p值：条件概率的方向不能反过来
我的掌握程度：
先掌握这个答案
p值是在指定原假设H0和统计模型成立时，得到当前或更极端检验统计量的概率。它不是H0为真的概率，也不是“策略有97%概率有效”。多重检验、序列相关、非平稳及事后挑选会改变检验的可靠性；统计显著还须结合效应大小、费用与样本外证据。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
条件概率方向不能反过来
p值是在指定原假设和模型条件下，得到至少同样极端统计量的概率。不是原假设为真的概率，也不是发现有效因子的把握。多次调参、相关样本与重叠收益需要相应校正。
核对来源：SciPy统计检验文档 ↗本阶段实战方法 · 每个统计量都要带单位和假设
计算收益、波动、回归、显著性或相关性时，先明确样本和推断条件。
- 写清收益频率、样本数、缺失处理、是否含费用；百分数与小数不可混用。
- 手算一组小样本，再用代码复算；区分算术均值年化、复合年化和年化波动。
- 解释假设不成立会发生什么：自相关、肥尾、非平稳与多次试验都会影响结论。
使用边界
- p值不是原假设为真的概率，也不是策略未来盈利概率。
- 日波动×√252依赖时间聚合假设；252是教学常用交易日数，实际市场与口径可能不同。
打开术语词典，随时查阅基础概念。
背景 · 从一个困惑说起
你测试100个无效因子，发现几个p<0.05，就宣布找到了预测规律。朋友问：如果根本没有规律，难道也会出现显著结果？
由此产生的问题
p=0.03到底表示什么，又不能说明什么？
核心概念
p值是在指定原假设H0和统计模型成立时，得到当前或更极端检验统计量的概率。它不是H0为真的概率，也不是“策略有97%概率有效”。多重检验、序列相关、非平稳及事后挑选会改变检验的可靠性；统计显著还须结合效应大小、费用与样本外证据。
为什么需要它
把条件概率方向反过来，会把一次随机显著误当成高把握发现。试验次数越多，越要处理选择偏差。
实际应用场景
检验报告写H0、统计量、单双侧、样本量、样本依赖处理与尝试次数；对多个假设使用事先选定的错误率控制。
与之前知识的联系
q-248的假设检验框架、q-250的显著性水平和后续多重检验共同形成完整推断。
⚠ 常见误解
- p<0.05不是证明H0为假，更不是证明有经济价值。
- p大并不证明没有效应，样本可能不够有力。
- 从大量实验中只汇报最小p值会夸大证据。
🛠 本题实践任务
将检验次数改成1、20、100，比较至少一次误报概率。解释“独立”假设与Bonferroni保守性。
💡 提示（先自己想5分钟再看）
独立性只用于上述至少一次公式；Bonferroni控制不要求检验独立。
✅ 验收标准
100次约99.41%，Bonferroni阈值0.0005；准确解释p值的条件概率方向。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（起点概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。