2. A/B测试基础原理：假设检验、控制组与实验组、随机化原则、统计显著性

在金融压力测试中引入A/B分流，本质上是将科学实验的因果推断框架应用于风险策略的评估。理解A/B测试的四大基础原理——假设检验、控制组与实验组、随机化原则、统计显著性——是构建可信压力测试流程的前提。

2.1 假设检验：从“猜想”到“决策”

假设检验是A/B测试的统计内核。在金融压力测试场景下，我们通常需要判断“新风险缓释策略”是否比“现有策略”更有效地降低资本缺口或违约概率。

• 原假设（H₀）：新策略与旧策略在关键风险指标（如资本充足率、违约率）上无显著差异。
• 备择假设（H₁）：新策略显著优于旧策略（或劣于，取决于测试方向）。

检验过程遵循“小概率反证法”：如果观察到的数据在原假设成立时出现的概率极低（低于预设的显著性水平α），则拒绝H₀。

2.2 控制组与实验组：因果推断的基石

要量化策略的真实效果，必须建立可对比的两组样本：

两组在实验开始前应在资产规模、行业分布、信用评级、风险敞口等关键维度上保持可比。只有控制组与实验组的差异归因于策略本身，而非样本偏差，结论才具有说服力。

2.3 随机化原则：消除选择偏差的“金标准”

随机化是A/B测试的灵魂。在金融压力测试中，随机分配意味着每个资产组合、交易对手或业务单元被分配到控制组或实验组的概率相等，且独立于其自身特征。

• 目的：均衡已知和未知的混杂因素（如行业周期、区域风险、管理层干预）。
• 方法：使用伪随机数生成器或加密哈希函数进行分流。在金融系统中，通常基于客户ID或组合ID的哈希值取模实现。
• 风险：若随机化失败（如按地域简单分组），可能导致“选择偏差”，使压力测试结果失真。

2.4 统计显著性：拒绝“偶然因素”

即使控制组与实验组在压力测试结果上存在数值差异，也不能立即断定策略有效。我们需要判断这种差异是否统计显著，即由随机波动引起的概率足够低。

• P值：在原假设为真的前提下，观察到当前结果（或更极端结果）的概率。P值越小，拒绝H₀的理由越充分。
• 显著性水平（α）：预先设定的阈值，通常取0.05或0.01。若P值 < α，则结果统计显著。
• 置信区间：给出策略效果的可能范围。例如，“新策略使资本充足率提升0.3%~0.7%”比单点估计更稳健。

2.5 四大原理在压力测试中的协同关系