波动性计算中使用 n-1 作为分母，是为了将样本方差修正为总体方差的无偏估计，从而更准确地反映真实波动性。当用样本数据（如过去一段时间的每日收益率）来估计整体波动性时，直接除以 n 会系统性低估方差，因为样本均值本身已对数据做了“最佳拟合”，导致离差平方和偏小。通过除以 n-1（即贝塞尔校正），可以抵消这一偏差，使得长期来看估计值等于总体方差。这一校正对于小样本尤其关键，当数据量增大时（如超过 30 个），n 与 n-1 的差异逐渐缩小，但统计上仍推荐使用 n-1 以保持无偏性。
方差公式与样本偏差
总体方差的计算公式是：σ² = Σ (xᵢ - μ)² / N，其中 μ 是总体均值，N 是总体数量。但在投资分析中，通常只能获取样本数据（如过去 30 天的收益率），此时使用样本均值 x̄ 替代 μ，公式变为：s² = Σ (xᵢ - x̄)² / (n - 1)。关键区别在于分母从 n 变为 n-1，这是因为样本均值 x̄ 是根据数据本身计算得出的，它总是使得离差平方和最小化，从而比真实总体均值 μ 更“贴近”数据。如果除以 n，会低估方差；除以 n-1 则提供了一个无偏估计。
在实际应用中，建议数据量至少达到 30 个以上，以确保估计的稳定性和可靠性。当 n 较小时（如 n=10），n-1 校正的影响较大，波动性估计可能仍不够精确。随着样本量增加（如 n=100），n 与 n-1 的差异不足 1%，校正作用减弱，但统计惯例仍坚持使用 n-1。
常见问题
为什么不能直接除以 n 来计算波动性？
直接除以 n 会得到有偏估计，即系统性低估真实波动性。这是因为样本均值本身由数据决定，导致离差平方和偏小，除以 n 无法修正这一偏差。只有通过 n-1 校正，才能使样本方差在长期平均上等于总体方差。
数据量需要多大才能减少 n-1 校正的影响？
当样本量达到 30 个以上时，n 与 n-1 的差异已较小（约 3.3%），但统计上仍推荐使用 n-1。对于更严格的分析（如金融建模），建议至少使用 50-100 个数据点，以进一步降低随机误差。
在投资波动性计算中，n-1 校正是否总是必要？
是的，只要是用样本数据估计总体波动性，就应该使用 n-1 校正。即使数据量很大，这一做法也能保证估计的无偏性。不过，如果直接计算的是历史波动率（即描述过去实际波动），而非推断未来，则可以用 n 作为分母。