基于小样本预测总体，我们称之为统计推断，它常常被划分为两个部分，估计与假设检验。估计部分会得到你所关注的一些特征值，如均值与方差（以及相关的置信区间）。
注：置信区间部分可参见本系列上篇文章。
假设检验部分则关注于另一面，为假设值的统计检验提供详细的操作框架。
在进行统计检验的时候，要时刻牢记的一点是，只有当所有必要条件均满足时，你才能得到证券的结果，当你基于假设检验接受某个假设时，也并不能说明该假设就一定正确，只能得到该假设有多大的概率是谬误的。

原假设与备择假设

我们首先来介绍原假设，通常被写作H0，原假设为默认情况，通常表示现实世界中普遍被认可的假设（希望予以反对），备择假设（Ha）则表示你希望通过证据予以支持的假设。

例：
1、备择假设Ha是你有超过10双的鞋子，原假设H0为你没有10双以上的鞋子
2、备择假设Ha为吃披萨与肥胖有关，原假设H0为两者没有关系
3、备择假设Ha为微软的平均回报>0，原假设H0为<=0

有些情况下，检验还会遇到各种困难，如例1中就的情况就很容易进行检验，但即便如此，因为可能存在的计量误差，也可能会导致出现存在偏差的结果；
另外的一些情况下，例如“地球上昆虫的种类比宇宙中的星星要多”，这种假设因为需要收集海量的数据，则更加难以进行。
假设必须是可以验证的，例如“动量交易是一个赚钱的好途径”，这个假设就是不可验证的，哪种类型的动量交易？好是怎么定义的？这些不够明确的描述都会导致假设的不可检验。

如何进行假设检验

步骤：

声明原假设与备择假设
确定合适的检验统计量与分布。确保基于数据的所有假设都满足（如平稳性、正态性）
指定置信水平α
根据α和分布计算临界值
收集数据，计算检验统计量
比较检验统计量与临界值，确定是能否拒绝原假设

首先需要声明我们希望检验的假设，包含一个原假设与一个备择假设。
例如我们想要检验微软股票的持有收益是否为0，设定统计量为θ，其推荐值为θo（本例中为0）。那么我们的假设就可以写作:

假设

当然在不同情况下还可能有其他的几种情况：

备择假设的不同情况

其中第一种情况叫做 双边假设检验，下面两种则被称为 单边假设检验，第二种情况在θ大于θo的时候拒绝原假设，第三种情况则相反。而双边假设在θ大于或者小于θo的时候均拒绝原假设。
在构建假设时，必须保证原假设与备择假设是互补的，两者必须覆盖θ的所有取值。
在现实中最为常见的还是双边检验，因为 不等于代表了一种中立的态度。单边检验常常包含了实验者的一种设想，常常用来验证一些“期望”得到的结果。

在开始下一步之前，我们先获取一下微软2015年全年的股票价格数据，并以此得到其收益变化。

示例代码

价格变化图

收益波动图

为什么需要假设检验？
可能大家都心存疑惑，为什么不能直接算出微软的平均收益来判断它是否不为0呢？这是因为我们只能获取到特定时间的一些样本数据，而这些样本是否能够正确反映总体的真实情况，是无法得知的。

检验统计量 & 常用分布

第二步，我们就需要确定合适的检验统计量及其可能服从的分布。检验统计量的一般形式如下：

检验统计量一般形式

基于样本数据计算检验统计量，并与其概率分布进行比较，最终得出是否能够拒绝原假设的结论。在本例中，我们可以得到检验统计量为：

检验统计量

四种最常用的分布对应了四种最为常见的假设检验：

t-分布→t-检验
标准正态分布→z-检验
卡方分布→χ方检验
F分布→F检验

下文会根据不同常见详述各检验运用的场景，在微软收益的例子中，我们选择z-检验。

置信水平

第三步，需要确定检验的置信水平α，基于一个确定的置信水平后，才能使用检验统计量进行判断是否拒绝假设。
如何理解置信水平？这里引入一个概率矩阵

概率矩阵

注：置信水平α就等于第一类错误发生的概率（拒真），相对应第二类错误（取伪）发生的概率通常用β进行表示。在样本情况不变的情况下，如果我们试图降低第一类错误发生的概率，则第二类错误发生的概率则会上升。只有通过增大样本大小，才能同时降低发生两类错误的概率。在置信水平越高的情况下拒绝原假设，代表我们有更大的把握认为原假设是不准确的

