歡迎來到績效評估的世界！

在另類投資的世界裡，每個人都想知道一件事：這位基金經理是真的有實力，還是僅僅運氣好？ 為了回答這個問題，我們需要運用 Alpha、Beta 以及假設檢定這些工具。本章節是從原始數據跨向具體投資決策的「橋樑」。如果統計學讓你感到有點頭痛，別擔心——我們將會把它拆解成簡單、貼近現實的觀念！

1. 核心組成：Alpha 與 Beta

當我們檢視一項投資的報酬率時，通常可以將其拆解為兩個主要部分：來自市場的部分（Beta）以及來自經理人操作功力的部分（Alpha）。

Beta (\( \beta \))：市場的「跟隨者」

Beta 代表系統性風險。它衡量的是投資組合對整體市場變動的敏感度。
- 如果一項投資的 Beta 為 1.0，代表其漲跌與市場同步。
- 如果 Beta 為 1.2，代表其波動性比市場高出 20%。
- 如果 Beta 為 0.5，代表它比較平穩（防禦型）。

比喻： 想像一艘在海上的船。Beta 就是潮汐。潮水上漲時，每一艘船都會跟著上升。當潮水上漲時，你不需要是一位船長高手也能讓船升高；你只需要在水面上就可以了。

Alpha (\( \alpha \))：經理人的「超額實力」

Alpha 是指投資報酬中，扣除 Beta 所預測的報酬後，所獲得的超額報酬 (Excess Return)。它代表了經理人透過獨特策略所增加（或減少）的價值。
- 正 Alpha： 經理人在風險調整後的基礎上跑贏了市場。
- 負 Alpha： 經理人的表現未達其所承擔的風險水準。

比喻： 如果 Beta 是潮汐，Alpha 就是船的引擎和船長的掌舵技術。如果你的船速比潮汐帶動的還要快，那多出來的速度就是 Alpha！

重點複習： Beta = 市場風險暴露（被動）。Alpha = 經理人功力（主動）。

2. 線性迴歸模型 (Linear Regression Model)

為了找出 Alpha 和 Beta，我們使用一種名為線性迴歸的統計工具。這能幫助我們在散佈圖中畫出一條「最佳適配線」。公式如下：

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

讓我們用白話文拆解這個公式：
- \( R_i - R_f \)：投資的超額報酬（總報酬減去無風險利率）。
- \( \alpha_i \)：截距 (Intercept)。這就是 Alpha。
- \( \beta_i \)：斜率 (Slope)。這就是 Beta。
- \( R_m - R_f \)：市場風險溢價 (Market Risk Premium)（市場報酬減去無風險利率）。
- \( \epsilon_i \)：誤差項 (Error Term) 或殘差。這代表了模型無法解釋的隨機波動或特定風險。

關鍵點： Alpha 是迴歸線與縱軸的交點（截距），而 Beta 是迴歸線的陡峭程度（斜率）。

3. 假設檢定：這是真的實力還是單純運氣？

在 CAIA 考試中，我們不會直接接受一個 Alpha 數值。我們必須知道這個 Alpha 是否具有統計顯著性 (Statistically Significant)。這就是假設檢定派上用場的時候。

虛無假設 vs. 對立假設

我們總是從兩個對立的觀點出發：
1. 虛無假設 (Null Hypothesis, \( H_0 \))： 「預設」假設。我們通常假設經理人毫無實力 (\( \alpha = 0 \))。
2. 對立假設 (Alternative Hypothesis, \( H_a \))： 我們試圖證明的觀點。通常是指經理人確實有實力 (\( \alpha \neq 0 \))。

比喻： 在法庭上，虛無假設就是「被告是無罪的」。檢察官（分析師）必須提出足夠的證據來推翻「無罪」，以證明「有罪」（對立假設）。

檢定中的誤差

有時我們會判斷錯誤。請務必記住以下兩種類型的錯誤：
- 第一型錯誤 (Type I Error)： 「偽陽性」。你認為經理人有實力（拒絕了虛無假設），但實際上他並沒有。
- 第二型錯誤 (Type II Error)： 「偽陰性」。你認為經理人沒實力（未能拒絕虛無假設），但實際上他卻是有才華的。

記憶法：
第一型 (I) 是「I 認為他們很厲害（但其實不然）」。
第二型 (II) 是「Ignored（忽略了）一位優秀的經理人」。

4. 衡量顯著性：t 統計量與 p 值

我們如何決定是否拒絕虛無假設？我們觀察兩個主要指標。

t 統計量 (t-statistic)

t 統計量 衡量的是估計出的 Alpha 距離零有多少個「標準誤」。
\[ \text{t-statistic} = \frac{\text{估計的 Alpha}}{\text{Alpha 的標準誤}} \]

經驗法則： 在 95% 的信心水準下，t 統計量大於 2.0（大約數值）通常被認為是具有統計顯著性。如果 t 統計量很小（例如 0.5），那麼這個 Alpha 很可能只是「雜訊」。

p 值 (p-value)

p 值 是指我們觀察到的 Alpha 純粹因運氣而發生的機率。
- 低 p 值（通常 < 0.05）： 代表這不太可能是運氣。我們拒絕虛無假設，並稱該 Alpha 具有顯著性！
- 高 p 值： 代表這很可能只是運氣。我們未能拒絕虛無假設。

小撇步： 「If the p is low, the Null must go! (若 p 值夠低，虛無假設就得走！)」

5. 適配度：判定係數 (\( R^2 \))

判定係數 (R-squared) 告訴我們投資組合的變動有多少百分比是由市場（Beta）所解釋的。
- \( R^2 \) 為 0.90 代表 90% 的報酬是由市場驅動的，僅有 10% 屬於經理人獨有的策略或其他因素。
- \( R^2 \) 為 0.10 代表市場解釋的部分很少；該投資是走出自己獨立的走勢。

你知道嗎？ 許多另類投資，例如對沖基金，目標是相對於標普 500 指數保持低 \( R^2 \)，因為他們追求的是分散風險的多元化，而不是單純複製市場走勢！

6. 核心概念總結

- Beta 是市場敏感度（斜率）。
- Alpha 是經理人實力（截距）。
- 標準誤 (Standard Error) 衡量數據點與迴歸線的「貼近程度」。標準誤越大，結果越不確定。
- 統計顯著性 代表我們有信心這些結果不只是運氣好。
- 信心區間 (Confidence Intervals)： 我們有信心真實 Alpha 落入的數值範圍。如果該區間包含零，則表示 Alpha 不具備統計顯著性。

別擔心，如果剛開始覺得這些概念很複雜！最主要的目标是理解我們使用這些工具來將「市場雜訊」與「真實才華」區分開來。多練習第一型與第二型錯誤的定義，因為這些是考試中非常常見的題目！