相关系数公式 PPT课件

合集下载

第五章 相关关系 PPT课件

第五章 相关关系 PPT课件

p 越接近1,表示两个变量的相关程度越密切,称高相关。
p 越接近0,表示两个变量的相关程度越疏松,称低相关。
3、相关散点图
直观地显示了两个事物的成对观测值之间是否存在相关, 存在什么样的相关以及相关程度
几种相关散点图:
R=-1 R=1
曲线相关
线性正相关
线性 (如身高和体重)
非线性 (如年龄和身高)
第五章 相关关系
一、相关、相关关系与散点图 二、积差相关 三、等级相关 四、质与量相关 五、品质相关 六、相关系数的选用与解释
一、相关、相关关系与散点图
1、相关的意义
事物之间的相互关系
因果关系(两种事物) 共变关系(三种事物) 相关关系(两种事物)
相关的含义
零相关:两列变量之间没有 关系,即6一列变量变动时, 另一列变量作无规律变动。
2、相关系数
——两列变量间相关程度的数字表现形式,即用来表示相关系数 强度的指标。P(总体) r(样本)
p, r [1,1]
p0
不相关,相互独立
p0
正相关
p0
负相关
p 1
完全正相关
p 1
完全负相关
r
s2 xi

S2 yi

S
2 d
2 S xi S yi
(d xi yi )
4、标准分数的计算公式
1 r 1 N
Z Z xi yi
r N Z Z xi yi
实例:书P116 (例5-1)
5、相关系数的合并
意义:来自同一总体的多个样本的相关系数的合成。 步骤: (1)将各样本的r 转换成费舍Z分数,见附表8。 (2)求每一样本的Z分数之和 (3)求平均Z分数

人教版高中数学选择性必修第3册8-1-2样本相关系数课件

人教版高中数学选择性必修第3册8-1-2样本相关系数课件

D.③④
• 【答案】B
• 【解析】样本相关系数r的绝对值越大,变量x,y的线性 相关程度越高.
易错警示 样本相关系数r概念理解不到位致误

以下是收集到的新房屋的销售价格y(万元)和房屋的大
小x(m2)的数据.
房屋大小/m2 115 110 80 135 105
销售价格/万元 24.8 21.6 18.4 29.2 22
65.6≈0.96,
由相关系数 r=0.96 可知,房屋大小与销售价格呈正相关,且相关性
高,拟合程度较高.
素养达成
• 1.判断变量之间的线性相关关系,一般用散点图,但在 作图中,由于存在误差,有时很难判断这些点是否分布在一 条直线的附近,从而就很难判断两个变量之间是否具有线性 相关关系,此时就必须利用线性相关系数来判断.

1
3 308 570×
65.6≈0.96,
• 由相关系数r=0.96可知,房屋大小与销售价格呈负相关, 且相关性不高,拟合程度不高.
• 易错防范:判断变量之间的线性相关关系,通常利用相 关系数r,当|r|越接近1,它们的散点图越接近一条直线,这 时用线性回归模型拟合这组数据的效果就越好.
• 正解:由题设数据,得
• (1)当r>0时,称成对样本数正据______相关;当r<0时,
称成对样本数据负相关;当r=0时不,两个变量线性______相
关.
[-1,1]
• (2)样本相关系数r的取值范围为__________.
• 当|r|越接近1时,成对样本数据的线性相关程度越强;
• 当|r|越接近0时,成对样本数据的线性相关程度越弱.
绝对值越接近于1,表明两个变量的线性相关程度性越强,r 的绝对值越接近于0,表明两个变量的线性相关程度越弱,故 D正确.

