توزیع نرمال چیست؟

توزیع نرمال، که اغلب به‌عنوان توزیع گاوسی شناخته می‌شود، به دلیل تقارن حول میانگین و تشکیل منحنی زنگوله‌ای شکل، پایه‌ای در آمار و امور مالی است. این توزیع در تحلیل‌ها و تصمیم‌گیری‌های مالی که در آن‌ها اکثر نقاط داده حول یک مقدار میانگین تجمع می‌یابند، حیاتی است. توزیع نرمال نه تنها پایه بسیاری از نظریه‌های آماری مانند قضیه حد مرکزی است، بلکه در ارزیابی رفتارهای بازار مالی نیز کلیدی است و به سرمایه‌گذاران و تحلیلگران کمک می‌کند تا تعیین کنند آیا ابزارهای مالی به‌طور منصفانه قیمت‌گذاری شده‌اند یا از هنجارهای مورد انتظار منحرف می‌شوند. این مقاله ویژگی‌ها، کاربردها و محدودیت‌های توزیع نرمال را برای کمک به تصمیم‌گیری مالی آگاهانه بررسی می‌کند.

نکات کلیدی

• توزیع نرمال، که به‌عنوان توزیع گاوسی نیز شناخته می‌شود، یک منحنی زنگوله‌ای شکل است که حول میانگین متقارن است و نشان می‌دهد که اکثر نقاط داده نزدیک به میانگین قرار دارند.
• این توزیع با دو پارامتر مشخص می‌شود: میانگین (متوسط) و انحراف معیار، با ویژگی‌های مهمی مانند چولگی (skewness) و کشیدگی (kurtosis) که به توصیف تقارن و دم‌های توزیع کمک می‌کنند.
• قانون تجربی بیان می‌کند که در یک توزیع نرمال، تقریباً ۶۸.۲٪ از داده‌ها در یک انحراف معیار از میانگین، ۹۵.۴٪ در دو انحراف معیار و ۹۹.۷٪ در سه انحراف معیار قرار می‌گیرند، و رویدادهای نادر به‌عنوان مواردی تعریف می‌شوند که فراتر از سه انحراف معیار قرار دارند.
• با وجود استفاده گسترده در امور مالی، فرض توزیع نرمال برای قیمت‌های دارایی می‌تواند گمراه‌کننده باشد، زیرا آن‌ها اغلب دم‌های چاق (fat tails) و توزیع‌های چوله نشان می‌دهند که دقت پیش‌بینی را به چالش می‌کشد.
• توزیع نرمال پایه بسیاری از نظریه‌های آماری، از جمله قضیه حد مرکزی، است، اما باید با آگاهی از محدودیت‌های آن در امور مالی به دلیل ماهیت پیچیده رفتارهای بازار استفاده شود.

ویژگی‌های کلیدی توزیع نرمال

در تحلیل تکنیکال بازار سهام، معمولاً فرض توزیع نرمال در نظر گرفته می‌شود. این توزیع دو پارامتر دارد: میانگین و انحراف معیار. در اینجا، میانگین (متوسط)، میانه (نقطه میانی) و مد (مشاهده‌ای که بیشترین تکرار را دارد) برابر هستند و یک منحنی زنگوله‌ای متقارن حول میانگین ایجاد می‌کنند.

توزیع نرمال در قضیه حد مرکزی (CLT) نقش مرکزی دارد، که بیان می‌کند میانگین متغیرهای مستقل و هم‌توزیع معمولاً از یک توزیع نرمال پیروی می‌کند، صرف‌نظر از توزیع اصلی.

توزیع نرمال نوعی توزیع متقارن است. توزیع‌های متقارن زمانی رخ می‌دهند که یک خط تقسیم دو تصویر آینه‌ای ایجاد کند. همه توزیع‌های متقارن نرمال نیستند، زیرا برخی داده‌ها ممکن است به‌صورت دو قله یا مجموعه‌ای از تپه‌ها علاوه بر منحنی زنگوله‌ای که نشان‌دهنده توزیع نرمال است، ظاهر شوند.

