739
(续)
宏观预测
资产期望收益(%) 标准差（%）
国库券8 0
消极型权益资产组合1 6 2 3
a .计算这些股票的期望超额收益、阿尔法值以及残差平方和。
b .组建最优风险投资组合。
c .这个最优资产组合的夏普测度是多少？它有多少是由积极型资产组合中来的？M2
是多少？
d .如果一个投资人的风险厌恶系数为2 . 8，他的最佳资产组合是怎样的？
5. 重新计算第4题，当资产组合经理不允许卖空证券时。
a .根据夏普测度与M2，这一限制的成本是多少？
b .根据他的新的完全资产组合，该投资者( A＝2 . 8 )的效用损失为多少？
6. 一家资产组合公司使用双因素模型估计收益产生过程，并使用双因素资产组合
建立它的消极型资产组合。公司的分析人员提供了如下表格：
微观预测
资产期望收益(%) M的贝塔值H的贝塔值残差（%）
股票A 2 0 1 . 2 1 . 8 5 8
股票B 1 8 1 . 4 1 . 1 7 1
股票C 1 7 0 . 5 1 . 5 6 0
股票D 1 2 1 . 0 0 . 2 5 5
宏观预测
资产期望收益(%) 标准差(%)
国库券8 0
资产组合M的因素1 6 2 3
资产组合H的因素1 0 1 8
两个因素的相关系数为0 . 6。
a. 最佳消极型资产组合是怎样的？
b. 根据夏普测度，最佳消极型资产组合比单因素资产组合M强多少？
c. 分析A＝2 . 8的投资人的效用改进，与持有资产组合M作为单风险资产的情况相
比(以资产组合经理的扩展宏观模型为基础)。
7. 假定没有空头交易的限制，根据第6题的数据，建立最佳积极型与完全风险性
资产组合。
a. 最佳风险投资组合的夏普测度是多少？其中积极型资产组合的贡献占多少？
b. A ＝2 . 8的投资人的最佳风险资产组合的效用值为多少？将答案与第6题相比较。
8. 假定有空头交易的限制，重新计算第7题，并比较结果。
9. 假设根据分析家的历史数据，你建立的预期与实际阿尔法的关系为：
实际异常收益＝0 . 3×预期阿尔法值
利用第4题中的阿尔法，考虑阿尔法预测值的不精确性对预测行为会产生多大的
影响？
概念检验问题答案
1. 我们提供了每个策略的年复利收益率。月利率由你来计算：
基金初期：F0 ＝1 000 美元
每个策略结束时的基金：3 600美元ì
. 只利用国库券
67 500美元F1 = í 只利用市场
5 360 000 000美元.. 完全时机选择
740 第七部分资产组合管理的应用
时期数：N＝5 2年
年复利收益率[ 1＋rA]N＝F1/F0 rA ＝(F1/F0)1 /N－1
ì
. 2 . 4 9% 只利用国库券
rA ＝ í 8 . 4 4% 只利用市场
.. 3 4 . 7 1% 完全时机选择
2. 时机决定者完全随机猜测牛市或熊市。一半的牛市将被正确预测，熊市亦然。
这样P1＋P2 －1＝1 / 2＋1 / 2-1＝0
3.a. 当空头头寸被禁止时，除了负阿尔法值的股票从表上剔除外，分析是相同的。
在这种情况下，剩余的两个股票的阿尔法比率之和与残差的比值为0.789 5。这将导致
新的积极型资产组合的形成。
X1 ＝0.345 7/0.789 5＝0.437 9
X2 ＝0.443 8/0.789 5＝0.562 1
现在的阿尔法、贝塔与残差分别为：
＝0.437 9×0 . 0 7＋0.562 1×0 . 0 3＝0.047 5
A
＝0.437 9×1 . 6＋0.562 1×0 . 5＝0.981 7
(eA)＝(0.437 92×0 . 4 52＋0.562 12×0 . 2 62)1 / 2＝0.245 3
空头交易限制的成本已知。阿尔法从2 0 . 5 6%降到4 . 7 5%，此时残差的减少更多，
从8 2 . 6 2%减为2 4 . 5 3%。实际上，一个负阿尔法值的股票在潜力上比正阿尔法值的股票
更吸引人：既然多数股票正相关，负阿尔法值股票的反向特性创造了更加分散化的积
极型资产组合。新资产组合的最佳分布为：
W0 ＝(0.047 5/0.601 9)/(0.08/0.04)＝0.394 6
W* ＝0.394 6/[1＋( 1-0.981 7)×0.394 6]＝0.391 8
最后，完全风险性资产组合估计为：
A
2 . 0.0457 . 2
SP = 0.16 += 0.197 5 SP = 0.44
è 0.2453 .
