多重采样和超级采样哪个流畅_常见多重检验方法及其实证 (I)

作者：石川，北京量信投资管理有限公司创始合伙人，清华大学学士、硕士，麻省理工学院博士。

封面来源：https://www.pexels.com

未经授权，严禁转载。

摘

要

本文介绍三种常见的以控制族错误率为目标的多重检验算法，并给出基于 A 股市场异象的实证分析。

00

引言

近日，长期战斗在抵制金融学领域虚假发现一线的 Campbell Harvey 教授和他的 co-authors 在 Review of Asset Pricing Studies 上发表了一篇关于多重假设检验方法的综述性文章(Harvey, Liu, and Saretto 2020)。

该文系统的梳理了常见的控制多重检验、计算 t-statistic 阈值的方法，并给出了 code(虽然是 Matlab……)。凭借丰富的经验，三位学者在文中也给出了在研究金融学问题(例如异象研究或者基金选择)时如何选择方法的建议，极具实践意义。

鉴于多重检验问题日益严峻，我决定给《出色不如走运》开个“番外篇”，就叫《常见多重检验方法及其实证》系列。本文是这一系列的第 (I) 篇，介绍以控制族错误率为目的的算法，并针对 A 股中的代表性异象给出实证结果。

下文的行文顺序为：第一节简要介绍基础知识，包括多重假设检验和 stationary bootstrap，后者是一大类多重检验算法的基础；第二节讨论三种多重检验算法；第三节介绍实证结果；第四节给出金融学应用建议。

01

基础知识

1.1 多重假设检验

多重假设检验问题公众号已经介绍了很多了(见《出色不如走运》系列)，本小节仅简单说明。

使用同样的数据同时检验多个原假设就是统计学中的多重假设检验(multiple hypothesis testing，简称 MHT 问题)。以研究异象为例，对着同样的历史数据挖出成百上千个异象就是多重假设检验问题。

MHT 问题的存在使得单一检验的 t-statistic 被高估，即里面有运气的成分。当排除了运气后，该异象很可不再显著。如果仍然按照传统意义上的 2.0 作为 t-statistic 阈值来评价异象是否显著，一定会有很多伪发现(false discoveries 或 false rejections)。因此，排除 MHT 影响的核心就是控制伪发现发生的概率。以此为目标，很多不同的多重检验算法被提出。学术界提出的不同算法可以分为三大类，借助下表说明。

假设一共研究了 S 个异象，其中 S_0 个在原假设下为真(即收益率为零)，S_1 个在原假设下为假(即收益率不为零)。假设根据事先选定的显著性水平(通常为 5%)，有 R 个假设被拒绝了，而其中包括 F_1 个 false rejections(因为它们的原假设为真)。

使用 F_1 和 R 可以定义一些不同的统计量，而不同的 MHT 算法是以控制不同的统计量为目标。这些统计量包括三大类，分别为族错误率(family-wise error rate，FWER)、伪发现率(false discovery rate，FDR)和伪发现比例(false discovery proportion，FDP)。它们都是描述一类错误，即错误拒绝原假设的统计量。

族错误率(FWER)的定义是出现至少一个伪发现的概率，即 prob(F_1 ≥ 1)。在给定的显著性水平 α 下，控制它的数学表达式为：