泽稷小编最近收到一位同学发来的邮件，目前他已经开始再为CFA®三级考试进行备考了，不过在备考过程中他发现自己对于其中的资本市场科这方面还是很不了解，希望泽稷小编能讲解一下，所以今天泽稷小编就打算把这方面的信息为同学们都介绍一下，同学们都可以来了解一下哦！

       问题1：经济数据的限制

       分析师做预测时需要使用各类经济数据，他们在使用经济数据时可能面临以下4类限制。

       时滞(time lag)：经济数据的公布往往存在时滞。例如，通常在次年2、3月，政府才会公布该国前一年的CPI数据。那么分析师想在当年1月就获取该国前一年的CPI数据以预测当年该国的CPI走势是非常困难的。

       修订(revision)：关于GDP等一些经济数据，政府会在年初公布一个初始数据，随后会依据经济形势的变化对其进行修正调整后再公布一个修订数据。如果预测模型中同时包括了初始数据与修订数据，就会影响预测结果的准确性。

       定义及计算方法发生的改变(change in definition or calculation method)。例如CPI数据，它衡量的是居民一篮子消费品的价格变化情况。通常情况下，这一篮子消费品的构成情况需要每3年调整一次。那么调整后与调整前的CPI数据就不再具有可比性。同理，基于中国的消费篮子计算出来的CPI指数与基于美国消费篮子计算出来CPI的指数也不具有可比性。因为中国消费篮子的构成与美国大相径庭。相比美国的消费篮子，中国的消费篮子中不包含房价(只包含装修费、维护费、租金等费用)，并且食品所占权重非常高。

       基期调整(re-based)：在计算CPI指数时，我们首先需要确定一个基期的物价水平。如果我们将基期的年份由1980年调整为1990年，那么依据不同年份基期计算所得的CPI结果也是不一样的。

       问题2：数据计算的错误与偏差

       我们将这一问题分为“错误”(error)和“偏差”(bias)两类。相较于“偏差”，“错误”被人们及时发现后，是可以避免的。

       誊写错误(transcription errors)：这类错误经常发生在数据的收集、处理过程中。例如，在处理数据时，将数字“5.20”看错为“5.02”就属于这类错误，如果数据誊写错误总是偏向一个方向(涉嫌故意篡改数据)，这就是非常严重的问题。

       存活偏差(survivorship bias)：如果数据只是反映了一段时期内存活下来的个体情况，就发生了存活偏差。这类偏差在对冲基金的业绩统计中非常常见。市场上对冲基金的分化情况严重，存活下来的对冲基金通常都有着较高的收益，而那些被市场淘汰的对冲基金则是血本无归。只统计存活下来对冲基金的业绩，就会高估对冲基金投资品种的整体业绩表现。

       后果：存活偏差下统计所得的数据由于只考虑到了存活个体的情况，因此将高估投资品种未来收益率的表现，并且低估其风险，从而使得预测结果失真。

       数据平滑(appraisal[smoothed]data)：数据平滑现象经常发生在那些流动性很差的市场上，被平滑的数据一般是该类市场上的成交价格。假设在当前房地产市场上，分析师获取了某套房产月初以及月末的成交价，那么他想要评估该房产位于月中的价值，就只能对相关数据做平滑处理。平滑后数据的波动性，往往小于市场上真实数据的波动性。

       后果：如果分析师使用了关于资产的平滑数据，那么他在计算该类资产与其他类资产相关性时，就会低估该相关性的真实数值。此外，数据平滑后计算所得的标准差也是被低估的。

       解决方法：分析师可以有意识地对数据的波动性进行放大，如此一来，数据的离散波动幅度也将随之增加，但是数据的均值并不会因此发生改变。疫情期间泽稷小编助你备考CFA®：免费领取【CFA®电子版备考学习资料】

       问题3：历史估计的局限性

       分析师对于诸如股票一类波动性很大的资产历史数据的运用要做到随时更新，与时俱进，尤其是在考虑非平稳性问题的情况下。

       非平稳性(non-stationarity)：非平稳性的产生是由于政治制度或是科技环境发生了重大的改变。分析师在使用较长时期的时间序列数据(long data series)时，就容易发生非平稳性的问题。例如，分析师获得了我国1990～2010年度进出口贸易的历史数据，并且想要预测未来的贸易状况。注意到我国在2001年2月正式加入了WTO(世界贸易组织)，因此2001年12月是一个分界点，贸易状况于该时点发生了重大的政策变化。相比较加入WTO之前，我国在加入WTO后放松了进出口方面的诸多限制，并且我国的商品也能够更容易地被销售至世界上的其他国家。所以2001年12月之前的数据与之后的数据的特征是不同的，这就导致了数据非平稳的问题。使用2001年12月之前的数据来预测当前市场环境下未来的贸易情况是没有意义的。

       通常，分析师更愿意使用包含更多样本的长时期的样本数据做模型分析，他们认为期限越长的数据，就越能增加模型预测的准确性。但是长期的时间序列数据也会诱发如下问题：

       长期数据增加了数据包含多个政策时期(cover multiple regimes)的风险。

       大样本的数据长度往往是不可得的。

       我们可以采用“高频数据”法同时解决上述两个问题。例如，使用周数据或者天数据。但是高频数据本身也会造成变量间的“不同步性”(asynchronism)的问题，从而低估了数据间的相关性。

       问题4：事后风险作为事前风险的有偏估计

       人们对于事前风险(ante risk)会表现出更多的恐慌与不安。例如，人们在做外汇投资前总是担心汇率风险的发生，但是当投资期结束后，就会发表“我早知道本币会贬值”一类的言论。因此，当我们计算出一个特定时期的事后风险，并以此为依据再去评估还未发生事件的事前风险时，就会低估了事前风险的大小，从而也间接高估了资产收益率的大小。

       因此，当分析师在使用事后风险作为评估事前风险的替代时，应当在原有事前风险的基础上增加一定的风险溢价(risk premium)，这样度量出的风险才是真实合理的。

       意思航就是本次泽稷小编为同学们的带来的全部信息了，大家如果对于CFA®考试还有什么疑问的话可以在下方的评论区中进行留言哦，泽稷小编看到后也会及时为你们解答的。

       相关资讯：哪些东西不能带入CFA®考场？

扫码咨询泽稷老师，解读CFA®考试政策变动，海量CFA®学习资料免费领取，提供在线解答CFA®学习疑惑。