协方差和相关系数的计算ppt(共24张PPT)

协方差和相关系数的计算ppt(共24张PPT)

E(X 2) 2
D( X ) D(Y ) 2
E(Y 2 ) 2
cov(U ,V ) (a2 b2 ) 2
而 D(U ) a2D( X ) b2D(Y ) (a2 b2 ) 2
D(V ) a2D( X ) b2D(Y ) (a2 b2 ) 2

UV
a2 a2
b2 b2
XY 1 0 P pq
E(X ) p, E(Y ) p, D(X ) pq, D(Y ) pq, E(XY ) p, D(XY ) pq,
cov( X ,Y ) pq, XY 1
例2 设 ( X ,Y ) ~ N ( 1,12,2,22,), 求
XY .

cov( X ,Y )
当D(X ) > 0, D(Y ) > 0 时,当且仅当
P(Y E(Y ) t0 ( X E( X ))) 1
时,等式成立 —Cauchy-Schwarz不等式.
证明 令
g(t) E[(Y E(Y )) t( X E( X ))]2 D(Y ) 2t cov( X ,Y ) t2D( X )
在寒冷的年代里,母爱是温暖。
协方差和相关系数的计算
cov(U ,V ) 解 在文明的年代里,母爱是道德。
继续讨论:a,b 取何值时,U,V 不相关?
E(UV
)
E(U
)E(V
)
为X,Y 的相关系数,记为
a E( X ) b E(Y ) 例2 设 ( X ,Y ) ~ N ( 1, 12, 2, 22,2 ), 求 2XY . 2
E( XY ) p, D( XY ) pq,
cov( X ,Y ) pq, XY 1
X X p ,Y Y p , P(X Y ) 1

协方差与相关系数(PPT课件)

协方差与相关系数(PPT课件)

2 误差rmin (1 XY ) DY , 其 中 XY
C ov(X , Y ) 为相关系数 DX DY
相关系数的性质 相关系数满足|ρXY |≤1且
XY 1 常数a, b, 使P{Y a bX } 1
2 证 由 (1 XY )
rmin 0 知 | XY | 1 DY
则称E ( X EX )(Y EY )为随机变量X 与Y的协方差, 记 为Cov( X ,Y ), 即
Cov( X ,Y ) E ( X EX )(Y EY )
将上式展开, 易得公式
Cov( X ,Y ) E ( XY ) ( EX )( EY )
特别, 当X与Y 相互独立时,有
解 Cov(X ,Y ) XY DX DY 0.5 4 16 4 例3 设 ( X , Y ) 服从参数为 1 ,
2 2 , 12 , 2 , 的
二维正态分布 , 求X 与Y 的相关 系数.
概率统计(ZYH)
例3 解 二维正态分布的密度是
f
exp(h) 2σ1σ 2 1 ρ 2
Cov( X , Y ) Cov( X , Y ) EX , b DX DX
2
Cov( X , Y ) Cov( X , Y ) E Y EY EX X DX DX
Cov(X , Y ) X EX E (Y EY ) DX




( σ1 σ 2 u 2 ) e
t2 2
t 2 u2 2
dtdu
u2 2
σ1σ 2
Hale Waihona Puke 1 e 2dt u

81成对数据的统计相关性 课件(共40张PPT)

81成对数据的统计相关性 课件(共40张PPT)
a·b a b cos , 其中 为向量a ,b 的夹角,
类似于平面或空间向量的坐标表示,对于向量a (a1 , a2 , , an ) 和b (b1 ,b2 , ,bn ) 我们有a·b a1b1 a2b2 anbn
设“标准化”处理后的成对数据 (x1, y1) , (x2 , y2 ) , , (xn , yn )
y
12
10
8
6
4
2
0
x
0 2 4 6 8 10 12 14
(3)
我们发现:图(1)中的散点落在某条曲线附近,而不是落在一条直线附近, 说明这两个变量具有相关性,但不是线性相关;
图(2)中的散点落在一条折线附近,这两个变量也具有相关性,
但它们既不是正相关,也不是负相关;
图(3)中的散点杂乱无章,无规律可言,看不出两个变量有什么相关性
脂肪含量/% 40
35
30 25
20
15 10
5
0
年龄/岁
15 20 25 30 35 40 45 50 55 60 65
观察图, 可以发现,这些散点大致落在一条从左下角到右上角的直线附近, 表明随年龄值的增加,相应的脂肪含量值呈现增高的趋势。 这样,由成对样本数据的分布规律,我们可以推断脂肪含量变量和年龄变量之间存在着 相关关系。
因为在相关关系中,变量y 的值不能随变量x 的值的确定而唯一确定,
所以我们无法直接用函数去描述变量之间的这种关系。
对上述各例中两个变量之间的相关关系,我们往往会根据自己以往积累的经验作出推断。 “经验之中有规律”,经验的确可以为我们的决策提供一定的依据,但仅凭经验推断又有 不足。 例如,不同经验的人对同一情形可能会得出不同结论,不是所有的情形都有经验可循等。 因此,在研究两个变量之间的相关关系时,我们需要借助数据说话,