很清楚，在此例中，我们几乎失去了夏普测度近一半的原始改进。但是，这里对
于证券的保证金有人为的限制作用。当更多的股票被补偿时，许多正阿尔法值的股票
将使积极的资产组合的风险维持在低水平。这是从积极策略中取得最大收益的关键。
我们计算M2：
E(rP*)＝rf＋SPsM ＝0 . 0 7＋0 . 4 4×0 . 2 0＝0 . 1 5 8或1 5 . 8%
M2＝E(rP*)－E(rM)＝1 5 . 8%－1 5%＝0 . 8%
这比无约束资产组合的M2的值的一半还要小一点。
b .当市场指数资产组合的预期更好时，积极型资产组合的地位将变小，它的贡献
比夏普测度的风险资产组合要占据更不重要的位置。在最初的例子里，积极型资产组
合的分布为：
W0 ＝(0.205 6/0.682 6)/( 0.12/0.04)＝ 0.100 4
W* ＝0.100 4/[1＋( 1－0.951 9)×0.100 4]＝0.099 9
虽然市场的夏普比率比现在要好一些，从证券分析中所得的改进将减少：
2 . 0.12 . 2 . 0.2056 . 2
S=+ = 0.421 9
P
è 0.20 . è 0.8262 .
SP = 0.65 SM = 0.60
附录
第八部分
附录A
定量计算的复习
管理与投资课程的学生需要一些特殊的背景知识。那
些受过量化训练的学生对一些材料中正规的数学表述会比
较得心应手，而那些缺少这项技能的学生就会被满篇的数
学公式搞糊涂。但是，大多数学生如果能得到一些训练，
投资学就会变得相对简单，学习效率也将大大提高。如果
你学习了一门好的量化方法入门课程（就像本书一样），
那么无论你需要什么帮助，你都可以求助于它。如果你对
标准的量化课程感到不习惯，这个附录也许会适合你。我
们的目标就是要通过一种可以自学的、非技术性的，甚至
是直观的方式来介绍最重要的量化分析的概念及方法。我
们对内容的安排完全按照注册金融分析师( C FA )课程的顺
序，其中包括的材料与注册金融分析师协会的投资管理业
务有关。
希望这个附录有助于你。有了它，你的风险事业会成
为更有趣味的投资。
如果你还没有一个金融计算器，我们强烈建议你买一
台。许多金融计算器有一个统计方式，你可以在该方式下
计算期望值、标准差以及该问题的回归结果。事实上，通
过用户手册来学会操作它，其本身就是一个有益的活动。
如果你对投资很感兴趣，你应该把金融计算器看作是一个
很好的初期投资。
744 第八部分附录
A.1 概率分布
统计学家们经常会提到“实验”，或“测试”，并且把可能得到的结果称为”事件”。
例如在掷骰子的游戏中，从1到6这6个数字就是“基本事件”。“基本”意味着任何一
面的出现与另一种结果互相排斥。也有一些被称为“复合事件”，他们本身由多于1个
的基本事件组成，例如“奇数”和“小于4”。很显然，“奇数”与“小于4”并不是互
相排斥的。但是，“复合事件”也可以是相互排斥的实验结果，比如说“小于4”和
“大于等于4”。
在决策中，”实验”就是你对决策进行考虑时所处的环境，不同的环境可能会影
响所发生的事件集和它们的概率。决策理论就是要使你在不同的决策环境（即实验）
下都能做出最优的决策，你只要能看清楚各种一般决策的结果与最优决策之间的差距
就可以了。
当某一决策（实验）的结果可以被量化时，也就是说对于每一个基本事件我们都
可以对其赋予某个数值时，实验结果就可以称做”随机变量”了。在投资决策中，随
机变量（即投资决策的赢得）就可以被定义成收益的多少，而收益既可以用美元的数
量来表示，也可以用百分比率来表示。
随机变量所有可能取值的集合，再加上它们各自的概率，就被称做是随机变量的
概率分布。有时如果该随机变量不能取到某值，那么我们就认为取到该值的概率为零。
