多重假设检验问题是指当同时测试多个因子时，仅凭随机波动就会有部分因子在统计上偶然显著，从而被误认为有效。这会直接降低因子库的真实有效性，让大量“伪因子”混入因子动物园，误导投资者依据虚假信号做出交易决策。
在量化投资中，研究人员常同时测试成百上千个候选因子。按照常规的5%显著性水平，每测试100个无关因子，平均就有5个因子会因随机波动而“偶然显著”。测试的因子数量越多，这些虚假信号出现的绝对数量就越大。例如测试1000个因子，可能产生50个伪因子。若不加以校正（如Bonferroni校正、FDR控制），这些伪因子会与真正有效的因子混杂，难以区分。
伪因子如何混入因子动物园
“因子动物园”指被学术界和业界提出的数百个股票收益预测因子。多重假设检验是动物园膨胀的核心原因之一：
- 数据挖掘偏差：研究者反复尝试不同变量组合，直到找到历史回测中显著的因子，但该显著性可能完全来自过拟合。
- 发表偏差：显著的结果更容易被发表，不显著的结果常被丢弃，导致公开文献中的因子有效性被系统性高估。
- 样本外失效：伪因子在样本外数据中往往迅速衰减，表现为“回测优异、实盘惨淡”。
被伪因子误导的投资者可能持续买入预期收益不佳的资产，或在错误时机进出市场，造成实质亏损。历史上常见一些被广泛报道的因子（如某些季节性效应或技术指标）在后续年份中表现大幅逆转，部分原因就是最初发现的显著性来自多重比较下的偶然。
应对多重假设检验的常见方法
量化研究和投资者可采用以下工具降低伪因子风险：
- 多重检验校正：使用Bonferroni校正（将显著性阈值除以测试次数）或Benjamini-Hochberg程序控制错误发现率（FDR）。更严格的标准能减少偶然显著。
- 样本外验证：将数据划分为训练集和测试集，仅在测试集上验证因子表现。真正的有效因子应在不同时间段和市场环境中保持稳定。
- 经济逻辑支撑：因子背后应有合理的风险或行为学解释，而非纯粹统计显著。缺乏理论依据的因子更可能是伪因子。
- 独立复现：由不同研究者用不同数据集复现相同因子，若结果一致，可信度更高。
简短总结：多重假设检验问题使得大量伪因子因随机波动而显著，膨胀因子动物园，直接威胁因子有效性。投资者和研究者应通过统计校正、样本外验证和经济逻辑来过滤虚假信号，避免被偶然结果误导。
常见问题
多重假设检验校正后，因子就一定是真的吗？
不一定。校正只降低偶然显著的概率，但不能消除所有虚假信号。真正的有效因子还需通过样本外验证、经济逻辑解释和独立复现等多重检验。
普通股民如何避开伪因子陷阱？
关注因子的长期稳定性而非短期惊艳表现，选择有清晰经济逻辑（如价值、动量、质量等经典因子）的策略，避免追逐仅在某一年份表现极佳的“黑匣子”因子。
测试100个因子，用Bonferroni校正后显著性阈值是多少？
通常的显著性水平是0.05，Bonferroni校正将阈值除以测试次数（100），即新阈值为0.0005。只有p值低于该标准的因子才被视为统计显著，这能大幅减少偶然显著。