❶ 求指教股票的β系數和標准差計算
簡單說β系數是一種表示風險量度的參數，一般高風險對應高收益，所以在牛市或者大勢看漲的時候可以選擇β系數較高的股票進行投資。 貝塔系數[Beta coefficient]是一種評估證券系統性風險的工具，用以度量一種證券或一個投資證券組合相對總體市場的波動性。在股票、(基金)等投資術語中常見。
用β系數估量風險叫β測量法，它來源於統計上的回歸分析。最早提出β值是在本世紀60年代初，大約過了10年，美國的金融管理者們才認識到它的價值。在證券投資中，收益與風險並存，高收益意味著要承擔高風險。風險由系統風險和非系統風險構成，其中非系統風險可以通過持有數種證券構成的投資組合加以消除。β系數是測量系統風險大小的一個指標，能確切表達單一股票風險與市場股票風險間的關系。為幫助投資人分析系統風險大小，樹立科學的投資理念，發達國家的證券市場都定期在權威報刊雜志上公布每種股票的β系數，國際上著名的投資咨詢公司提供的上市公司研究報告中也要列出股票的β系數。 貝塔系數衡量股票收益相對於{業績}評價基準收益的總體波動性，是一個相對指標。 β 越高，意味著股票相對於{業績}評價基準的波動性越大。 β 大於 1 ，則股票的波動性大於{業績}評價基準的波動性。反之亦然。 貝塔系數是統計學上的概念，是一個在＋1至-1之間的數值，它所反映的是某一投資對象相對於大盤的表現情況。其絕對值越大，顯示其收益變化幅度相對於大盤的變化幅度越大；絕對值越小，顯示其變化幅度相對於大盤越小。如果是負值，則顯示其變化的方向與大盤的變化方向相反；大盤漲的時候它跌，大盤跌的時候它漲。由於我們投資於投資(基金)的目的是為了取得專家理財的服務,以取得優於被動投資於大盤的表現情況，這一指標可以作為考察(基金)經理降低投資波動性風險的能力。在計算貝塔系數時,除了(基金)的表現數據外,還需要有作為反映大盤表現的指標。 β系數計算方式
貝塔系數利用回歸的方法計算。貝塔系數為1即證券的價格與市場一同變動。貝塔系數高於1即證券價格比總體市場更波動。貝塔系數低於1[大於0]即證券價格的波動性比市場為低。 貝塔系數的計算公式
公式為：
其中Cov(ra,rm)是證券 a 的收益與市場收益的協方差
❷ 知道兩只股票的月收益率,如何計算兩只股票（假設投資比重相同）形成的投資組合的標准差，有公式么
有些小的軟體可以自己設定股票配重的，就是自己配置股票後類似基金會有N個參數！
至於公式EXCEL可以寫的具體不太會，軟體的話你可以找一下破解版的大贏家試試：）
❸ 殘差怎麼算
標准殘差，就是各殘差的標准方差，即是殘差的平方和除以(殘差個數-1)的平方根 。以δ表示。殘差δ遵從正態分布N(0，σ2)。（δ-殘差的均值）/殘差的標准差，稱為標准化殘差，以δ*表示。δ*遵從標准正態分布N(0，1)。
實驗點的標准化殘差落在(-2，2)區間以外的概率≤0.05。若某一實驗點的標准化殘差落在(-2，2)區間以外，可在95%置信度將其判為異常實驗點，不參與回歸線擬合。
(3)計算兩個公司股票的殘差標准差擴展閱讀：
殘差在數理統計中是指實際觀察值與估計值（擬合值）之間的差。「殘差」蘊含了有關模型基本假設的重要信息。如果回歸模型正確的話， 我們可以將殘差看作誤差的觀測值。
它應符合模型的假設條件，且具有誤差的一些性質。利用殘差所提供的信息，來考察模型假設的合理性及數據的可靠性稱為殘差分析。
為了更深入地研究某一自變數與因變數的關系，人們還引進了偏殘差。此外， 還有學生化殘差、預測殘差等。以某種殘差為縱坐標，其它變數為橫坐標作散點圖，即殘差圖 ，它是殘差分析的重要方法之一。
參考資料：
網路-殘差
❹ 兩只股票標准差20%和10% 40% 60 相關系數為-1%比例投資
組合收益率=20%*10%+80%*7%=7.6%
組合方差=(20%*6%)^2+(80%*4%)^2+2*0.1*20%*80%*6%*4%=0.0012448
組合標准差=0.0012448^0.5=3.53%
❺ 如何用EVIEWS計算殘差的標准差和方差
