欢迎来到绩效评估的世界！

在另类投资的世界里，每个人都想知道一件事：这位基金经理是真的有实力，还是仅仅运气好？ 为了回答这个问题，我们需要运用 Alpha、Beta 以及假设检验这些工具。本章节是从原始数据跨向具体投资决策的“桥梁”。如果统计学让你感到有点头痛，别担心——我们将把它拆解成简单、贴近现实的观念！

1. 核心组成：Alpha 与 Beta

当我们审视一项投资的收益率时，通常可以将其拆解为两个主要部分：来自市场的部分（Beta）以及来自经理人操作功力的部分（Alpha）。

Beta (\( \beta \))：市场的“跟随者”

Beta 代表系统性风险。它衡量的是投资组合对整体市场变动的敏感度。
- 如果一项投资的 Beta 为 1.0，代表其涨跌与市场同步。
- 如果 Beta 为 1.2，代表其波动性比市场高出 20%。
- 如果 Beta 为 0.5，代表它比较平稳（防御型）。

比喻： 想象一艘在海上的船。Beta 就是潮汐。潮水上涨时，每一艘船都会跟着上升。当潮水上涨时，你不需要是一位船长高手也能让船升高；你只需要在水面上就可以了。

Alpha (\( \alpha \))：经理人的“超额实力”

Alpha 是指投资收益中，扣除 Beta 所预测的收益后，所获得的超额收益 (Excess Return)。它代表了经理人通过独特策略所增加（或减少）的价值。
- 正 Alpha： 经理人在风险调整后的基础上跑赢了市场。
- 负 Alpha： 经理人的表现未达其所承担的风险水平。

比喻： 如果 Beta 是潮汐，Alpha 就是船的引擎和船长的掌舵技术。如果你的船速比潮汐带动的还要快，那多出来的速度就是 Alpha！

重点复习： Beta = 市场风险暴露（被动）。Alpha = 经理人功力（主动）。

2. 线性回归模型 (Linear Regression Model)

为了找出 Alpha 和 Beta，我们使用一种名为线性回归的统计工具。这能帮助我们在散布图中画出一条“最佳拟合线”。公式如下：

\[ R_i - R_f = \alpha_i + \beta_i(R_m - R_f) + \epsilon_i \]

让我们用通俗的话拆解这个公式：
- \( R_i - R_f \)：投资的超额收益（总收益减去无风险利率）。
- \( \alpha_i \)：截距 (Intercept)。这就是 Alpha。
- \( \beta_i \)：斜率 (Slope)。这就是 Beta。
- \( R_m - R_f \)：市场风险溢价 (Market Risk Premium)（市场收益减去无风险利率）。
- \( \epsilon_i \)：误差项 (Error Term) 或残差。这代表了模型无法解释的随机波动或特定风险。

关键点： Alpha 是回归线与纵轴的交点（截距），而 Beta 是回归线的陡峭程度（斜率）。

3. 假设检验：这是真的实力还是单纯运气？

在 CAIA 考试中，我们不会直接接受一个 Alpha 数值。我们必须知道这个 Alpha 是否具有统计显著性 (Statistically Significant)。这就是假设检验派上用场的时候。

原假设 vs. 备择假设

我们总是从两个对立的观点出发：
1. 原假设 (Null Hypothesis, \( H_0 \))： “默认”假设。我们通常假设经理人毫无实力 (\( \alpha = 0 \))。
2. 备择假设 (Alternative Hypothesis, \( H_a \))： 我们试图证明的观点。通常是指经理人确实有实力 (\( \alpha \neq 0 \))。

比喻： 在法庭上，原假设就是“被告是无罪的”。检察官（分析师）必须提出足够的证据来推翻“无罪”，以证明“有罪”（备择假设）。

检验中的误差

有时我们会判断错误。请务必记住以下两种类型的错误：
- 第一类错误 (Type I Error)： “伪阳性”。你认为经理人有实力（拒绝了原假设），但实际上他并没有。
- 第二类错误 (Type II Error)： “伪阴性”。你认为经理人没实力（未能拒绝原假设），但实际上他却是有才华的。

记忆法：
第一类 (I) 是“I 认为他们很厉害（但其实不然）”。
第二类 (II) 是“Ignored（忽略了）一位优秀的经理人”。

4. 衡量显著性：t 统计量与 p 值

我们如何决定是否拒绝原假设？我们观察两个主要指标。

t 统计量 (t-statistic)

t 统计量 衡量的是估计出的 Alpha 距离零有多少个“标准误”。
\[ \text{t-statistic} = \frac{\text{估计的 Alpha}}{\text{Alpha 的标准误}} \]

经验法则： 在 95% 的置信水平下，t 统计量大于 2.0（大约数值）通常被认为是具有统计显著性。如果 t 统计量很小（例如 0.5），那么这个 Alpha 很可能只是“噪声”。

p 值 (p-value)

p 值 是指我们观察到的 Alpha 纯粹因运气而发生的概率。
- 低 p 值（通常 < 0.05）： 代表这不太可能是运气。我们拒绝原假设，并称该 Alpha 具有显著性！
- 高 p 值： 代表这很可能只是运气。我们未能拒绝原假设。

小贴士： “If the p is low, the Null must go! (若 p 值够低，原假设就得走！)”

5. 拟合优度：判定系数 (\( R^2 \))

判定系数 (R-squared) 告诉我们投资组合的变动有多少百分比是由市场（Beta）所解释的。
- \( R^2 \) 为 0.90 代表 90% 的收益是由市场驱动的，仅有 10% 属于经理人独有的策略或其他因素。
- \( R^2 \) 为 0.10 代表市场解释的部分很少；该投资是走出自己独立的走势。

你知道吗？ 许多另类投资，例如对冲基金，目标是相对于标普 500 指数保持低 \( R^2 \)，因为他们追求的是分散风险的多元化，而不是单纯复制市场走势！

6. 核心概念总结

- Beta 是市场敏感度（斜率）。
- Alpha 是经理人实力（截距）。
- 标准误 (Standard Error) 衡量数据点与回归线的“贴近程度”。标准误越大，结果越不确定。
- 统计显著性 代表我们有信心这些结果不只是运气好。
- 置信区间 (Confidence Intervals)： 我们有信心真实 Alpha 落入的数值范围。如果该区间包含零，则表示 Alpha 不具备统计显著性。

别担心，如果刚开始觉得这些概念很复杂！最主要的目标是理解我们使用这些工具来将“市场噪声”与“真实才华”区分开来。多练习第一类与第二类错误的定义，因为这些是考试中非常常见的题目！