3. 样本量计算与统计功效：功效分析原理、最小样本量估算、功效曲线解读

在量化策略的A/B测试中，样本量不足会导致测试结果不可靠，而样本量过大则浪费计算资源和时间。统计功效（Statistical Power）是衡量测试“发现真实差异”能力的关键指标。本节将系统讲解功效分析的数学原理、最小样本量的估算方法以及功效曲线的解读方法。

3.1 统计功效的核心概念

统计功效定义为：当备择假设（H₁）为真时，正确拒绝原假设（H₀）的概率，即 Power = 1 − β，其中 β 为第二类错误（假阴性）的概率。

3.2 功效分析的关键参数

功效分析涉及四个相互关联的参数，已知其中三个即可推算第四个：

• 效应量（Effect Size, δ）： 实验组与对照组之间的标准化差异。对于收益率指标，常用 Cohen's d = (μ₁ − μ₂) / σ。
• 样本量（n）： 每组所需的观测数量。
• 显著性水平（α）： 通常设为 0.05，控制第一类错误。
• 统计功效（1 − β）： 通常要求 ≥ 0.80。

3.3 最小样本量估算公式

对于双样本均值检验（z检验或t检验），最小样本量估算公式为：

n = 2 × ( (Z_α/2 + Z_β) / δ )²

其中：
Z_α/2 = 对应显著性水平 α 的双侧临界值（α=0.05 时，Z=1.96）
Z_β   = 对应功效 1−β 的单侧临界值（功效=0.80 时，Z=0.84）
δ     = 标准化效应量 = |μ₁ − μ₂| / σ

实际计算步骤：

1. 根据历史回测数据估算策略收益的标准差 σ。
2. 设定最小可检测收益差 Δ = |μ₁ − μ₂|（例如 0.5% 年化收益）。
3. 计算效应量 δ = Δ / σ。
4. 代入公式计算 n，并向上取整。

3.4 功效曲线解读

功效曲线展示了在固定 α 和效应量下，样本量与统计功效之间的关系。下图展示了不同效应量下的功效曲线族：

功效曲线解读要点：

• 曲线形态： 所有曲线均呈“S”形增长，样本量增加初期功效提升最快，之后趋于平缓。
• 效应量影响： 效应量越大（曲线越靠左），达到目标功效所需的样本量越小。小效应量（δ=0.2）需要极大样本量才能达到 0.80 功效。
• 拐点区域： 每条曲线在功效 0.60–0.90 区间斜率最大，说明在此区间增加样本量“性价比”最高。
• 实际应用： 若你的策略预期效应量较小（如 0.2），但可用历史数据有限（如仅 200 个交易日），则功效可能不足 0.50，此时测试结果不可靠。

3.5 量化策略中的样本量特殊考量

3.6 使用 Python 进行功效分析

以下代码演示如何使用 statsmodels 库计算最小样本量并绘制功效曲线：

import numpy as np
import matplotlib.pyplot as plt
from statsmodels.stats.power import TTestIndPower

# 初始化功效分析对象
power_analysis = TTestIndPower()

# 参数设定
effect_sizes = [0.2, 0.4, 0.6]  # 效应量
alpha = 0.05                    # 显著性水平
power_target = 0.80             # 目标功效

# 计算不同效应量下的最小样本量
for es in effect_sizes:
    n = power_analysis.solve_power(
        effect_size=es,
        alpha=alpha,
        power=power_target,
        alternative='two-sided'
    )
    print(f"效应量 δ={es:.1f} → 每组所需样本量: {np.ceil(n):.0f}")

# 绘制功效曲线
fig, ax = plt.subplots(figsize=(8, 5))
power_analysis.plot_power(
    dep_var='nobs',
    nobs=np.arange(50, 801, 10),
    effect_size=effect_sizes,
    alpha=alpha,
    ax=ax
)
ax.axhline(y=0.80, color='red', linestyle='--', label='功效=0.80')
ax.set_title('统计功效曲线 (α=0.05)')
ax.set_xlabel('每组样本量')
ax.set_ylabel('统计功效')
ax.legend()
plt.grid(True, alpha=0.3)
plt.show()

3.7 功效分析在策略开发中的工作流