相关系数 -PPT

相关系数 -PPT
2
2
2 2 X X ( X ) = ∑ ∑ −
(∑ X ) 2 N
N
r=
X ∑Y ∑ ∑ XY −
2 ( ) X ∑ 2 − ⋅ X ∑ N 2 Y ( ) ∑ 2 Y − ∑ N
17
下面是10名学生身高与体重的测量结果,问身 高与体重的关系如何?

18
解:已知n=10,利用原始分数计算积差相关的公式得:
X p −Xq 88.4 − 74.8 rpb = ⋅ pq = × 0.5 × 0.5 = 0.766 代入公式得 : st 8.88
答:第5题与总分相关较高,相关系数为0.766,即第5题的答对答错 与总分有一致性。也可以说该题的区分度较高。 44
小练习
为了检验一种新的学习方法的效果,心理学家随机地将 一个有8名学生分成两组,每组有4个人。训练后,两组 的测验分数如下: 训练 9 7 6 10 未训练 4 7 3 6
35
肯德尔W系数计算公式
2 ( ) R ∑ i 2 R − ∑ i s N W = = 1 1 K 2 (N 3 − N ) K 2 (N 3 − N ) 12 12
Ri -每一被评事物K个等级之和, N-被评价事物的数目,即等级数, K-评价者的数目或等级变量的列数。 肯德尔W系数的取值范围:[0,1]

常用于问答题(主观题)的区分度指标。
当二分变量为真正的二分变量,或不清楚其分布形态 时,使用点二列相关。
48
二列相关

计算公式:
X p − X q pq ⋅ rb = st y
y:为标准正态分布中p值对应的高度,查正态分布表能得到
49
例:下表为10名考生一次测验的卷面总分和一道问答题 的得分,试求该问答题的区分度(该问答题满分为10 分, 因此得6分及以上则认为该题通过)。

高中数学相关系数52页ppt课件

高中数学相关系数52页ppt课件

之间在数量上的变化关系有的是属于因果关系(一种现象
是另一种现象的原因,另一种现象是这种现象的结果), 有的却不能直接作出因果关系的解释。当一个或几个相互
联系的变量取一定数值时,与之相对应的另一个变量的值
虽然不确定,但它仍然按某种规律在一定范围内变化,变 量间的这种关系,被称为相关关系,如图5-0(b)。
(a),即一个变量增加(或减少),另一个变量也增加
(或减少)。
图5-4(a) 正相关
负相关:若散布点主要位于二、四象限,如图 5-4(b),即一个变量增加(或减少),另一个变
量也减少(或增加)。
图5-4(b) 负相关
零相关:散布点的变化无一定规律。如 图5-4(c)。
图5-4(c)零相关
四、相关系数
r是一个比值
r1=0.25,r2=0.5,r3=0.75,不能认为r1=r3-r2 或r2=2r1。 (3)相关系数受变量取值区间大小及观测值 个数的影响较大。
变量的取值区间越大,观测值个数越多,相关
系数受抽样误差的影响越小,结果就越可靠,如
二、计算方法 (一)基本公式计算法 步骤:
2、负相关:两个变量中,一个变量增大,
另一个变量对应值也随之减少;或一个变
量值减小,另一个变量对应值也随之增大,
两列变量变化方向相反。如学生学习能力
水平与其解题时间的关系;运动员赛跑与
所用时间之间的相关;学生学习能力与识
记所用时间之间的相关等。
3、零相关。两变量值的变化方向无规律。如
学生的身高与学生成绩的变化关系。
图5-1
散布图
相关散布图的用途: 1、判断相关是否直线式。 当两变量之间呈曲线趋势,其相关散布 图呈弯月状,说明两变量之间是非线性关 系,如图5-2(a)。