雙擊打開變數resid，點擊view-descriptive statistics&tests-stats table給出一個表格，顯示殘差的均值，眾數，最大值，最小值，標准差；std.dev即標准差，方差是標准差的平方。
參數顯著性檢驗t檢驗對應的prob，若小於0.05則參數的顯著性檢驗通過，再看r方，越接近1，擬合優度越高；f的p值，小於0.05的話模型才顯著，dw用來檢驗殘差序列的相關性的，在2的附近，說明殘差序列不相關。標准差是衡量回歸系數值的穩。
標准差可以當作不確定性的一種測量。
例如在物理科學中，做重復性測量時，測量數值集合的標准差代表這些測量的精確度。當要決定測量值是否符合預測值，測量值的標准差佔有決定性重要角色：如果測量平均值與預測值相差太遠（同時與標准差數值做比較），則認為測量值與預測值互相矛盾。這很容易理解，因為如果測量值都落在一定數值范圍之外，可以合理推論預測值是否正確。
以上內容參考：網路-標准差
❻ spss軟體測出來的殘差、殘差標准差、殘差t值應該怎麼選
前兩個圖是方差分析，關鍵看F值和sig值。F值很大，且sig值小於0.05，通過了顯著性檢驗，說明回歸模型在總體上是顯著的。
下一個表是殘差統計量，有許多關於殘差的特徵。比如標准化殘差，學生氏殘差，cook距離等等。在描述模型擬合效果好壞。
最後一個表是回歸系數表，這是最關鍵的。
可以用它寫出回歸方程，附在論文中。
具體解釋：回歸系數為-0.807，表明自變數增加一個單位，因變數平均下降0.807個單位。
第五列t是回歸系數的顯著性檢驗，sig都小於0.05，通過了檢驗。
最後是共線性檢驗，VIF很大，說明模型是有缺陷的，存在多重共線性。
❼ 求A、B兩股票標准差和協方差，要有計算步驟
1、求A、B兩股票標准差和協方差，要有計算步驟如下圖：
2、標准差（Standard Deviation） ，中文環境中又常稱均方差，但不同於均方誤差（mean squared error，均方誤差是各數據偏離真實值的距離平方的平均數，也即誤差平方和的平均數，計算公式形式上接近方差，它的開方叫均方根誤差，均方根誤差才和標准差形式上接近），標准差是離均差平方和平均後的方根，用σ表示。標准差是方差的算術平方根。標准差能反映一個數據集的離散程度。平均數相同的，標准差未必相同。
3、協方差分析是建立在方差分析和回歸分析基礎之上的一種統計分析方法。 方差分析是從質量因子的角度探討因素不同水平對實驗指標影響的差異。一般說來，質量因子是可以人為控制的。 回歸分析是從數量因子的角度出發，通過建立回歸方程來研究實驗指標與一個（或幾個）因子之間的數量關系。但大多數情況下，數量因子是不可以人為加以控制的。
❽ 急急急！！求大神計算，求兩只股票的標准差。
單個股票收益率的方差=beta^2*市場收益率的方差+股票特定風險的方差
A股票的標准差=[(0.8^2)*(20%^2)+30%^2]^(1/2)=0.34
B股票的標准差=[(1.2^2)*(20%^2)+20%^2]^(1/2)=0.3124
❾ 如何計算股票的殘差
這個要看你的指數模型選什麼指標做變數，通常如果兩個高度競爭的公司，那麼它們存在高度相關性，你如果用單指數模型，會導致殘差高估。
❿ 殘差怎麼求
標准殘差，就是各殘差的標准方差，即是殘差的平方和除以(殘差個數-1)的平方根 。以δ表示。殘差δ遵從正態分布N(0，σ2)。（δ-殘差的均值）/殘差的標准差，稱為標准化殘差，以δ*表示。δ*遵從標准正態分布N(0，1)。
實驗點的標准化殘差落在(-2，2)區間以外的概率≤0.05。若某一實驗點的標准化殘差落在(-2，2)區間以外，可在95%置信度將其判為異常實驗點，不參與回歸線擬合。
拓展資料
通常橫坐標的選擇有三種：因變數的擬合值；自變數；當因變數的觀測值為一時間序列時，橫坐標可取觀測時間或觀測序號。殘差圖的分布趨勢可以幫助判明所擬合的線性模型是否滿足有關假設。
如殘差是否近似正態分布、是否方差齊次，變數間是否有其它非線性關系及是否還有重要自變數未進入模型等。.當判明有某種假設條件欠缺時， 進一步的問題就是加以校正或補救。需分析具體情況，探索合適的校正方案，如非線性處理，引入新自變數，或考察誤差是否有自相關性。