قانون تجربی در توزیع نرمال

در توزیع‌های نرمال، ۶۸.۲٪ از داده‌ها در یک انحراف معیار از میانگین، ۹۵.۴٪ در دو انحراف معیار و ۹۹.۷٪ در سه انحراف معیار قرار می‌گیرند.

این واقعیت گاهی اوقات به‌عنوان "قانون تجربی" شناخته می‌شود، یک روش تقریبی که توصیف می‌کند اکثر داده‌ها در یک توزیع نرمال کجا ظاهر می‌شوند. داده‌هایی که خارج از سه انحراف معیار ("۳-سیگما") قرار می‌گیرند، نشان‌دهنده رویدادهای نادر هستند.

تحلیل چولگی در توزیع نرمال

چولگی میزان تقارن یک توزیع را اندازه‌گیری می‌کند. توزیع نرمال متقارن است و چولگی صفر دارد. اگر توزیع یک مجموعه داده چولگی کمتر از صفر یا چولگی منفی (چولگی به چپ) داشته باشد، دم سمت چپ توزیع طولانی‌تر از دم سمت راست است؛ چولگی مثبت (چولگی به راست) به این معناست که دم سمت راست توزیع طولانی‌تر از دم سمت چپ است.

بررسی کشیدگی در توزیع نرمال

کشیدگی ضخامت انتهای دم‌های یک توزیع را نسبت به دم‌های توزیع نرمال اندازه‌گیری می‌کند. توزیع نرمال کشیدگی برابر با ۳.۰ دارد. توزیع‌هایی با کشیدگی بیشتر از ۳.۰ داده‌های دمی را نشان می‌دهند که از دم‌های توزیع نرمال فراتر می‌روند (مثلاً پنج انحراف معیار یا بیشتر از میانگین).

این کشیدگی اضافی در آمار به‌عنوان لپتوکورتیک شناخته می‌شود، اما به‌صورت عامه به‌عنوان "دم‌های چاق" (fat tails) شناخته می‌شود. وقوع دم‌های چاق در بازارهای مالی به‌عنوان ریسک دم (tail risk) توصیف می‌شود. توزیع‌هایی با کشیدگی کمتر از ۳.۰ (پلاتوکورتیک) دم‌هایی را نشان می‌دهند که به‌طور کلی کمتر شدید ("لاغرتر") از دم‌های توزیع نرمال هستند.

کشیدگی یک نمایش عددی از نوع قله یک توزیع ارائه می‌دهد و انواع مختلف قله‌هایی که توزیع‌های احتمالی می‌توانند داشته باشند را توصیف می‌کند.

فرمول توزیع نرمال

توزیع نرمال از فرمول زیر پیروی می‌کند. توجه داشته باشید که تنها مقادیر میانگین (μ) و انحراف معیار (σ) لازم است.

فرمول توزیع نرمال:

$f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{(x - \mu)^2}{2\sigma^2}}$

که در آن:

• $x$ = مقدار متغیر یا داده‌ای که بررسی می‌شود و $f(x)$ تابع احتمال است
• $μ$ = میانگین
• $σ$ = انحراف معیار

کاربردهای مالی توزیع نرمال

فرض توزیع نرمال برای قیمت‌های دارایی و تغییرات قیمت (price action) اعمال می‌شود. معامله‌گران ممکن است نقاط قیمتی را برای تطبیق اقدامات قیمتی اخیر با یک توزیع نرمال ترسیم کنند. هرچه تغییرات قیمت از میانگین دورتر شود، احتمال اینکه یک دارایی بیش از حد یا کمتر از ارزش واقعی قیمت‌گذاری شده باشد، بیشتر می‌شود. معامله‌گران می‌توانند از انحراف‌های معیار برای پیشنهاد معاملات بالقوه استفاده کنند. این نوع معامله معمولاً در بازه‌های زمانی بسیار کوتاه انجام می‌شود، زیرا مقیاس‌های زمانی بزرگ‌تر انتخاب نقاط ورود و خروج را بسیار دشوارتر می‌کند.

