多重检验与因子挖掘中的假发现陷阱

数据挖掘与显著性通胀

当研究员测试 100 个完全独立且无预测能力的随机假说时，在常规 5% 显著性水平下，数学期望上将有 5 个假说呈现统计显著。这种「看起来有效」只是概率抽样的必然结果。

量化投研日常遍历海量指标组合与规则变体。若不进行多重检验修正，最终筛选出的所谓高夏普“阿尔法”，绝大多数只是对历史噪声的过度拟合。

假发现率控制与真实度检验

自举量化在特征挖掘中引入假发现率（False Discovery Rate, FDR）与 White 真实度检验（Reality Check），对探索空间的总试验次数进行全局惩罚，使阈值随测试广度动态上调。

只有当一个假说在考虑了全部未选中的试验历史后仍能通过临界值，它才具备进入下一阶段样本外验证的资格。

机制可解释性先于统计指标

严密的统计校正不能代替对经济机制的审慎推演。超额收益究其本质，来自承担了未被对冲的结构性风险，或是利用了市场上可辨识的行为偏差与流动性摩擦。

无法从市场结构中推演因果机制的经验规律，即便勉强通过了统计检验，也极易在市场参与者行为变迁或宏观环境转换时迅速失效。

保留失败试验的完整台账

防止多重检验偏差最关键的工程举措，是完整记录每一次失败试验、参数调整和废弃探索。台账是全局评估真实统计显著性的唯一基准锚点。