第九章 相关与回归分析 《统计学原理》PPT课件

第九章  相关与回归分析  《统计学原理》PPT课件

[公式9—4]
r xy n • xy
x y
[公式9—5]
返回到内容提要
第三节 回归分析的一般问题
一、回归分析的概念与特点
(一)回归分析的概念
现象之间的相关关系,虽然不是严格 的函数关系,但现象之间的一般关系值, 可以通过函数关系的近似表达式来反映, 这种表达式根据相关现象的实际对应资料, 运用数学的方法来建立,这类数学方法称 回归分析。
单相关是指两个变量间的相关关系,如 自变量x和因变量y的关系。
复相关是指多个自变量与因变量间的相关 关系。
(二)相关关系从表现形态上划分,可分为 直线相关和曲线相关
直线相关是指两个变量的对应取值在坐标 图中大致呈一条直线。
曲线相关是指两个变量的对应取值在坐 标图中大致呈一条曲线,如抛物线、指数曲线、 双曲线等。
0.578
a y b x 80 0.578 185 3.844
n
n7
7
yˆ 3.844 0.578x
二、估计标准误差 (一)估计标准误差的概念与计算 估计标准误差是用来说明回归直线方程 代表性大小的统计分析指标。其计算公式为:
Syx
y yˆ 2
n
[公式9—8]
实践中,在已知直线回归方程的情况下, 通常用下面的简便公式计算估计标准误差:
[例9—2] 根据相关系数的简捷公式计算有:
r
n xy x y
n x2 x2 n y2 y2
7 218018580
0.978
7 5003 1852 7 954 802
再求回归直线方程:
yˆ a bx
b
n xy x y
n x2 x2
7 2180 18580 7 50031852

第十三章 线性相关分析.ppt

第十三章 线性相关分析.ppt

第二节 相关系数的假设检验
r −0 r t= = , ν = n−2 2 Sr 1− r n− n−2
(13-2)
例13-3 (续例13-1) 根据样本相关系数, 对总体相关系数=0进行假设检验。 解: 1. t检验法 检验步骤如下: (1)建立假设,确定检验水准α 。 H0: ρ =0(变量间不存在线性相关关系); H1: ρ ≠ 0(变量间有线性相关关系);
二、 计算公式 样本相关系数的计算公式为
r=
∑(X − X )(Y −Y ) ∑(X − X ) ∑(Y −Y )
2
2
lXY = lXX lYY
(13-1)
例13-2 (续例13-1)计算表13-1中体 重指数和收缩压的相关系数。
解: 1.绘制散点图,观察两变量之间是否有线性趋势。 从图13-1 可见,体重指数与收缩压之间呈线性趋势,且方向相同,为正 相关。 2.计算相关系数。从表13-1的合计栏中,已得出基本数据:
相关关系不一定是因果关系,可能仅是表面上 的伴随关系,或两个变量同时受另一因素的影响, 如小孩的身高和小树的树高同时受时间的影响,在 校儿童的鞋的大小和阅读技能同时受年龄的影响。 不能只根据相关系数r的绝对值的大小来推断两 事物现象之间有无相关以及相关的密切程度,而必 须对r进行相关系数的假设检验。另外,不要把相 关系数的显著性误解为两事物或现象相关的强度, 例如对于相关系数的假设检验来说,P<0.01比 P<0.05更有理由认为相关关系成立,但并不能得出 前者比后者相关关系更密切的结论,相关关系的强 度是用r的绝对值来反映的。
Z = tanh r
−1
1 1+ r Z = ln 2 1− r
式中为tanh为双曲正切函数,tanh-1为反双曲正切函数, 为双曲正切函数, 为反双曲正切函数, 式中为 为双曲正切函数 为反双曲正切函数 SZ为Z的标准误。 的标准误。 为 的标准误

