在经济学中，GDP 增长率、失业率、通货膨胀率 等变量的标准差反映经济运行的稳定性——标准差越低，经济增长越平稳。在工业中，标准差用于 质量控制，零件尺寸的标准差必须控制在极小范围内以确保装配精度。在社会科学中，标准差同样用于衡量调查数据的变异程度与样本代表性。

与其他指标的比较

方差 的单位为原单位的平方（如美元平方），解释不如标准差直观。全距 仅考虑最大值与最小值之差，极易受离群值影响，不能反映数据整体分布形态。四分位距 取第 75 与第 25 百分位数之差，描述中间 50\% 数据的范围，对离群值稳健，在分布偏斜时比标准差更可靠。总体而言，标准差以均值平方差的思路量化离散程度，兼具数学上的优美与实务上的直观，是统计推断不可或缺的基石。