Скевнесс
Шта је Скевнесс?Скевнесс се односи на дисторзију или асиметрију у симетричној кривој звона, или нормалну дистрибуцију у скупу података. Ако се крива помери улево или удесно, каже се да је скочена. Скевнесс се може квантификовати као репрезентација у којој мјери се одређена дистрибуција разликује од нормалне дистрибуције. Нормална дистрибуција има нагиб од нуле, док би, на пример, лонормална дистрибуција показала одређени степен правог нагиба.
Три дистрибуције вероватноће приказане у даљем тексту су у све већем степену позитивно нагнуте (или са десне стране). Дистрибуције с негативном косом снагом познате су и као дистрибуције с лијевом косом. Скевнесс се користи заједно са куртозом да би се боље проценила вероватноћа да ће догађаји пасти у репове дистрибуције вероватноће.
Кључне Такеаваис
- Скевнесс, у статистици, је степен изобличења са симетричне криве звона у дистрибуцији вероватноће.
- Дистрибуције могу у различитом степену испољавати десно (позитивно) накривљеност или лево (негативно).
- Инвеститори примећују скевност кад процењују расподјелу поврата, јер она, попут куртозе, узима у обзир крајности скупа података, а не фокусирање само на просјек.
Објашњење Скевнесс-а
Поред позитивног и негативног нагиба, за дистрибуције се такође може рећи да има нулти или недефинисани нагиб. У кривуљи дистрибуције, подаци на десној страни кривуље могу се сузити другачије од података на лијевој страни. Ови конуси су познати као "репови". Негативни нагиб се односи на дужи или дебљи реп на левој страни расподјеле, док се позитивни нагиб односи на дужи или дебљи реп на десној страни.
Средња вриједност позитивно нагнутих података биће већа од медијане. У дистрибуцији која је негативно нагнута чини се управо супротно: средња вредност негативно искривљених података биће мања од медијане. Ако је графикон података симетричан, расподјела има нулту скочност, без обзира на то колико су дуги или масни репови.
Постоји неколико начина за мерење накривљености. Пеарсонов први и други коефицијент накривљености су два уобичајена. Пеарсонов први коефицијент накривљености или Пеарсон-ов начин кочења одузима мод од средње вриједности и разликује стандардном девијацијом. Пеарсонов други коефицијент накривљености, или Пеарсонов средњи косост, одузима средњу од средње, множи разлику са три и дели производ стандардном девијацијом.
Формуле за Пеарсонову накривљеност су:
где:
- Ск1 је Пеарсонов први коефицијент накривљености, а Ск 2 други;
- с је стандардно одступање за узорак;
- к је средња вредност;
- Мо је модална (мод) вредност; и
- Мд је средња вредност.
Пеарсонов први коефицијент накривљености је користан ако подаци показују јак мод. Ако подаци имају слаб режим или више модова, Пеарсонов други коефицијент може бити пожељан, јер се не ослања на мод као мерило централне тенденције.
0:58Шта је таштина ">Шта вам говори Скевнесс?
Инвеститори примећују скевност кад процењују расподјелу поврата, јер она, попут куртозе, узима у обзир крајности скупа података, а не фокусирање само на просјек. Краткорочни и средњорочни инвеститори посебно требају гледати у крајности, јер је мање вероватно да ће држати позицију довољно дуго да би били сигурни да ће просек сам успети.
Инвеститори обично користе стандардно одступање за предвиђање будућих приноса, али стандардна девијација претпоставља нормалну дистрибуцију. Пошто се мало расподјеле повратка приближава нормалној, искривљеност је боља мјера на којој се могу предвидјети перформансе. То је због ризика од искривљења.
Ризик скејности је повећани ризик од појаве података са великом скочношћу у накривљеној дистрибуцији. Многи финансијски модели који покушавају да предвиде предвиђање будућег учинка средства претпостављају нормалну дистрибуцију, у којој су мере централне тенденције једнаке. Ако су подаци искривљени, овакав модел ће увек подценити ризик косости у својим предвиђањима. Што су подаци више искривљени, овај финансијски модел ће бити мање тачан.
Упоредите инвестиционе рачуне Име добављача Опис Откривање оглашивача × Понуде које се појављују у овој табели су од партнерстава од којих Инвестопедиа прима накнаду.