在 CFA 一级考试的数量分析（Quantitative Methods）科目中，描述性统计（Descriptive Statistics）是数据分析的基石。无论是后续的投资组合理论还是假设检验，都离不开对数据集中趋势和离散程度的准确理解。本章我们将聚焦于均值、中位数和标准差这三大核心指标，深入解析其计算公式、实际应用及金融计算器操作流程，助你高效备考。
描述性统计的主要目的是用简明的数字概括数据集的特征。在 CFA 考试中，我们需要区分总体（Population）和样本（Sample），因为这直接影响到计算逻辑。
1. 均值（Mean）
算术平均数是最常用的集中趋势度量。对于样本数据，均值计算公式为 $\bar{X} = \frac{\sum_{i=1}^{n} X_i}{n}$。均值对极端值（Outliers）非常敏感。在金融市场中，如果某只股票出现异常暴涨或暴跌，均值可能会严重偏离数据的典型水平，导致误导性的分析结果。
2. 中位数（Median）
中位数是将数据集按大小排序后位于中间位置的数值。如果数据个数为奇数，中位数即为中间那个数；如果为偶数，则为中间两个数的平均值。相较于均值，中位数具有更强的稳健性（Robustness），不受极端值影响。在资产回报率分布呈现偏态（Skewed）时，中位数往往比均值更能代表“典型”回报水平。
3. 标准差（Standard Deviation）
标准差衡量数据的离散程度或波动性。在 CFA 考试中，绝大多数情况涉及的是样本标准差，公式分母为 $n-1$，而非总体的 $n$。这是因为使用 $n-1$ 作为分母可以提供总体方差的无偏估计（Unbiased Estimator）。公式如下：
$$ s = \sqrt{\frac{\sum_{i=1}^{n} (X_i - \bar{X})^2}{n-1}} $$
理解标准差的关键在于：数值越大，表示数据波动越剧烈，风险越高。
为了巩固理论，我们通过一个具体的股票回报率示例进行计算。
例题背景：
假设某分析师收集了某指数在过去 5 个交易日的日回报率数据，分别为：1.2%, 1.5%, 1.8%, 2.0%, 2.5%。请计算该样本的均值、中位数及样本标准差。
手动计算逻辑：
1. 均值：$(1.2 + 1.5 + 1.8 + 2.0 + 2.5) / 5 = 1.8\%$
2. 中位数：排序后中间值为 1.8%
3. 样本标准差：
* 计算各数据与均值的差的平方：$(1.2-1.8)^2 = 0.36$, $(1.5-1.8)^2 = 0.09$, ...
* 求和：$0.36 + 0.09 + 0 + 0.04 + 0.49 = 0.98$
* 除以 $n-1$ (4)：$0.98 / 4 = 0.245$
* 开根号：$\sqrt{0.245} \approx 0.495\%$
BA II Plus 计算器操作步骤：
在考场环境下，熟练使用 TI BA II Plus 至关重要。以下是使用单变量统计功能（1-Var）的步骤：
[2nd] [7] (STAT 键)。[2nd] [CE/C] (CLR ALL 键)，确保统计寄存器为空。[ENTER]，然后按 [↓]。[ENTER]，然后按 [↓]。[ENTER]，然后按 [↓]。[ENTER]，然后按 [↓]。[ENTER]，然后按 [↓]。[2nd] [7] 返回统计视图。[↓] 向下翻页，查看样本标准差（$Sx$），显示结果应为 0.49497...（即 0.495%）。[↓] 可查看总体标准差（$\sigma x$），但在 CFA 考试中通常关注样本标准差。对于习惯在移动端复习的考生，推荐使用 RBA Calculator 应用。它完美复刻了 TI BA II Plus 的功能，支持统计计算模式，方便你在通勤途中随时练习上述步骤。你可以点击下方链接下载：RBA Calculator。
在历年 CFA 考试中，描述性统计章节的失分点主要集中在以下几个方面，考生需格外警惕：
样本与总体标准差混淆
这是最高频的错误。题目给出的是“样本数据”（Sample Data），计算标准差时分母应为 $n-1$。如果误用 $n$，会导致计算出的标准差偏小，低估风险。务必看清题目描述是 Sample 还是 Population。
忽视加权均值（Weighted Mean）
当计算投资组合回报率或指数回报率时，不能简单使用算术平均数，而必须使用加权平均数。权重通常基于市值或投资金额。混淆算术均值与加权均值会导致严重偏差。
极端值对均值的影响判断失误
在定性分析题中，若数据存在明显偏态（如收入分布、资产回报分布），考官可能询问使用哪个指标更合适。此时应选择中位数而非均值，因为均值会被极端值拉偏。
BA II Plus 模式设置错误
在进行时间价值计算（TVM）和统计计算（STAT）切换时，若未清除统计寄存器（CLR ALL），旧数据会干扰新结果。每次开始新计算前，养成清除数据的习惯。
Q1: 什么时候应该使用中位数而不是均值来衡量中心趋势？
A1: 当数据分布存在严重偏态（Skewed Distribution）或包含极端异常值（Outliers）时，中位数是更好的选择。例如，在分析家庭收入或某些高波动性资产的回报率时，少数极高值会显著拉高均值，使其不能代表大多数数据的水平。中位数则能保持稳健，不受极端值干扰。
Q2: 样本标准差的分母为什么是 n-1 而不是 n？
A2: 这是一个统计学上的无偏估计问题。当我们使用样本数据来估计总体参数时，样本均值 $\bar{X}$ 本身也是基于样本计算的，它会比总体均值 $\mu$ 更接近样本数据，导致方差计算结果偏小。使用 $n-1$ 作为分母（贝塞尔校正）可以修正这种偏差，使得样本方差成为总体方差的无偏估计量。在 CFA 考试中，除非明确说明是总体数据，否则默认使用 $n-1$。
Q3: 标准差和方差有什么区别？考试中常用哪个？
A3: 方差是标准差的平方。标准差的优势在于其单位与原始数据单位一致（例如回报率是百分比，标准差也是百分比），更易于直观理解和解释。方差主要用于数学推导和计算过程。在 CFA 考试的结果展示和解释中，标准差更为常见，因为它直接反映了波动率的大小。
Q4: 如何利用描述性统计判断数据的偏态（Skewness）？
A4: 虽然偏态系数有专门公式，但通过比较均值和中位数也可以初步判断。如果均值大于中位数，通常表示数据右偏（正偏态），存在较大的极端高值；如果均值小于中位数，通常表示数据左偏（负偏态），存在较大的极端低值。如果两者相等，数据可能近似对称分布。
掌握描述性统计不仅是通过 CFA 一级考试的必要条件，更是培养量化思维的第一步。通过理解均值、中位数和标准差背后的经济含义，并熟练运用 TI BA II Plus 或 RBA Calculator (下载链接) 进行快速计算，你将能在考场上节省宝贵时间。记住，统计不仅仅是数字游戏，更是对市场风险与回报特征的深刻洞察。祝备考顺利！