季节性模式的统计显著性

"标普 500 过去 10 个 3 月里有 7 个上涨。"听着像优势——直到你意识到，一枚公平的硬币抛 10 次也有约 12% 的概率出 7 次正面。不做显著性检验，你分不清真实的季节性优势和一串运气。

季节性是交易里最被滥用的领域之一。每个日历窗口都有某个平均收益，人脑在任何模式里都能编出故事。显著性检验把信号和巧合分开。

为什么只看平均值很危险

季节性表格显示某个月 N 年里的平均收益。这个平均藏了三件事：

• 样本量：10 个观测不足以得出结论
• 离散度：方差很大的正平均依然是抛硬币
• 数据挖掘：扫 12 个月 × 一堆资产，总有某个看起来是运气好

10 次试验里 60% 胜率，统计上跟随机分不开。1000 次试验里 60% 胜率，才是真优势。

零假设

检验从假设零假设开始：这个季节性模式不存在，任何观测到的收益都是随机的。然后我们问——如果零假设为真，观测到的结果有多不可能？

p 值是零假设为真时观测到至少这么极端结果的概率。交易界的标准是 p < 0.05，但更严格的交易员要求 p < 0.01 来补偿多重检验。

多重检验：沉默的杀手

如果你分别检验 12 个月，至少有一个纯靠运气显示 p < 0.05 的概率大约是 46%——不是 5%。这就是多重比较问题，也是为什么"我在 4 月找到个优势"毫无意义，除非 4 月是事先指定的。

修正方法：

• Bonferroni：把阈值除以检验次数（12 个月 → 需要 p < 0.0042）
• False Discovery Rate：控制被接受的假阳性比例
• 预注册：在看数据之前就选定窗口

效应量比 p 值更重要

一个模式可能统计显著但经济上没用——月均 0.2% 收益、p = 0.01，可能盖不过交易成本。永远把显著性和效应量（年化收益）、夏普比率、不利年份的回撤配在一起看。

样本外：唯一诚实的检验

最强证据是走向前测：用第 1–20 年拟合规则，第 21–25 年测试，重复。一个能在不重叠窗口的样本外活下来的模式，远比在全历史上拟合出来的可信。

实操步骤

1. 信任何季节性平均值之前，至少要 20–30 年数据
2. 跑 t 检验或二项检验，别只看图
3. 扫了多个窗口就要做 Bonferroni 或 FDR 修正
4. p 值旁边报告效应量和夏普
5. 样本外验证——只在样本内有效的规则是过拟合

一句话总结

统计显著性是季节性优势和季节性故事之间的分界线。任何季节性主张，没有修正后的 p 值、有意义的效应量、样本外验证撑腰的，当娱乐看就行，别当交易信号。

下一篇：重温 周期重叠与共振分析，在信任何周期对齐之前，先把这些显著性检验套上去。