CFA Level I 数量分析知识点整理

1. Time value of money

1.1 等金额现金流:年金 annuity

Ordinary annuity(普通年金)：期末
Annuity due (预付年金)：期初
转换公式：Annuity due = Ordinary annuity × (1 + interest rate)
计算器计算年金 END 模式（默认计算普通年金） 、BGN 模式（计算预付年金）

PVperpetuity  PMT
Perpetuity (永续年金)： I / Y 同固定收益永续债券

1.2 非等金额现金:NPV、IRR

单独项目 single project：一致决策

 IRR > r，NPV>0 投资项目
 IRR < r，NPV<0 不投资项目
互斥项目 mutually exclusive：矛盾决策，NPV 原则优先

1.3 收益率度量

1) Nominal risk-free rate = real risk-free rate + expected inflation

rate
2) Required interest rate on a security= nominal risk-free rate +
default risk premium + liquidity risk premium + maturity risk
premium
3) Money-weighted rates of return：货币加权收益率，实质是计算 IRR，
受现金流的影响
4) Time-weighted rates of return：时间/几何平均收益率，不受现金流的
影响
 (1 + HPR1)(1 + HPR2)…(1 + HPRn)=(1 + TWR)n
5) Holding period return 持有期收益率，非年化收益率

6) rMM 货币市场收益率：HPY 单利 360 天年化利率

7) EAY 有效年利率：HPY 复利 365 天年化利率，转化成一年复利一次的年化利

率

8) rBD 银行贴现收益率：单利 360 天年化收益率，除的是 Face value

9) BEY 债券等价收益率，半年复利的年化收益率
2
 BEY 

1   1 EAY
 2 

2. Probability concepts

2.1 事件 events

Mutually exclusive events（互斥事件）事件不能同时发生

Exhaustive events（完备事件) 包含随机试验所有可能发生的结果
Independent events(独立事件) 事件的发生相互不影响
互斥且完备的事件概率之和=1

2.2 Odds ratio

Odds for an event

P/(1-P)
Odds against an event
(1-P)/P

2.3 公式

1) 乘法法则 Multiplication rule：P(AB)=P(A|B) ×P(B)= P(B|A)×P(A)

2) 加法法则 Addition rule ：P (A or B)=P(A)+P(B)-P(AB)
3) 全概率法则（掌握二叉树计算概率）
P(A)=P(AB1 ) + P(AB2)+....+ P(ABN)=P(A | B1 )P(B1) + P(A | B2)P(B2) +....+ P(A | BN)P(BN)
4) 贝叶斯公式（掌握二叉树计算概率）
P(B | A )
P(A | B )   P (A )
P(B )

3. Statistical Concepts and Market Returns

3.1 均值 Expected value

E(X)= P(x i )x i =P(x1 )x1 +P(x 2 )x 2 +...+P(x n )x n

几何平均 geometric mean：计算多期复合增长率

调和平均数 harmonic mean：计算加权平均成本

3.2 方差 Variance

var( X )   x2  E (X   X ) 2

var( X )  E( X 2 ) [E( X )]2

标准差 standard deviation：方差的算术平方根
均值绝对偏差 mean absolute deviation （MAD）
3.3 变异系数 Coefficient of Variation（CV）

x
CV  100
x

3.4 协方差 Covariance

只能通过正负号判断相关方向，取值无意义，无法衡量相关的强弱
Cov（X,Y）=E[（X-E（X））（Y-E（Y））]
Cov（X,Y）=E（XY）-E（X）E（Y）

3.5 相关系数 Correlation

 XY  cov(X,Y)
 x y
相关系数 含义

rho = +1 完全正相关 perfect positive correlation

0 < rho < +1 正相关 positive linear correlation

rho = 0 不相关 no linear correlation

−1 < rho < 0 负相关 negative linear correlation

rho = −1 完全负相关 perfect negative correlation

只能衡量线性的关系，相关系数=0，不能推出独立；独立可以推出相关系数=0

3.6 Portfolio return

E(RP )   wiE(Ri )=w1E(R1 )+w2E(R2 )++wnE(RN )

i1

var（aX+bY）=a2var（X）+b2var（Y）+2abcov（X，Y） var
（aX+bY）=a2var（X）+b2var（Y）+2abqosoy
(只需要会计算两个资产的组合)
3.7 数据衡量尺度

名义分类 Nominal scales

 区分不同的事物，无法比较大小
 包含的信息最少 the least information.
排序分类 Ordinal scales
 可以比较大小，无法比较差额
区间分类 Interval scales
 可以比较大小和差额
 没有真正意义上的 0 点 a true zero point
比率分类 Ratio scales
 包含的信息最广 the most refined level of measurement.
 可以比较大小、差额、做除法
 有真正意义上的 0 点 a true zero point as the origin

3.8 频率分布

绝对频率 absolute frequency：每个区间的观测值个数

相对频率 Relative frequency：把每个区间的绝对频率，除以观测值的总个数
累积绝对频率和累计相对频率 Cumulative absolute frequency/Cumulative Relative Frequency：
从最低的区间开始到最高区间累加绝对或者相对频率

