将收益率看成服从正态分布，这是一个重要假设，这样才能忽略收益率的偏度和峰度等统计特性，只需考虑均值、方差即可，但实际上很多产品的收益率是不满足正态分布的，具有明显的偏度和峰度，继续使用方差度量风险可能会带来较大的误差。

你说得很对。实际上，在金融市场中，很多产品的收益率并不满足正态分布假设。例如，股票市场中的股票收益率通常呈现出明显的偏度和峰度，这意味着收益率的分布不是对称的，而且可能存在极端情况。如果我们仍然将收益率看作正态分布，忽略了这些特性，那么使用方差来度量风险将会产生较大的误差。因此，在实际应用中，我们需要使用其他的方法来度量风险，例如使用半方差或下行风险等指标来度量投资风险。同时，我们也需要注意到风险度量的不确定性，以及模型选择的影响。

相关问题

如何根据曲线的偏度和峰度，判断其是否服从正态分布

根据曲线的偏度和峰度可以初步判断其是否服从正态分布。下面是一种常用的方法：

1. 偏度（Skewness）是描述数据分布对称性的统计量。正态分布的偏度为0，若数据分布的偏度接近0，则可以认为数据近似服从正态分布。当偏度大于0时，表示数据分布右偏（正偏），即数据的尾部向右延伸，大部分数据集中在左侧；当偏度小于0时，表示数据分布左偏（负偏），即数据的尾部向左延伸，大部分数据集中在右侧。

2. 峰度（Kurtosis）是描述数据分布尖锐程度的统计量。正态分布的峰度为3，若数据分布的峰度接近3，则可以认为数据近似服从正态分布。当峰度大于3时，表示数据分布比正态分布更尖锐（高峰），即数据集中在中心附近，尾部较短；当峰度小于3时，表示数据分布比正态分布更平坦（低峰），即数据集中较为分散，尾部较长。

需要注意的是，偏度和峰度只是初步判断是否服从正态分布的指标，不能完全确定数据的分布情况。如果需要更准确地判断数据是否服从正态分布，可以使用统计检验方法，如Shapiro-Wilk检验或Kolmogorov-Smirnov检验。

下载一个金融资产（股票、债券⋯...）近201个交易日真实收盘价， （1）计算其收益率、标准差、偏度、峰度； •（2） 检验其收益率是否服从正态分布； （3）画收益率直方图和曲线图

下载金融资产的历史数据通常需要访问金融API或者从可靠的数据提供商那里获取，比如Yahoo Finance、Google Finance或专业的金融数据平台。以下是处理这类数据并完成你所提到任务的基本步骤：

1. **数据获取**:
- 选择编程语言（如Python），利用pandas_datareader库从网上抓取股票或债券的每日收盘价数据。

   import pandas_datareader as pdr
   data = pdr.get_data_yahoo('AAPL', start='2019-01-01', end='2021-12-31')  # 以苹果公司为例，替换为你感兴趣的证券代码

2. **数据预处理**:
- 将收盘价转换成日收益率（每天的收益百分比）。

   data['Return'] = data['Close'].pct_change()

3. **统计计算**:
- 计算收益率、标准差、偏度和峰度。

   stats = data['Return'].describe([0.5, 1, 2])  # 对应于均值、中位数、标准差
   skewness = data['Return'].skew()  # 偏度
   kurtosis = data['Return'].kurtosis()  # 峰度

4. **正态性检验**:
- 使用Shapiro-Wilk或Kolmogorov-Smirnov test判断收益率是否接近正态分布。

   from scipy.stats import shapiro, kstest
   normality_test, _ = shapiro(data['Return'])
   if normality_test > 0.05:  # 如果p-value大于显著性水平（如0.05），则认为正态
       print("收益率可能服从正态分布")
   else:
       print("收益率可能不服从正态分布")

5. **绘图展示**:
- 创建直方图和核密度估计图。

   import matplotlib.pyplot as plt
   plt.figure(figsize=(10,6))
   plt.hist(data['Return'], bins=30, density=True)  # 直方图
   plt.title('收益率直方图')
   plt.show()

   sns.kdeplot(data['Return'])  # 曲线图
   plt.title('收益率概率密度函数')
   plt.show()