相关系数PPT课件

相关系数PPT课件
第1页/共21页
2、协方差的定义 (X, Y)为二维随机变量,则称下式为X、Y的协方差。
说明:
Cov(X,Y) =E{[ X-E(X)][Y-E(Y) ]}
⑴ 协方差为X,Y偏差[ X-E(X)] 与[Y-E(Y) ] 乘积的数学期望
(2) Cov(X,Y)>0,正相关;Cov(X,Y)<0, 负相关。=0,不相关
2 2
0.5,
0.4
x1*
0.5 0.4 0.3* 0.5 0.3 0.5 2* 0.4 0.3* 0.5
0.704
第20页/共21页
谢谢您的观看!
第21页/共21页
(3) Cov(aX, bY) =E{[aX-E(aX)][bY-bE(Y) ]} =E{ab [X-E(X)][Y-E(Y) ]} = ab cov(X, Y)
(4) Cov(X1+X2, Y)=E{[X1+X2 -E(X1+X2)][Y-E(Y) ]} =E{[X1 -E(X1)][Y-E(Y) ]}+E{[ X2 -E(X2)] [Y-E(Y) ]}} =Cov(X1, Y) + Cov(X2, Y)
(3) 当X,Y相同时,Cov(X, X) = D(X)=Var(X).
(4) 离散型 : COV ( X ,Y )
[xi E( X )][y j E(Y )] pij
ij
连续型 : COV (X ,Y ) [x E(X )][y E(Y )]f (x, y)dxdy
第2页/共21页
x12
2 1
(1
x1
)2
2 2
2x1(1
x1 )1 2
第19页/共21页
求D( P )

8.1.2样本的相关系数-【新教材】人教A版高中数学选择性必修第三册课件

8.1.2样本的相关系数-【新教材】人教A版高中数学选择性必修第三册课件

i=1
n
2n
2
xi x
yi y
n xi2 - nx2 n yi2 - ny2
i=1
i=1
i=1
i=1
参考数据: 0.3 0.55, 0.9 0.95
解:由已知数据可得x 2 4 5 6 8 5,
y 34445 4
5
5
5
(xi x)(yi y) (3)(1) (1)0 00 10 30 6
成对数据为(x1, y1), (x2, y2 ),, (xn , yn ),
其中x x1 x2 xn , y y1 y2 yn
n
n
将数据以(x, y)为零点进行平移,得到平移后的成对数据为
x1 x, y1 y , x2 x, y2 y ,..., xn x, yn y
r cos
所以 当|r|=1时 =0或 ,向量 x' 与 y' 共线。
即存在实数 ,使得 y' x'
yi y xi x ,i 1, 2, , n
sy
sx
成对样本数据(xi,yi)都落在直线
yi
y
sy sx
( xi
x)

成对样本数据的两个分量之间满足一种线性关系
由此可见,样本相关系数r的取值范围为[-1,1], 样本相关系数r的绝对值大小可以反应成对样本数据之 间线性相关的程度:
对四组数据进行统计,获得以下散点图,关于
其相关系数比较,正确的是( A )
A.r2<r4<0<r3<r1 C.r4<r2<0<r3<r1
B.r4<r2<0<r1< r3 D.r2<r4<0<r1<r3
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