بسیاری از نظریه‌های آماری با فرض توزیع نرمال، قیمت‌های دارایی را مدل‌سازی می‌کنند. با این حال، داده‌های قیمتی واقعی اغلب دم‌های چاق را نشان می‌دهند، با حرکات شدید مکررتر، که منجر به کشیدگی بالاتر از سه می‌شود. حتی اگر داده‌های گذشته با توزیع نرمال سازگار باشند، این تضمین نمی‌کند که عملکرد آینده نیز چنین خواهد بود.

نمونه واقعی از توزیع نرمال

بسیاری از پدیده‌های طبیعی به‌نظر می‌رسد که به‌صورت نرمال توزیع شده‌اند. به عنوان مثال، میانگین قد انسان تقریباً ۱۷۵ سانتی‌متر (۵ فوت و ۹ اینچ) است، با احتساب هر دو جنس مرد و زن.

همان‌طور که نمودار زیر نشان می‌دهد، اکثر افراد به این میانگین نزدیک هستند. افراد بلندتر و کوتاه‌تر با فرکانس کاهشی در جمعیت وجود دارند. طبق قانون تجربی، ۹۹.۷٪ از همه افراد در ± سه انحراف معیار از میانگین قرار می‌گیرند، یا بین ۱۵۴ سانتی‌متر (۵ فوت) و ۱۹۶ سانتی‌متر (۶ فوت و ۵ اینچ). افرادی که بلندتر یا کوتاه‌تر از این هستند نادر خواهند بود (تنها ۰.۱۵٪ از جمعیت برای هر کدام).

توزیع نرمال به چه معناست؟

توزیع نرمال یک طرح متقارن از داده‌ها حول مقدار میانگین آن را توصیف می‌کند، که عرض منحنی توسط انحراف معیار تعریف می‌شود. این به‌صورت بصری به‌عنوان "منحنی زنگوله‌ای" نشان داده می‌شود.

چرا توزیع نرمال "نرمال" نامیده می‌شود؟

این توزیع که از نظر فنی به‌عنوان توزیع گاوسی شناخته می‌شود، پس از مطالعات قرن نوزدهم که نشان داد بسیاری از رویدادهای طبیعی "به‌طور نرمال از میانگین منحرف می‌شوند"، "نرمال" نامیده شد. سر فرانسیس گالتون این را در سال ۱۸۸۹ به‌عنوان "منحنی نرمال" معرفی کرد.

محدودیت‌های توزیع نرمال در امور مالی چیست؟

اگرچه توزیع نرمال یک مفهوم آماری است، کاربردهای آن در امور مالی می‌تواند محدود باشد زیرا پدیده‌های مالی—مانند بازده مورد انتظار بازار سهام—به‌طور کامل در یک توزیع نرمال قرار نمی‌گیرند. قیمت‌ها تمایل دارند از یک توزیع لگ‌نرمال (log-normal) پیروی کنند، که به سمت راست چوله است و دم‌های چاق‌تری دارد. بنابراین، تکیه بیش از حد به منحنی زنگوله‌ای هنگام پیش‌بینی می‌تواند منجر به نتایج غیرقابل اعتماد شود. اگرچه اکثر تحلیلگران از این محدودیت آگاه هستند، غلبه بر این کاستی دشوار است زیرا اغلب مشخص نیست که از کدام توزیع آماری به‌عنوان جایگزین استفاده شود.

به‌روزرسانی‌های اخیر (تا آگوست ۲۰۲۵)

تا آگوست ۲۰۲۵، توزیع نرمال همچنان یک ابزار اساسی در تحلیل‌های مالی و آماری است، اما محدودیت‌های آن در بازارهای بی‌ثبات کنونی بیشتر مورد توجه قرار گرفته است.

