Beta 假设反映了一种工具对市场的风险。但是，您可以通过各种方式估算此度量。
你可以收缩你的估计来稳定它。另一个方面是这种风险度量的非线性。在红色和绿色的时间里，对市场的敏感性不相同。从结果中我们可以看到：
plot('AMZN' main="AMZN接近于市场收益率的收益率", xlab="市场收益率",pch=20, axes = F) ng <- l1coef\[2\]-l1coef\[3\] ps <- l1coef\[2\]
我们在这里看到的是，当市场下跌时，AMZN与市场的相关性更强，而当市场上涨时，相关性更弱。有相关的，也有相关的结构。谷歌-金融的β是相关的，它可以是在整个分布中是一样的。就像现在这样，你不希望有β值等于1，它是市场下跌时 beta=0.78 和市场上涨时和beta=0.94 的平均值。如果你是长线，反过来就很好，一个股票在绿色的时间段里反弹，在糟糕的日子里只缓慢下跌。
我尝试了其他一些金融股，看看这是否是典型的，这是正日（红色）和负日（蓝色）系数的条形图。
for (i in 1:l){ geSybols(symi\], from=tart, o=endut.asign = ) # 白天的平均价格 prv\[1:ltdt0,),i\]=avp } pol <- ifese(e\[,'SPY'\]>0,ret\['SP'\],0) for (i in 1:(l-1)){ # 最后一个是市场，因此 l-1。 o\[i,\] <- noibe } # 颜色 col1 col2 barpot(co\[,1,add=T)
花旗是唯一一个在市场下跌过程中具有较强关联性的股票，大多数在整个分布过程中与市场具有相当稳定的关联性，在这方面，摩根士丹利是不错的，可以持有。
我们看到与 AMZN 完全相反，在下跌的日子里比在上涨的日子里更陡峭。自然地，看看使用这个标准构建的投资组合如何表现。