所有可能的基本事件都被赋予了某个特定的数值和该事件发生的概率，于是各事件的
概率相加之和总等于1。
有时随机变量的取值个数是不可数的，也就是说你不可能把所有可能的取值都列
出来。比如说，假定你现在在一条线上滚球，然后让你记下球在停下来时滚动的距离。
任何一种距离都是有可能出现的，而且距离的精确性取决于玩球者的要求与测度工作
的精度。另一个不可数随机变量的例子是新生婴儿的重量。任意一个正的重量（当然
有一个上界）都是有可能出现的。
我们把不可数的概率分布称为连续的。这个原因其实很显然，因为至少在一个区
间里，那些可能出现的结果（都具有正的概率）将落在连续值区间的任何一个地方。
由于连续分布中随机变量的可能取值的数量是无穷的，那么其概率分布就该由反映随
机变量与其所联系概率之间关系的公式来描述，而不再是简简单单地列出结果及其概
率。我们稍后再在本节中继续探讨连续分布。
有时甚至可数的概率分布也会很复杂。譬如，在纽约股票交易所股价都是以1 / 8来
进行报价的。这意味着未来某期的股价是一个可数的随机变量，可数随机变量的概率
分布称为离散分布。尽管股价不可能下跌至零，但它也是没有上限的。因此，就算它
们是可数的，股价也有可能取无限多的值。于是就像连续概率分布一样，它的离散概
率分布也需要由一个公式来描述。
当然也存在既离散、又有限的随机变量。当相关随机变量的概率分布是可数且有
限的时候，决策一般就比较容易分析。一个例子就是让你猜硬币的“正”、“反”面，
猜错了你一无所得，猜对了你就得到1美元。在这个猜硬币的的游戏中，猜“正面”
的随机变量有一个离散的、有限的概率分布。它们可以写为：
事件值概率
出现正面1 0 . 5
出现反面0 0 . 5
这种分析方法通常称为情况分析方法。因为情况分析方法相对来说比较简单，有
时当真实随机变量是无限的或不可数时，人们也经常使用这种方法来简化分析。你可
以对一系列复合事件赋予可能的取值及概率，但这些复合事件应该是完全的而且互斥
的事件。由于它比较简单而且具有重要的作用，所以，我们先对其进行分析。
附录A 定量计算的复习
745
下面是1 9 8 8年注册金融分析师考试中出现的一道真题：
阿诺德( A r n o l d )先生是一家投资银行研究部门中的成员，他对自己的预测能力很
自信。但是，公司提醒他，分析员不应该把风险看做一项重要的投资指标。在一个更
加跌宕起伏的投资环境中，这尤其重要。另外，他本人也是比较保守的风险厌恶者。
现在他请你对安休瑟-布希公司( A n h e u s e r- B u s c h )的股票进行风险分析。
1) 利用表A - 1，计算安休瑟-布希公司股票实现三种收益的分布指标，写出计算过
程。
a. 值域
b. 方差.p r (i) [ri -E(r) ]2
c. 标准差
d. 方差系数：C V =
/E(r)
2) 分析上述四种风险量化指标的各自用途。
表A-1 安休瑟-布希公司股票潜在收益的分布
结果概率期望收益率（%）①
1 0 . 2 0 2 0
2 0 . 5 0 3 0
3 0 . 3 0 5 0
① 此时假定在任一种情景下期望收益都肯定会实现。这与原题的表述一致。
试题要求很精确的答案，而我们现在只是用它来说明进行情景分析的框架。
表A - 1列出了这个情景决策问题的具体数据。随机变量即为投资于安休瑟-布希公
司股票的收益。但是，在理论上本应写出随机变量所取数据的第三列上所列出的数字
并不是简单的“收益率”—它是“期望收益率“。这意味着“情景”的定义就是一
个由许多基本事件组成的复合事件（而事实上总是这样）。我们把事实简化，以使问
题变得容易入手。
在分析家们试图列示所有情景的概率分布时，他不仅需要确定每种情景下的收益
