Em outras palavras, o SD procura os piores casos (situações onde as observações estão abaixo da média) e podemos construir  métricas de risco de downside . 

Se transferirmos o SD para os preços das ações, retornos abaixo do valor esperado são considerados negativos e retornos acima do valor esperado são considerados positivos para nosso investimento. Estamos mais interessados ​​em controlar os retornos negativos, pois eles prejudicam nossos lucros. 

Artigos Recomendados: Momentos Parciais Baixos (MPB).

Definimos a variável Z como uma variável aleatória discreta composta de Z ₁ ,…, Z _N observações. Podemos definir SD como:

Onde  E(Z) é o valor esperado (valor médio) da variável Z. 

A Semivariância (SV) é definida da mesma forma:

Embora SD e SV pareçam ser conceitos muito semelhantes, eles não devem ser equacionados, pois

Podemos calcular o SV usando dados históricos da seguinte forma:

Podemos calcular o SD usando dados históricos da seguinte forma:

Normalmente, todos os termos da fórmula são expressos em termos anuais. Se os dados forem expressos em outros termos, teremos que anualizar os resultados. 

Definimos D como:

• MIN: procuramos o mínimo entre D e 0.  

Se D<0 então o resultado é D ² .

Se D>0 então o resultado é 0.

• MAX: procuramos o máximo entre D e 0. 

Se D>0 então o resultado é D ² .

Se D<0 então o resultado é 0.

Suponha que queremos realizar um estudo sobre o grau de dispersão do preço da  AlpineSki durante 18 meses (um ano e meio). Especificamente, queremos encontrar a dispersão das observações que estão abaixo de seu valor médio. 

0. Baixamos as cotações e calculamos os retornos contínuos.

Diferença = | min (Zt _– Z’,0)| ^dois

1. Calculamos:

O Desvio Semi-Padrão (DP) anualizado é de 9,64%. Ou seja, o grau de dispersão das observações que são inferiores ao valor médio é de 9,64%. A Semivariância (SV) anualizada é 0,0093.