考生需要知道，一个高质量的资本市场预期预测一定是一致性的(consistent)、无偏的(unbiased)、客观的(objective)、有证据支持的(well supported)，并且是预测错误最小的。今天班长睿睿就重点说明一下预测过程中会经常遇到的数据计算的错误与偏差问题。

  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。