率，而且还需要确定到底应分为几种情景。这个过程通常被称作确定经济情景发生概
率及各种经济情形下的预期收益（条件期望），该预期收益率大致表现出了各经济背
景下的投资结果。一旦你对情况分析方法熟悉了之后，你就可以对任何概率分布构建
一个简单的情景分析。
A.1.1 期望收益
“如果实验（包括决策环境与决策）无限地重复，随机变量的均值将会是多少？”
随机变量的期望值就是该问题的答案，假如现在你面临一个投资决策，你的这个答案
就大致描述了投资后的收益结果。
注意，该问题本身是存在前提假设的，同时也是很抽象的。因为在实际生活中，
对某一特定经济环境所做的决策（即实验）往往不能重复，更谈不上“无限地重复”
了；所以它的成立是需要前提假设的。而就算实验被重复了许多次（而不是无限），
收益率的平均值也许并不是某次实验可能出现的结果，这就是为什么我们说其抽象的
原因。举个例子，假如某一投资项目的收益率分布为2 0%或-2 0%，它们的概率都为
0 . 5，直觉告诉我们，该投资决策不断重复之后将给我们带来接近于零的平均收益率。
但是在任何一期，投资都不可能产生收益率为零的结果。当投资决策只有一期时，
“期望收益”还会有用吗？
但我们一般还是采用期望收益来测度投资决策的回报。其中的原因有很多，其中
最重要的一条是因为尽管某一特定的投资决策只进行一次，决策者也将会在长时期内
作出许多（也许并不同）的投资决策。那么在这段时期内，收益的均值就会与所有单
746 第八部分附录
独决策的期望收益平均值相当接近。另一个原因更显然，因为我们除了它以外还没有
更好的测度方法[ 1 ]。
表A - 1中各情景的发生概率描述了各种结果产生的概率。如果对安休瑟-布希公司
股票的投资可以重复好几次，那么2 0%的收益率就会在2 0%的时间内出现，3 0%的收益
率就会在5 0%的时间内出现，5 0%的收益率就会在3 0%的时间内出现。期望收益的定义
告诉我们计算期望收益率的方法为[ 2 ]：
E（r）＝0 . 2×0 . 2＋0 . 5×0 . 3＋0 . 3×0 . 5＝0 . 3 4 (或3 4%)
把每种情景标为i＝1 , 2 , 3，并利用和号. ，我们可以写出期望收益的公式：
E(r) = pr(1)r1 + pr(2)r2 + pr(3)r3
=.pr(i)ri3( A - 1 )
等式A - 1中期望的定义提示了随机变量的两个重要性质。首先，如果你在随机变量
i=1
上加一个常数，其期望值也会增加同样的常数。举例来说，如果在表A - 1的每种情景中
的收益率增加了5%，那么最后的期望值也会增至3 9%，读者可以用公式A - 1来验证这条
性质。另外，当我们把随机变量乘以一个常数之后，其期望也会改变同样的比例。如
果我们把各情景下的收益率都乘以1 . 5，那么E(r)就会变为1 . 5×0 . 3 4＝0 . 5 1 (或5 1%)。
第二，随机变量对其期望的偏差，即两者之间的差，也是一个随机变量。我们可
以利用表A - 1中的收益率ri为例，来定义其对期望的偏差：
di =ri -E(r)
那么d的期望值是多少呢？我们以E（d）来表示偏差的期望，通过考察A - 1式，我
们发现其必为零，因为
E(d ) =.Pr(i)di =.Pr( i)[ ri - E(r )]
=.Pr(i)ri - E(r).Pr(i)
= E(r )- E(r ) = 0
A.1.2 关于散布性质的指标
值域：假定表A - 1中的任一情景下的收益率都是确定的，即都将实现其预期收益
率。于是，可能出现的收益结果只能是2 0%、3 0%或5 0%，值域就是指随机变量可能取
值的最大值与最小值之间的差，在此例中即为5 0% -2 0%＝3 0%。很显然，对于随机变
