1703562909
1703562910
1703562911
因此，我们需要对这个偏差进行校正。
1703562912
1703562913
如果假设收益率服从正态分布，那么就可以将样本标准差的分布函数看成样本容量的函数，那么该函数便可写成：
1703562914
1703562915
1703562916
1703562917
1703562918
其中，s是样本标准差，σ是总体标准差，Γ（x）是伽马函数，定义为Γ（n）=（n-1）！，该函数的图形如图2-1所示。
1703562919
1703562920
1703562921
1703562922
1703562923
图2-1 样本标准差的分布
1703562924
1703562925
通过观察图2-1可以发现，随着样本容量N的增大，分布的峰值在向右侧移动——趋向于总体标准差。因此样本容量越大，总体标准差与样本标准差之间的偏差就越小。偏差的程度可以通过下式进行精确量化：
1703562926
1703562927
1703562928
1703562929
1703562930
其中：
1703562931
1703562932
1703562933
1703562934
1703562935
s/b就是总体标准差的无偏估计。
1703562936
1703562937
表2-1列出了不同的样本容量时所对应的b值。
1703562938
1703562939
表2-1 校正因子与样本容量的关系
1703562940
1703562941
1703562942
1703562943
1703562944
使用s/b便纠正了这一偏差，也就是说这一估计量不会系统性地高估或者低估真实波动率。但是，该估计量向真实波动率收敛的速度较为缓慢，因此在技术上将其称为非有效估计量。该估计量的方差为：
1703562945
1703562946
1703562947
1703562948
1703562949
方差（样本方差的方差）与样本容量的关系如图2-2所示。
1703562950
1703562951
1703562952
1703562953
1703562954
图2-2 样本方差的方差会收敛至真实总体方差，它是样本容量N的函数
1703562955
1703562956
如果直接心算gamma函数会非常难，因此如果能找到一个更为简单的近似公式，那么在实际中将大有裨益。首先我们注意到：
1703562957
1703562958