• افزایش نوسانات بازار: گزارش‌های مالی در ژوئن ۲۰۲۵ نشان می‌دهند که نرخ‌های بهره بالا (۵.۲۵٪-۵.۵٪ توسط فدرال رزرو) و عدم اطمینان ژئوپلیتیکی به افزایش نوسانات بازار منجر شده است، که باعث شده قیمت‌های دارایی بیشتر از توزیع نرمال منحرف شوند. پست‌های X در جولای ۲۰۲۵ اشاره کردند که معامله‌گران به‌طور فزاینده‌ای از مدل‌های توزیع جایگزین، مانند توزیع‌های لگ‌نرمال یا توزیع‌های دم‌چاق، برای پیش‌بینی دقیق‌تر حرکات قیمت استفاده می‌کنند.
• کاربرد در الگوریتم‌های معاملات: تحلیلگران در می ۲۰۲۵ گزارش دادند که الگوریتم‌های معاملات خودکار به‌طور فزاینده‌ای فرض‌های توزیع نرمال را برای استراتژی‌های کوتاه‌مدت در نظر می‌گیرند، اما آن‌ها را با مدل‌های پیشرفته‌تر برای پیش‌بینی رویدادهای دم (tail events) تکمیل می‌کنند. این تغییر به دلیل افزایش دفعات حرکات شدید قیمت در بخش‌های فناوری و ارزهای دیجیتال است.
• آموزش و آگاهی: پست‌های X در جولای ۲۰۲۵ نشان‌دهنده افزایش محتوای آموزشی در مورد محدودیت‌های توزیع نرمال در امور مالی هستند، به‌ویژه در میان سرمایه‌گذاران خرده‌فروش که از پلتفرم‌هایی مانند Robinhood استفاده می‌کنند. سازمان‌هایی مانند انجمن ملی سرمایه‌گذاران (BetterInvesting) بر اهمیت درک چولگی و کشیدگی هنگام ارزیابی ریسک‌های سرمایه‌گذاری تأکید دارند.
• تأثیر بر مدل‌های ریسک: گزارش‌های مالی در ژوئن ۲۰۲۵ نشان می‌دهند که مؤسسات مالی به‌طور فزاینده‌ای مدل‌های ریسک خود را برای در نظر گرفتن دم‌های چاق و چولگی تنظیم می‌کنند، به‌ویژه در پرتفوی‌های شامل دارایی‌های پرریسک مانند سهام فناوری یا مشتقات. این امر به دلیل نادرستی‌های پیش‌بینی‌شده توسط مدل‌های مبتنی بر توزیع نرمال در دوره‌های آشوب بازار است.

نتیجه‌گیری

توزیع نرمال، که به‌عنوان توزیع گاوسی نیز شناخته می‌شود، یک توزیع احتمالی است که هنگام ترسیم به‌صورت یک "منحنی زنگوله‌ای" ظاهر می‌شود. این توزیع یک طرح متقارن از داده‌ها حول مقدار میانگین آن را توصیف می‌کند، که عرض منحنی توسط انحراف معیار تعریف می‌شود. توزیع نرمال در تحلیل‌های مالی برای مدل‌سازی قیمت‌های دارایی و پیش‌بینی‌ها استفاده می‌شود، اما محدودیت‌هایی مانند دم‌های چاق و چولگی در داده‌های واقعی مالی می‌تواند دقت آن را کاهش دهد. تا آگوست ۲۰۲۵، معامله‌گران و مؤسسات مالی به‌طور فزاینده‌ای از مدل‌های توزیع جایگزین برای در نظر گرفتن نوسانات بازار و رویدادهای دم استفاده می‌کنند، در حالی که آموزش در مورد محدودیت‌های توزیع نرمال در میان سرمایه‌گذاران افزایش یافته است.