量的散布性质来说，值域只是一种很粗糙的指标。对于此例来说，值域就更不适合了：
因为在各种情景下的收益率本身只是期望值，因此其真实的值域我们无从得知。有一
种值域的变体，称为内四分值域，我们将在后面的“统计指标”中进行介绍。
方差：对方差的一种解释是它测度了“预期的惊奇”。尽管该短语看起来有点矛
盾，但事实上并非如此。首先，我们可以把“惊奇”视为对预期的偏差，这里所说的
“惊奇”不是指“未能实现心中预期”后的心理感觉，而是量化为对于此偏差的方向
与幅度。
表A - 1中的例子说明投资于安休瑟-布希公司股票的预期收益率为3 4%，但是当我
们再次审视各情景下的收益率时，我们发现自己是注定要感到吃惊的，因为实现3 4%
的收益率的概率为零。然而，知道预期不会出现并不意味着我们肯定知道最终实现的
[1] 我们采用低于理想测度的另一事例为用到期收益率去测度债券的收益，到期收益率测度的是如果投资
债券持有到期时可以得到的回报率，以及如果息票利息可以在整个债券的生命期以同样的到期收益率
再投资时可以得到的回报率。
[2] 为了避免混乱，我们将以小数来表达。
附录A 定量计算的复习
747
结果。“惊奇”中应该包含两种要素，它们分别是实际收益对预期偏差的方向与幅度，
因为它们是对随机变量不确定性的测度。所以，了解偏差的概率分布有助于理解我们
现在所面临的非确定性。
我们用预期收益来测度回报。从直觉来看，我们可以对偏差取期望，并用期望来
测度该随机变量的非确定性。然而在前一节中，我们已经看到偏差的期望必为零：当
正的偏差被其概率加权后，正好能被负的偏差抵消。为解决这个问题，我们可以用偏
差的平方来代替偏差，这样我们能保证它必为一个正数（当d本身为负时也是如此）。
我们现在可以把方差定义为收益率对其预期偏差的平方的期望。它是我们“惊奇”
或随机变量散布性质的一个指标。若以希腊字母
2来记方差，那么其正式的定义公式
为：
2(r)＝E(d2)＝E[ri -E(r) ]2＝.P r (i) [ri -E(r) ]2 ( A - 2 )
公式中每一项偏差的平方消去了符号的差异，于是就避免了正偏差与负偏差之间
的抵消作用。
在安休瑟-布希公司股票的例子中，股票收益率的方差为：
2(r)＝0 . 2 ( 0 . 2-0 . 3 4 )2＋0 . 5 ( 0 . 3-0 . 3 4 )2-0 . 3 ( 0 . 5-0 . 3 4 )2＝0.012 4
注意，如果你在随机变量之上加一个常数，其方差不会改变，这是因为此时式中
的期望值也变化了相同的常数，于是对预期的偏差没有改变。你可以利用表A - 1的数
字来验证这个结论。
然而，对随机变量乘以一个乘数以后，其方差将有所变化。设现在每个收益率都
乘以因子k，那么新的随机变量k r具有期望E（k r）=k E（r），因此k r的偏差为：
d (k r) =k r-E(k r) =kd (r)
如果每个偏差都乘以因子k，那么偏差的平方就相当于乘以k2，有
2(k r)＝k2 2(r)
总之，在随机变量上加一个常数并不会影响方差；但是当随机变量变化常数倍以
后，其方差的变化倍数就会是该常数的平方。
标准差：对方差的进一步研究发现，它的单位不同于期望收益。回想一下，为了
使所有偏差为正，我们利用了偏差的平方。这样就使方差的单位变成了“百分比平方”。
为了把方差单位重新转回至收益率百分比，我们就得到了方差的平方根。其实它就是
标准差，在安休瑟-布希公司股票的例子中，标准差即为：
= (
2)1 / 2＝(0.012 4)1 / 2＝0 . 111 4 ( 或11 . 1 4%) (A-3)
注意，如果你想得到标准差，你就必须先计算方差。标准差与方差提示的信息是
相同的，只不过采取了不同的形式而已。
