在波动性计算中，样本数量直接影响估计的稳定性和准确性。样本越多，波动性估计越稳定，但过多数据可能引入过时信息，降低预测价值。投资者通常使用30到100个回报期（如日回报或月回报）来平衡统计可靠性与时效性。
样本数量与标准差计算
标准差是衡量波动性的核心指标。计算样本标准差时使用n-1（贝塞尔校正）而非n，是因为样本均值会低估总体方差，减去1个自由度可校正这一偏差，使估计更接近真实总体波动性。当样本量较小时（如少于30），贝塞尔校正的影响显著，n-1与n的计算结果差异可达数个百分点；样本量超过100后，差异可忽略。
样本数量越小，单个极端回报对标准差的影响越大，估计结果越不稳定。例如，用10个日回报计算波动性，一次异常涨跌可能使标准差跳升50%以上；而用100个日回报时，同样事件的影响通常被稀释到10%以内。一般建议至少使用30个回报期，以降低偶然误差。
样本数量与夏普比率
夏普比率衡量单位风险带来的超额回报，其分子（平均超额回报）和分母（波动性）都对样本数量敏感。小样本下夏普比率波动剧烈，可能夸大或低估投资效率。例如，用20个月回报计算出的夏普比率，其标准误可能达到真实值的50%以上，容易误导决策。
投资者常用30到100个回报期计算夏普比率，因为这一范围既能获得相对稳定的波动性估计，又避免引入过时市场结构信息。如果使用超过250个日回报（约1年数据），需注意市场环境是否发生重大变化——如利率周期切换或行业政策调整，否则历史波动性可能无法反映当前风险。
常见问题
为什么样本标准差用n-1而不是n？
n-1是贝塞尔校正，用于修正样本均值对总体均值的低估。样本数据比总体更集中，导致方差偏小，减去1个自由度后估计更贴近真实总体波动性。当样本量大于100时，n与n-1的差异很小，可忽略。
样本数量超过200会有问题吗？
可能有问题。超过200个回报期（如近1年日数据）包含的过时信息可能超过有用信号，尤其在市场风格快速变化时。建议结合滚动窗口（如最近60或90个回报期）或对更早数据赋予较低权重，来平衡样本量与时效性。
30个样本是否足够计算波动性？
30个样本是常用最低门槛，能提供基本稳定的估计，但仍有较高误差。对于高风险资产或追求精确对冲的场景，建议使用60到100个样本。若数据有限，可考虑使用类似资产（同行业或同风险等级）的波动性作为参考。