假设检验原理：原假设与备择假设、显著性水平α、p值、第一类与第二类错误

在因子研究中，当我们发现某个因子（如动量因子、价值因子）在历史回测中表现出超额收益时，我们需要判断：这个收益是真实存在的信号，还是仅仅由随机波动造成的噪声？假设检验正是回答这一问题的统计工具。它通过一套严谨的逻辑框架，帮助我们量化“偶然发生”的概率，从而做出科学决策。

2.1 原假设与备择假设

假设检验的第一步是建立一对互斥的假设：

• 原假设（H₀）：通常代表“无效果”或“无差异”的保守立场。在因子研究中，原假设往往是“该因子的预期收益率为零”或“该因子与未来收益无关”。
• 备择假设（H₁）：与原假设相对立，代表研究者希望证明的结论。例如“该因子的预期收益率显著不为零”或“该因子具有正向预测能力”。

原假设与备择假设的设定必须遵循“排他性”和“完备性”原则——两者不能同时成立，且覆盖所有可能性。在A/B测试场景中，原假设通常对应“对照组与实验组无差异”，备择假设对应“实验组显著优于对照组”。

2.2 显著性水平α

显著性水平 α 是假设检验中预先设定的一个概率阈值，代表我们愿意承担的“误判风险”上限。它定义了拒绝原假设的临界标准：

• 常见取值：α = 0.05（5%）、0.01（1%）、0.10（10%）
• 含义：如果原假设为真，我们最多允许有 α 的概率错误地拒绝它
• 在因子研究中的意义：α 越小，对因子有效性的证据要求越严格，越不容易发现“假阳性”因子

2.3 p 值

p 值是假设检验中最核心的输出指标。它定义为：在原假设为真的前提下，观察到当前样本结果（或更极端结果）的概率。

• p 值越小，说明样本数据与原假设的兼容性越差，越有理由拒绝 H₀
• 决策规则：若 p ≤ α，则拒绝原假设，认为结果在统计上显著；若 p > α，则无法拒绝原假设
• 常见误解：p 值不是“原假设为真的概率”，也不是“因子有效的概率”

2.4 第一类错误与第二类错误

在假设检验中，由于我们只能基于样本数据做出推断，因此存在两种可能的错误：

• 第一类错误（Type I Error）：原假设为真时错误地拒绝它，概率记为 α。在因子研究中，相当于把一个无效因子误判为有效因子（“假阳性”）。
• 第二类错误（Type II Error）：原假设为假时错误地接受它，概率记为 β。在因子研究中，相当于漏掉一个真正有效的因子（“假阴性”）。
• 统计功效（Power）：1 - β，即正确拒绝无效原假设的概率。功效越高，越容易发现真实存在的因子。

2.5 因子研究中的实际应用

在因子A/B测试中，假设检验原理贯穿始终。以下是一个典型的多空组合检验流程：

1. 设定假设：H₀：因子多空收益 = 0；H₁：因子多空收益 ≠ 0
2. 选择显著性水平：通常 α = 0.05
3. 计算检验统计量：如 t 统计量 = (样本均值 - 0) / 标准误
4. 计算 p 值：根据 t 分布或正态分布计算
5. 做出决策：若 p ≤ 0.05，拒绝 H₀，认为因子有效；否则无法拒绝
6. 评估错误风险：考虑多重检验下的 α 膨胀（多重比较校正），以及样本量不足导致的低功效问题

t = (r̄ - 0) / (σ / √n)

其中：
  r̄ = 因子多空组合的平均收益
  σ  = 收益序列的标准差
  n  = 样本期数（如月数）
  t  = 检验统计量，用于计算 p 值

理解假设检验原理是因子研究的基石。只有正确把握原假设与备择假设的对立关系、合理设定显著性水平、准确解读 p 值、并清醒认识两类错误的存在，才能在因子挖掘中避免“数据挖掘偏差”和“过拟合陷阱”，真正筛选出具有统计稳健性和经济价值的有效因子。