我们已经知道加上常数r并不会影响随机变量的方差，当然，也就不会影响其标
准差。我们也知道了随机变量乘以一个常数后，其方差就会扩大该乘数的平方倍。从
式（A - 3）关于标准差的定义中可以看到，随机变量乘以一个常数后，其标准差就会
扩大该常数的绝对值倍，由于常数的符号在方差计算的平方过程中消去了，因此绝对
值是必须的。正式的，我们有：
（k r)＝|k|
(r)
你可以利用表A - 1中的数据验证一下。
方差系数：为了评价随机变量的散布程度，往往我们会把散布指标与其期望值进行
比较。标准差与期望之间的比值就称为方差系数。在安休瑟-布希公司股票的例子中：
C V =
/E(r) = 0 . 111 4/0.340 0=0.328 5 (A-4)
安休瑟-布希公司股票收益的标准差大概是期望收益的1 / 3。方差系数是否代表一
748 第八部分附录
个较大的风险，这取决于其他投资项目方差系数的值。
但方差系数远非随机变量散布性质的理想指标。假设某一可能的随机变量具有零
期望。在这种情况下，不管标准差有多大，方差系数都将趋于无穷。很显然，这个指
标并不适用于任何情况。一般来讲，分析者必须根据手中特定的决策问题来挑选一个
关于散布性质的指标。在金融界，许多情况下我们一般考虑整体风险，此时标准差就
是较好的指标（对于某一单独的资产来说，我们使用本文中介绍的
指标）。
偏度：到现在，我们通过对平均“惊奇”（特定意义下）程度的描述，分析了一
些关于散布性质的指标。实际上标准差并不等于平均“惊奇”度，因为我们先把偏差
平方，然后再求偏差平方均值的方根，这样做就会加大对“大偏差”的权重。另外，
标准差也只是一个告诉我们关于偏差“预期”的指标。
许多决策者都认为期望值与标准差是随机变量最重要的两个统计量。但是，一
旦我们需要回答关于风险的另一个永恒的问题（风险是指随机变量对其期望的偏差）：
如果出现较大的偏差，是不是极有可能是正的？风险厌恶者比较担心负的偏差（即
“惊奇”），但标准差并没有把好情况与坏情况分离开来。如果某个随机变量具有易发
生的小的负偏差和不易发生但很大的正偏差，那么对于另一种具有相反特征的随机
变量（即具有易发生的小的正偏差和不易发生但大的负偏差）来说，许多风险厌恶
者都偏好于前者。因为不管怎么说，风险一般都被认为是发生灾难（大的坏结果）
的可能性。
能对好、坏结果可能性进行分离的一个指标是三阶矩。它仍然是建立在随机变量
对其期望的偏差d之上。如果把三阶矩记为M3，则有：
M3 ＝E(d3)＝E[ri -E(r) ]3＝.P r (i) [ri -E(r) ]3 ( A - 5 )
相对于小偏差来说，对每个d进行立方就强化了大偏差的程度。奇次幂仍能保持
其各自的符号。人们回忆起所有偏差加权（以发生概率为权重）之和为零，因为正负
偏差正好互相抵消。但现在当偏差的立方乘以各自的发生概率然后加和之后，较大的
偏差会占据优势。最终结果的符号会告诉我们究竟是正偏差明显（M3为正）还是负偏
差明显（M3为负）。
显然，之所以把偏度称为三阶矩，是因为在计算过程中我们使用了立方。同样的，
方差通常被称为二阶矩，因为我们通过平方得到了方差。
回到表A - 1中的投资决策。由于收益的期望值为3 4%，那么三阶矩就是：
M3 ＝0 . 2 ( 0 . 2 0-0 . 3 4 )3＋0 . 5 ( 0 . 3 0-0 . 3 4 )3＋0 . 3 ( 0 . 5 0-0 . 3 4 )3＝0.000 648
三阶矩的正号告诉我们在此例中正偏差比较明显。你当然也可以通过考察偏差d
及其概率而猜到这个结果：此例中，3 0%的收益率是最有可能实现的收益结果，它将
会使投资者产生一个小的负“惊奇”，另一个负惊奇（2 0% -3 4%＝-1 4%）的程度要小
