Investeringar 2023 – vad är Skewness?

Skewness är ett statistiskt begrepp som används för att mäta snedhet eller asymmetri i en sannolikhetsfördelning av en variabel. Det ger information om hur fördelningen av observationer är balanserad kring medelvärdet.

För att förstå skewness är det viktigt att förstå begreppet fördelningskurva. En fördelningskurva är en grafisk representation av hur observationer är fördelade över olika värden. Den vanligaste fördelningskurvan är den normalfördelade kurvan, även känd som Gaussisk fördelning eller klockformad kurva. I en normalfördelning är medelvärdet, medianen och läget (värdet med högst frekvens) alla belägna i mitten av kurvan, och kurvan är symmetrisk.

Skewness mäter avvikelser från denna symmetri. Om fördelningskurvan har en längre svans till höger och observationerna är mer koncentrerade till vänster om medelvärdet, sägs fördelningen vara positivt sned (högersneda). Å andra sidan, om fördelningskurvan har en längre svans till vänster och observationerna är mer koncentrerade till höger om medelvärdet, sägs fördelningen vara negativt sned (vänstersneda). Om fördelningskurvan är symmetrisk, det vill säga lika koncentrerad åt båda hållen, är skewnessen noll.

Skewness kan mätas med olika statistiska mått, men det vanligaste måttet är Pearson’s första skevhet (Pearson’s first coefficient of skewness). Det beräknas genom att ta skillnaden mellan medelvärdet och medianen och sedan normalisera det med standardavvikelsen. Formeln för Pearson’s första skevhet är:

Skewness = 3 * (Mean – Median) / Standardavvikelse

Experter inom statistik, ekonomi, finans, och andra vetenskapliga områden använder skewness för att analysera data och förstå fördelningsmönster. Skewness ger dem insikt om asymmetrin i data och kan vara användbart för att identifiera avvikelser från normalfördelningen. Till exempel kan det vara användbart inom finans för att bedöma risken i en investering eller för att utvärdera avkastningen på en tillgång. Inom marknadsundersökningar kan skewness hjälpa till att analysera kundernas beteende och preferenser. Inom medicinsk forskning kan skewness användas för att studera fördelningen av sjukdomar eller symtom i en population.

Skewness är en viktig statistisk mått och en del av verktygslådan för analytiker och forskare för att beskriva och analysera datafördelningar.

För att beräkna skewness för en aktie under en specifik tidsperiod som 2020, behöver du tillgång till prisdata för aktien under hela året. Här är en stegvis guide för att beräkna skewness:

1. Samla in prisdata: Du behöver dagliga slutpriser för aktien under 2020. Du kan använda historiska prisdata från finansiella webbplatser eller ekonomiska databaser. Se till att du har en lista med priserna för varje handelsdag under perioden.
2. Beräkna dagliga avkastningar: För att beräkna avkastningen för varje handelsdag, använder du följande formel: Avkastning = (Pris dag X – Pris dag X-1) / Pris dag X-1Börja med att beräkna avkastningen från den andra handelsdagen i perioden (dvs. dag 2) och fortsätt tills sista handelsdagen.
3. Skapa en lista med avkastningsvärden: Samla alla de dagliga avkastningsvärdena i en lista eller en tabell.
4. Beräkna skewness: Nu kan du använda statistisk programvara, ett verktyg som Excel eller en programmeringsplattform som Python för att beräkna skewness. Här är hur du kan göra det med hjälp av Excel och Python:a) Excel: I Excel kan du använda funktionen SKEW() för att beräkna skewnessen för avkastningsdatan. Skriv in avkastningsvärdena i en kolumn och använd formeln ”=SKEW(A1:A” & ANTAL(A:A) & ”)” i en tom cell, där A1:A är intervallet som innehåller avkastningsvärdena. Resultatet kommer att vara skewnessen för aktien under 2020.b) Python: Om du använder Python kan du använda biblioteket NumPy för att beräkna skewness. Importera NumPy-biblioteket och använd funktionen numpy.skew() på din lista med avkastningsvärden. Här är ett exempel på hur koden kan se ut:

import numpy as np

avkastningar = [0.01, -0.02, 0.03, 0.05, -0.01, 0.02, 0.01] # Exempelavkastningar, byt ut med dina egna värden

skewness = np.skew(avkastningar)
print(”Skewness:”, skewness)

1. Ersätt ”avkastningar” med din lista med avkastningsvärden för aktien under 2020. Kör koden, och du får skewnessen som ett resultat.

Genom att använda dessa steg kan du beräkna skewnessen för en aktie under en specifik tidsperiod som 2020. Det ger dig en indikation på fördelningen av avkastningsdata för aktien och dess snedhet.