统计推断回答一个量化每天都要面对的问题：**观测到的规律，是巧合的概率有多大？**本篇以「检验一个选股因子是否有效」为主线，把假设检验、回归分析与多重检验串成一条完整的研究流水线。
假设检验：你的因子是真的吗
以月度 IC（因子值与下月收益的横截面相关系数）为例：算出 60 个月的 IC 序列，均值 0.035、标准差 0.12。要回答「均值显著非零吗」：
- 原假设 H₀：真实 IC = 0（因子无效）；备择假设 H₁：真实 IC > 0；
- 检验统计量：
t = mean(IC) / std(IC) × √T = 0.035/0.12 × √60 ≈ 2.26； - 5% 显著性水平下单边临界值 1.645，t = 2.26 越过临界线 → 拒绝 H₀。
对 p 值的正确理解只有一句话：在「因子无效」的世界里，观测到这么强（或更强）的 IC 序列的概率。它不是「因子有效的概率」——后者是贝叶斯后验，需要先验才能计算（见概率论基础 ）。三个高频误用：p = 0.049 与 0.051 没有本质差别；p 值小不等于效应大（IC 0.02 在超长样本下也「显著」）；显著不等于可交易（还要看容量与成本，见因子检验 ）。
置信区间是同一枚硬币的反面：IC 均值的 95% 置信区间 ≈ 0.035 ± 1.96 × 0.12/√60 = [0.005, 0.065]。区间下限 0.005 才是风控视角最该盯的数字——最坏情形下因子可能只值这么点，而 0.005 的 IC 在扣完成本后很可能不够。
夏普比率的显著性同构：t ≈ Sharpe × √年数。夏普 1.5 的策略要 2 年以上样本才在 5% 水平显著（1.5×√2≈2.12）——这就是为什么「跑三个月回测就宣布策略有效」在统计上站不住。
多重检验：回测了 1000 个因子之后
致命场景：你检验 1000 个纯噪声因子，5% 显著性意味着期望约 50 个会「显著」。如果你只汇报这 50 个——这不是发现，是数据挖掘的必然产物。学术论文的因子动物园（数百个声称显著的因子）与此直接相关。
三道防线：
- Bonferroni 校正：显著性阈值除以检验次数（0.05/1000 = 0.00005）。极保守，适合「一个都不想错杀」的场景；
- Benjamini-Hochberg（FDR 控制）：控制错误发现率——在所有被拒绝的原假设中，假阳性比例的期望 ≤ q（如 10%）。做法：把 p 值排序，找最大的 k 使
p(k) ≤ k/N × q。研究性场景的标准选择； - 样本外验证：把数据锁进保险柜，留到最后开一次（见样本内外与 Walk-Forward ）。这是唯一对「研究者自由度」完全免疫的防线。
老手纪律：记录全部尝试次数。检验报告里写「本假设来自第 37 次尝试」，比任何精致的 p 值都更有信息量。
回归分析：从 OLS 到 Lasso
OLS（普通最小二乘）：r = α + β₁f₁ + β₂f₂ + ε，求使残差平方和最小的系数。量化中的两大地盘：
OLS 的关键假设与破绽：残差与解释变量无关（内生性破坏 → 遗漏变量偏误）；残差同方差、无自相关（金融时序几乎必然违反 → 用 Newey-West 修正标准误，否则 t 值虚高）；多重共线性（价值因子与盈利因子相关性 0.7+ → 系数大幅漂移、不可解释）。
岭回归（Ridge）：在损失函数中加 λΣβ² 惩罚，把系数向零收缩。治疗多重共线性：20 个相关性很高的风格因子同时进入收益预测时，OLS 系数会在样本间剧烈摆动，岭回归给出稳定但略保守的权重——预测场景里，稳定性比无偏更重要。
Lasso：惩罚改用 λΣ|β|，能把一部分系数精确压到零——自带「选因子」功能。场景：从 200 个候选因子中挑出 15 个进入正式模型。注意两个坑：被选中的因子不等于「更有效」（相关因子组里 Lasso 常只留一个，选择带随机性）；λ 要用时间序列交叉验证（前 K 年训练、后 1 年验证）而不是随机 K 折——时间序列随机打乱等于泄漏未来。
平稳性与单位根：为什么不能对价格直接回归
平稳性：序列的均值、方差、自相关结构不随时间变化。金融价格的残酷事实：价格几乎必然非平稳（有趋势、方差随水平放大）。在非平稳序列之间做回归会得到伪回归（spurious regression）——两个毫不相关的随机游走，R² 可以轻松超过 0.9，t 值显著——因为它们都随时间漂移，回归「解释」的只是共同的时间趋势。
实操守则：
- 对收益率建模，不对价格。收益（差分/对数差分）通常接近平稳；价格永不停歇地漂移；
- 单位根检验（ADF）：原假设「存在单位根（非平稳）」。p < 0.05 → 拒绝 → 视为平稳。对每个进入模型的价格类序列先过一遍；
- 例外是协整：两个各自非平稳的价格，其线性组合可能平稳——这正是配对交易的数学地基（OLS 残差的 ADF 检验，见均值回复与协整 ）。
一个新手常犯的变体：用「股价 vs GDP」直接回归得到「GDP 解释股价 80%」——两个都在长期上涨的序列，几乎任何组合都能回归出高 R²。先差分、再回归，结论往往面目全非，而那才是真相。
关联阅读：概率论基础 是本篇的概率地基；线性代数 处理回归的矩阵视角与共线性；Alpha 研究流程 把本篇的检验纪律工程化。