于正惊奇的程度（5 0% -3 4%＝1 6%），而且负惊奇发生的概率要小于正惊奇的概率
（0 . 3）。但是差别看上去确实很小，而且我们也不知道在安休瑟-布希公司股票的投资
决策中，三阶矩到底是不是一个很重要的考虑因素。
如果没有一个比较的标准，我们就很难判断0.000 648这个三阶矩值的重要性。利
用我们处理标准差的方法，我们可以取M3的三次方根（我们把其计为m3），然后把三
次方根与标准差进行比较。计算结果为m3=0.086 5=8.65%，与11 . 1 4%的标准差相比，
其并不是可有可无的。
A.1.3 另一个例子：关于安休瑟-布希公司股票的期权
假设安休瑟-布希公司股票的当前价格为3 0美元，现在有这一股票的看涨期权，
其期权价格为6 0美分，还有这一股票的看跌期权，其期权价格为4美元，它们都有相
同的期权执行价格4 2美元。当然只有当最后看涨期权处于“实值”，即股价高于执行
价格时你才会选择这样做，其中你的赢利就是期末股价与执行价格之间的差再减去看
附录A 定量计算的复习
749
涨期权的成本。有时就算你执行了看涨期权，你的赢利还是有可能为负，因为有时执
行期权所得的利润并不足以弥补初始购买看涨期权的成本。假如最终看涨期权处于
“虚值”状况，也就是说股价低于执行价格，这时你就会任由该看涨期权过期，而只
承担初始购买看涨期权的成本。
看跌期权允许你用执行价格卖掉股票。只有当到期时看跌期权处于“实值”，即
股价低于执行价格时，你才会选择卖掉股票，现在你的赢利就是执行价格与股价之间
的差再减去看跌期权的成本。同样地，如果从执行看跌期权所得的赢利并不足以弥补
看跌期权的成本，投资者就会蒙受损失。当到期看跌期权处于“虚值”状态时，你肯
定还会放弃看跌期权。这样你的损失就锁定在期初时购买看跌期权的成本之上。
这种投资方式的情景分析如下表A - 2所示。
看涨期权与看跌期权的收益率期望分别为：
E(r看涨期权)＝0 . 2 (-1 )＋0 . 5 (-1 )＋0 . 3 ( 4 )＝0 . 5 (或5 0%)
E(r看跌期权)＝0 . 2 ( 0 . 5 )＋0 . 5 (-2 . 5 )＋0 . 3 (-1 )＝-0 . 3 2 5 (或-3 2 . 5%)
表A-2 投资安休瑟-布希公司股票期权的情景分析法
项目情景1 情景2 情景3
概率0 . 2 0 0 . 5 0 0 . 3 0
事件
1 .股票的收益(%) 2 0 3 0 5 0
股价（初始价格＝3 0美分) / 美元3 6 3 9 4 5
2 .看涨期权所得现金流(执行价格＝4 2美元) / 美元0 0 3
看涨期权所得利润（初始价格＝6 0美分）/美元-0 . 6 0 -0 . 6 0 2 . 4 0
看涨期权收益率(%) -1 0 0 -1 0 0 4 0 0
3 .看跌期权所得现金流(执行价格＝4 2美分) / 美元6 3 0
看跌期权所得利润（初始价格＝4美分）/美元2 -1 -4
看跌期权收益率(%) 5 0 -2 5 -1 0 0
上式中看跌期权的期望收益为负，这也许反映了看跌期权作为套利资产的本质，
因为在此例中安休瑟-布希公司股票持有者需要购买它作为防止安休瑟-布希公司股价
下跌的保值措施。两种投资方式的方差与标准差为：
2
看涨期权＝0 . 2 (-1-0 . 5 )2＋0 . 5 (-1-0 . 5 )2＋0 . 3 ( 4-0 . 5 )2＝5 . 2 5
2
看跌期权＝0 . 2 [ 0 . 5-(-0 . 3 2 5 ) ]2＋0 . 5 [-0 . 2 5-（-0 . 3 2 5 ) ]2＋0 . 3 [-1-(-0 . 3 2 5 ) ]2＝0.275 6
＝.. 5.25 ＝2.291 3(或2 2 9 . 1 3%)
看涨期权
＝..