临界值

第四步，根据显著水平α与检验使用的分布，计算临界值（也被称为拒绝点）。临界值用于确定是否能够拒绝原假设，如果可以，则该结果称为统计上显著，否则称为统计上不显著。
举个栗子，如果我们取置信水平α为0.05，那么对于一个单边的z-检验，则有以下两种情况：

单边z-检验

双边检验略有不同，因为它有两个临界值，一正一负。还是以0.05的置信水平为例，因为是双边检验，所以需要将0.05切分为两个0.025，于是我们可以得到如下两个临界值

双边的临界值

依旧是z-检验，可以算出这两个临界值为1.96与-1.96，如果z<-1.96或者z>1.96，则可以拒绝原假设。

p值
在进行假设检查时，也可以根据p值去确定结果。p值是你可以拒绝原假设的最小置信水平。注意p值不能理解为“原假设为假的概率”。p值只有与置信水平比较时才有意义，如果p值小于置信水平α，就可以拒绝原假设，反之则不行。但p值的大小本身没有意义，不能认为p值越小，则统计学上更显著。
p值的计算公式，可以通过累积密度函数（CDF）计算得到

p值计算公式

示例

有了上面的这些步骤，我们就可以尝试进行一次完美的假设检验了。
首先使用代码生成一组标准正态的数据，为了便于观察，我们将其绘制出来，同时也标注5%置信水平下的关键区域。

示例代码

绘制结果图

下面基于这组标准正太数据，我们进行一次双边z-假设检验（均值=0，5%的置信水平），
计算假设检验量：

计算假设检验量

这里我们使用p值来确定结果，使用scipy中提供的cdf方法计算p值

image.png

结论：因为p值为0.040，要小于置信水平0.05，所以本例中无法拒绝原假设

均值的假设检验

z-分布/标准正态分布，因其本身许多有用的性质，使得其成为金融中最为重要的一个概率分布，许多的基本方法都是基于正态分布的假设。但是，对于许多情况来说z-分布并不适用，我们很少能够得到数据的真实参数（均值，方差），所以经常要依赖于近似处理，这些情况下，可以使用t-分布，可以看做z-分布的一个近似。
**注：
1、 t-分布在小样本下可以使用，并且使用的是样本均值与方差。相对于z-分布来说，t分布是“尖峰肥尾”的
2、t-分布与z-分布都依赖于正态分布的假设。
**。
除了上小节例子检验单个均值的情况，假设检验还也可以使用比较多个均值。下面就以t-分布为例，来比较一下标普500与苹果的平均收益。
获取两者2015年全年的价格数据，并转换为每日收益

示例代码

对应图形

直观从图表上看，好像两者收益确实具有相同的均值，接下来就需要使用假设检验来验证这个假设

当比较两个均值时，假设可分为以下几种类型：

均值比较

本例中我们使用第一种假设，构造的检验统计量为：

均值相等的检验统计量

注：能都得到上式，是因为t-分布假设涉及的每个单个变量的方差与合并方差是相同的。
但如果每个变量的 方差是不同的，则检验统计量为：

t-分布假设下检验统计量

对应就需要使用调整自由度（可自由变化的变量数目）

调整自由度计算公式

本例中，我们认为苹果的风险（方差）要高于标普500，所以使用第二种方式进行计算，同时设定的置信水平为0.05

从最终计算的结果可以看到，检验统计量的值为0.0347，是介于-1.96~1.96间的，所以无法拒绝原假设，既可以认为两者的收益均值是相同的。

方差的假设检验

在金融中，方差、标准差对应于风险，所以对于方差的检验非常的重要且常见。但此时z-分布与t-分布就力所不及了，这里就需要引入新的分布类型。
根据定义，方差是大于或等于0的，但是目前已学得z-分布与t-分布，都允许负值的存在，这里我们引入卡方分布（用于单方差检验）与F-分布（多方差检验），这两类分布的值均在0之上。
我们首先来看单方差的情况，也需要先声明假设，同样也可有以下三种形式：