m
22.875 2.1389 6 1
贝他系数的计算 :
J
JM
(
J M
)
0.8928
2.8358 2.1389
1.18
23
课堂问题
❖问题五: ❖了解了贝塔系数的计算后,你认为如何才
可以改变公司的贝塔呢?
24
(0.5×0.50×0.122 + 2×0.5×0.5×0.024 + 0.5×0.5×0.22 ) =0.0256
❖ 该组合的标准差为0.16。 ❖ 等于两证券的加权平均数0.32/2=16
10
情况2:如果两种证券的预期相关系数是0.2,两者的协方差为 0.0048,组合的标准差会小于加权平均的标准差,其方差为:
证为是各券j证的2。券方对自差于身。矩的当阵方j对=差k角。时线,位相置关上系的数投是资1组,合并,且其 协j 方差k 就变
8
协方差比方差更重要
影响证券组合的标准差不仅取决于单个证券 的标准差,而且还取决于证券之间的协方差。
随着证券组合中证券个数的增加,协方差项 比方差项更重要。
随着组合中证券个数的增加,证券的斜方差 数量增长的很快,对投资组合风险的影响会 更大。
等,投资者均有完全相同的主观估计。 • 所有的资产均可被完全细分,拥有充分的流动性且没有交易成本。 • 没有税金。 • 所有投资者均为价格接受者。即任何一个投资者的买卖行为都不会对
股标价格产生影响。
12
课堂问题
❖问题四: ❖贝塔系数用来某种股票的风险,我们是否
可以根据股票的贝塔系数来判断风险,并 进行投资呢?
合计
1.00
期望收益 0.185 期望收益0.06
标准差 i0.1484 标准差 j 0.0872
4
两公司收益率离差计算表
经济状 发生概