0.2756 ＝0 . 5 2 5 (或5 2 . 5%)
看跌期权
这些标准差是比较大的。把看涨期权收益的标准差与其期望相除，我们得到方差
系数，有
2.291 3
C V看涨期权＝..
0.5
=4.582 6
回忆一下股票收益本身的方差系数仅为0.327 5，很显然该种投资工具具有很高的
标准差。这对于股票期权来说是很正常的，尽管看跌期权的期望收益为负，但其方差
系数仍然可以描述“惊奇”的程度。
现在我们考虑两种概率分布的三阶矩：
M3(看涨期权)＝0 . 2 (-1-0 . 5 )3＋0 . 5 (-1-0 . 5 )3＋0 . 3 ( 4-0 . 5 )3＝1 0 . 5
M3(看跌期权)＝0 . 2 [ 0 . 5-(-0 . 3 2 5 ) ]3＋0 . 5 [-0 . 2 5-(-0 . 3 2 5 ) ]3＋0 . 3 [-1-(-0 . 3 2 5 ) ]3＝0.020 25
两种投资工具都向正方向偏斜，这是期权的典型特征，并因此成为它们的吸引人
之处。在此例中看涨期权似乎比看跌期权偏斜的更厉害。为了说明这个事实，我们计
750 第八部分附录
算三阶矩的三次方根：
m3(看涨期权)＝M3(看涨期权)1 / 3＝2.189 8(或2 1 8 . 9 8%)
m3(看跌期权)＝（0 . 0 2）1 / 3＝0.272 5(或2 7 . 2 5%)
把看涨期权的标准差2 2 9 . 1 3%及看跌期权的标准差5 2 . 5%与上述数字相比较，你能
看到期权标准差的大部分是由于正偏差引起的，这意味着好结果的幅度较大，而坏结
果虽然更可能发生，但幅度却很小[ 1 ]。
至此，我们已经利用情景分析法描述了离散概率分布的问题。我们还会在A . 3节
“多随机变量的统计分析”中重新回到决策的情景分析法。
A.1.4 连续分布：正态分布与对数正态分布
当一种经压缩的情景分析法既是可能的，又是可接受的时候，决策就显得很简单
了。但是许多情况下，我们必须分清楚的情形太多了，以致于在实际中应用情景分析
法变得不可能。甚至在安休瑟-布希公司股票的例子中，尽管我们在确定情景时相当小
心，但实际上每个情景只能代表一个复合事件。
当必须考虑许多收益率的可能值时，我们就应该使用一个能刻画其概率分布的公
式。正如我们前面提到的那样，存在两种类型的分布：离散的与连续的，情景分析法
解决了离散分布的情形。但是，正态分布与对数正态分布这两种在投资中很有用的分
布却都是连续的。同时，它们经常被用在近似一些离散的随机变量分布，如股价上。
未来股价收益的概率分布是离散的—因为股票报价以1 / 8为单位。但是在习惯上，我
们一般用正态与对数正态分布来近似它们的分布。
标准正态分布：正态分布，也称为高斯( G a u s s )分布（以数学家高斯命名）或者钟
形分布。服从该分布的随机变量有如下的性质（见图A-1）
. 期望值是其众数（出现频率最高的基本事件），同时也是中位数（所有基本事件
从大到小排列后那个位于中间的数）。注意，期望值与中位数或众数都不同，它是与
其事件相联系的概率相乘后
加和才得到的中间值。