3.9 分位数 Quantiles

分位数的位置 Ly = （n+1）*y/100
（需要先排序）
3.10 峰度和凸度

S>0 右偏 Positive skewed，右边有长尾：众数 Mode<中位数 median<均值 mean

S<0 左偏 Negative skewed，左边有长尾：众数 Mode>中位数 media>均值 mean

尖峰肥尾 常峰态 低峰薄尾

leptokurtic mesokurtic platykurtic

峰度
>3 =3 <3
Kurtosis

超额峰度
>0 =0 <0
Excess kurtosis

尾部 Tails 肥尾 Fat tail 正态 normal 薄尾 Thin tail

3.11 Chebyshev’s Inequality

估计任意分布在均值左右两侧 k 倍标准差范围内的概率
P（|X-µ|≤ kσ） ≥ 1 - 1/k² ，k>1

3.12 跟踪误差

Tracking error =R(p)-R(benchmark)

Tracking risk=tracking error 的标准差
3.13 安全第一法则

4. Common Probability Distributions

Discrete random variable
 0 ≤ p(x) ≤ 1
 Σp(x)=1
Continuous random variable f（x）概率密度函数
Cumulative F(x)=P(X<=x)
 F(-∞)=0 and F(∞)=1
 非减函数 non-decreasing

4.1 Bernoulli random variable

只有两个结果 P(Y=1)=p P(Y=0)=1-p

4.2 Binomial random variable

n!
p(x)  P( X  x)  Cnxpx(1 p)nx  px(1 p)nx
x!(n  x)!

4.3 Continuous Uniform Distribution

a b

4.4 Normal distribution

 正态分布只需要两个参数 X~N（µ ，s ²）,

  钟形对称图 skewness=0 kurtosis=3.
置信区间
 68%的数据分布在区间 μ±1σ
 90%的数据分布在区间 μ±1.65σ
 95%的数据分布在区间 μ±1.96σ
 99%的数据分布在区间 μ±2.58σ

X  
Z 
标准化： if X~N（µ ，σ²），then  ~ N（0,1）

4.5 Lognormal Distribution

如果 lnX 服从正态分布，则 X 服从对数正态分布

 右偏
 取值范围>0
 用来衡量资产价格的分布

5. Sampling and Estimation

5.1 样本和总体

X 
N n n
 XX
N 2
 X    X
2
i i i
i

= i1
X= i1
2 = i1 s2 = i1
N n N n 1
样本方差除以的是自由度 df=n-1

5.2 分层抽样（Stratified random sampling）

先将总体的单位按某种特征分为若干次级总体（层），然后再从每一层内进行单纯随机抽样，
组成一个样本的统计学计算方法
5.3 中心极限定理

样本均值服从正态分布：N (μ, σ²/n)

样本均值的标准误（standard error of the sample mean ）是样本均值的标准差（standard
deviation of the sample mean）

 s
  sX 
知道总体方差
X
n 不知道总体方差 n

5.4 估计量的优良性质

无偏 （Unbiasedness）：一个估计量若是无偏的，则其概率分布的期望值就等于它所估计的参
数（均值相同）
有效（Efficiency）：对同一总体参数的两个无偏点估计量，有更小标准差的估计量更有效（方差
最小）
一致（Consistency ）：随着样本容量的增大，估计量的值越来越接近被估计的总体参数。（准确
的增加）

5.5 总体均值的置信区间

置信区间=点估计 +/- 临界值*标准误

什么时候用 Z 什么时候用 T，同假设检验里什么时候用 Z 统计量和 T 统计量一致。

5.6 T 分布

 对称
 自由度 Degrees of freedom （df）: n-1
 尾部比正态分布厚（fatter tails）
 随着自由度增加，逐渐趋向标准正态分布
6. Hypothesis Testing

6.1 原假设和备择假设

双尾检验 Two-tailed test

H0: μ=0 Ha: μ≠0
单尾检验 One-tailed test
H0: μ≥0 Ha: μ<0
H0: μ≤0 Ha: μ>0
H0 和 Ha 是互斥且完备事件组，等于号放在原假设上面
Ha 我们想真正检验的假设，H0 反证法直接检验的假设

6.2 检验统计量

Test type Assumptions H0 Test-statistic distribution

Normally distributed population, μ=0 N(0,1)

x  0
Mean known population variance Z
/ n
hypothesis
testing Normally distributed population, μ=0 t(n-1)
unknown population variance x
t  s / n0

Variance Normally distributed population σ²=σ0² (n  1)s 2

hypothesis  2  2 (n  1)
testing  02
2
Two independent normally σ1²=σ2² F  s1
distributed populations F (n1  1, n2  1)
s22

6.3 是否拒绝原假设

|检验统计量|>临界值 （|test statistic|>critical value）

 拒绝原假设 Reject H0
 显著性不同（ significantly different ）
|检验统计量|<临界值 （|test statistic|<critical value）
 不拒绝 not reject H0，不能说接受 accepted
 不显著（not significantly different ）
注意单尾检验，拒绝域和备择假设的方向一致。

6.4 P value
拒绝原假设的最小显著性水平
P–value < α 拒绝原假设

6.5 两类错误

Type I error（弃真） ：原假设为真，拒绝了原假设

Type II error（取伪） ：原假设为假，没有拒绝原假设
Significance level =P （Type I error）
检验势（Power of a test ） ：原假设为假，拒绝原假设的概率

Power of a test = 1−P（Type II error）

两类错误此消彼长，第一类错误减少（增加），第二类错误增加（减少）。只有增加样本大小
可以同时减少两类错误。