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 степена у којем одређена дистрибуција варира 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 укосо десне). 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.
Слика Јулие Банг © Инвестопедиа 2019
Кључне Такеаваис
- Скевнесс, у статистици, је степен изобличења са симетричне кривуље звона у дистрибуцији вероватноће. Дистрибуције могу у различитом степену испољавати десну (позитивну) сконост или леву (негативну) сконост. куртоза, разматра крајности скупа података, а не да се фокусира само на просек.
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 искривљена догађа се управо супротно: средња вредност негативно искривљених података биће мања од медијане. Ако су графикони података симетрични, 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 нагиб, одузима средњу од средње, множи разлику са три и дијели производ стандардном девијацијом.
Формуле за Пеарсонову накривљеност су:
Сігналы абмеркавання Ск1 = сКс¯ − Мо Ск2 = с3Кс¯ − Мд где је: Ск1 = Пеарсонов први коефицијент накривљености и Ск2 секунде = стандардна девијација за узоракКс¯ = је средња вредностМо = модал (мод) вредност
Пеарсонов први коефицијент накривљености је користан ако подаци показују јак мод. Ако подаци имају слаб мод или више модова, Пеарсонов други коефицијент може бити пожељан, јер се не ослања на мод као мерило централне тенденције.
Шта је Скевнесс?
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 задржати 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 пробијања је повећан ризик од појаве података са великом скочношћу у скотној дистрибуцији. Многи финансијски модели који покушавају да предвиде предвиђање будућих перформанси имовине претпостављају нормалну дистрибуцију, у којој су мере централне тенденције једнаке. Ако су подаци искривљени, овакав модел ће увек подценити ризик од косости у својим предвиђањима. Што су подаци више искривљени, овај финансијски модел ће бити мање тачан.