萧条 0.10
I公司收益 J公司收益 收益率离 率离差 率离差 差的乘积
-0.335 0.04 -0.0134
概率后的 离差乘积
-0.00134
衰退 0.20 -0.085 0.14 -0.0119 -0.00238
i, j
i,j i j
0.0026 0.1484 0.0872
=-0.2010
6
(4)协方差与相关系数的关系
i, j i, j i j
❖ 相关系数在-1至+1间取值。 ❖当相关系数为1时,表示一种证券报酬率的增长总
是与另一种证券报酬率的增长成比例,反之亦然。 ❖ 多数证券之间的相关系数多为小于1的正值。
往往跑输大盘,你怎么看这件事情?
1
(3)证券相关系数的计算
两种证券组合报酬率概率分布的标准差是:
p
Var(组合)
Qi2
2 i
2QiQ j ij
Q2j
2 j
Qj是第j 种证券在投资总额中的比例;
Qi是第i种证券在投资总额中的比例;
ij是第j 种证券与第i种证券报酬率的协方差。
2
协方差与相关性:先计算协方差,再求相关系数
1.18
直线方程斜率b,就是该股票的β系数。
20
(2) β系数计算的公式法
i,m
i m
公式法计算β值的数据准备
年度
1 2 3 4 5 6 合计 平均数 标准差
J股票收 市场收
益率 益率
(Yi) (Xi)
1.8
1.5
-0.5
1
2
0
-2
-2
5
4
5
3
11.3 7.5
1.88 1.25
2.8358 2.1389
n
N
n
n
a=
X
2 I
Yi
Xi
X iYi
i 1
I 1
i 1
i 1
n
n
n
X
2 i
(
Xi )2
i 1
i 1
n
n
n
n X iYi X i Yi
b=
i 1 n
i 1
i 1
n
n
X
2 i
(
X I )2
i 1
i 1
18
❖ 线性回归法计算β值的数据准备
年度 1
J股票收益率(Yi) 市场收益率(Xi)
p
Var(组合)
Qi2
2 i
2QiQ jij
Q2j
2 j
(0.5×0.50×0.122 + 2×0.5×0.5×0.0048 + 0.5×0.5×0.22 )
=0.016
❖ 组合的标准差为0.126。小于两证券加权平均的标准差0.16。
❖ 本例启示:只要两种证券之间的相关系数小于1,证券组合 报酬率的标准差就小于各种证券报酬率标准差的加权平均 数。
正常 0.50 0.015 -0.08 -0.0012 -0.0006
繁荣 0.20 0.215 0.04 0.0086 0.00172
合计 1
协方差 i, j -0.0026
5
两个公司的协方差与相关系数计算
❖协方差 Covi,j i,j E(ri ri )(rj rj)
=-0.0026
❖ 相关系数
Xi*Xi
2.25 1 0 4 16 9
32.25
XiYi
2.7 -0.5
0 4 20 15 41.2
X Y X X Y
(Xi
X)
(Yi
Y)
( Xi X ) * (Yi Y )
( Xi
X )2
(Yi Y )2
0.25 -0.25 -1.25 -3.25 2.75 1.75
-0.08 -2.38 0.12 -3.88 3.12 3.12
求解线性回归公式:y=a+bx的b
β系数就是该线性回归方程的回归系数b 。
16
课堂例题
❖ 例5:J股票历史已获得收益率以及市场历史已获得 收益率的有关资料如表所示。
❖ 计算β值的数据
年度
J股票收益率(Yi) 市场收益率(Xi)
1
1.8
1.5
2
-0.5
1
3
2
0
4
-2
-2
5
5
4
6
5
3
17
求解回归方程y=a+bx 系数的计算公式如下:
1.8
1.5
Xi2 2.25
2
-0.5
1
1
3
2
0
0
4
-2
-2
4
5
5
4
16
6
5
3
9
总计
11.3
7.5
32.25
XiYi 2.7 -0.5
0 4 20 15 41.2
19
将有关准备数据代入公式:
a
32.25 *11.3-7.5*41.2 6*32.25 7.52
0.40
b
6* 41.2 7.5*11.3 6*32.25 7.52
-0.02 0.595 -0.15 12.61 8.58 5.46 27.075
0.0625 0.625 1.5625 10.5625 7.5625 3.0625 22.875
0.0064 5.6644 0.0144 15.0544 9.7344 9.7344 40.2084
21
相关系数的计算:
相关系数
13
β ,β到底是多少?
目前公开渠道查找β包括:
❖ yahoo! ❖CNN Money ❖Wall Street Research Net()。
通过对比贝塔值发现:
❖ 亚马逊公司,在线报告的β值是3.32,价值线估
计值1.95。 ❖ 雅虎,在线报告为3.78,价值线为2.05。 ❖可口可乐, 在线报告0.033,价值线为0.3 。
i, j
i,j i j
=
n
i 1
( X i
X ) (Yi
Y
)
n
n
( X i X ) 2
(Yi Y ) 2
i 1
i 1
J股票与m市场收益率的相关系数p :
=
27.075
22.875 40.2084
=0.8928
22
标准差的计算:
n
2
(Xi X)
i1
n 1
J
40.2084 2.8358 6 1
9
课堂例题
❖ 例4:假设A证券的预期报酬率为10%,标准差是12%。B证 券的预期报酬率为18%,标准差是20%。现等比例投资于两 种证券,即各占50%。
该组合的预期报酬率为: 10%×0.50+18%×0.50=14%
❖ 情况1:如果两种证券的相关系数等于1,没有任何抵消作 用,两者的协方差为0.024,则该组合的方差为:
课堂问题
❖ 各种股票之间不可能完全正相关,也不可能完全 负相关,所以不同股票的投资组合可以降低风险, 但又不能完全消除风险。股票的种类越多,风险 越小。
问题二: ❖ 在投资组合中,增加股票的种类,会降低风险,
但是同时会增加成本并降低收益,你怎么认为? 问题三: ❖ 目前我国的基金大多使用投资组合,但是基金却
11
3 CAPM法中的贝塔系数求解
☺ 资产定价模型认为一个公司普通股期望的收益率
E(r)与其市场风险β之间的关系为:
E(r) rf (E(rm ) rf )
☺ 资本资产定价模型的假设条件
• 所有投资者均追求单期财富的期望效用最大化,并以各备选组合的期 望收益和标准差为基础进行组合选择。
• 所有投资者均可以无风险利率无限制的借入或贷出资金。 • 所有投资者拥有同样预期,即对所有资产收益的均值、方差和协方差
相关文档
最新文档