4. 假设检验基础：原假设与备择假设、第一类错误与第二类错误、显著性水平

在因子研究中，我们经常需要判断某个因子是否具有统计显著的预测能力。假设检验为这一判断提供了严格的数学框架。本章将系统讲解假设检验的四个核心概念：原假设、备择假设、第一类错误、第二类错误以及显著性水平，并说明它们在A/B测试与因子研究中的具体含义。

4.1 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”、“无差异”或“因子无效”的保守立场。在因子研究中，H₀ 通常表述为“该因子的预期收益率为零”或“两组（测试组与对照组）的收益无显著差异”。
• 备择假设（H₁ 或 Hₐ）：与原假设相对立，代表研究者希望证明的结论，如“该因子具有非零的预期收益率”或“测试组与对照组存在显著差异”。

假设检验的逻辑是：假定 H₀ 为真，然后计算在当前样本数据下观察到如此极端（或更极端）结果的概率。如果这个概率非常小，我们就拒绝 H₀，转而接受 H₁。

4.2 第一类错误与第二类错误

由于我们只能基于样本数据做出推断，因此存在犯错的可能。两类错误是假设检验的核心风险度量：

• 第一类错误（α）：原假设为真时，错误地拒绝原假设。在因子研究中，相当于将一个无效的因子误判为有效，导致后续投入实盘或资金，造成损失。
• 第二类错误（β）：备择假设为真时，未能拒绝原假设。相当于漏掉了一个真正有效的因子，错失盈利机会。

4.3 显著性水平（α）

显著性水平是研究者预先设定的、愿意承受的第一类错误的最大概率。它是假设检验的决策阈值：

• 常用值：0.05（5%）、0.01（1%）、0.10（10%）。在因子研究中，0.05 是最常见的标准。
• 含义：当 p 值（在 H₀ 为真下观察到当前结果的概率）小于 α 时，我们拒绝 H₀，认为结果在统计上显著。
• 多重比较校正：当同时测试大量因子时（如 1000 个候选因子），即使所有因子都无效，按 α=0.05 也会预期有 50 个因子被误判为显著。此时需要采用 Bonferroni 校正、FDR 控制等方法调整阈值。

4.4 假设检验决策流程

下图展示了从建立假设到做出决策的完整流程，以及两类错误发生的位置：

4.5 因子研究中的实际应用

在因子研究的 A/B 测试中，假设检验框架的具体应用如下：

1. 设定假设：H₀: 因子多空组合的 Sharpe 比率 = 0；H₁: 因子多空组合的 Sharpe 比率 ≠ 0。
2. 选择显著性水平：通常 α = 0.05，若涉及多重比较则进行校正。
3. 计算检验统计量：使用 t 检验或 bootstrap 方法计算 p 值。
4. 做出决策：若 p < α，拒绝 H₀，认为因子具有统计显著性；否则，不拒绝 H₀，认为当前证据不足以支持因子有效。
5. 评估实际显著性：统计显著并不等同于经济显著。即使 p 值很小，也需要检查因子收益的绝对值是否足够大，以覆盖交易成本并产生有意义的超额收益。

4.6 常见误区与避坑指南