alpha风险：它的含义，如何工作，示例

alpha风险是在统计测试中的风险零假设实际上，将被拒绝。这也被称为类型I错误，或假阳性。 “风险”一词是指做出错误决定的机会或可能性。 α风险量的主要决定因素是用于测试的样本量。具体而言，测试样品越大，alpha风险越低。

α风险可以与Beta风险，或犯下的风险II型错误（即，否定负面）。

在这种情况下阿尔法，或市场上方的超额回报。

了解α风险

统计检验中的零假设通常指出，被测试的值与特定数字（例如零或一个）之间没有差异。当拒绝零假设时，进行测试的人说测试值与特定数字之间存在差异。

Alpha风险是当没有差异实际存在时会发现差异的风险。当替代假设实际上是错误时，它可以解释为错误地拒绝零假设的风险。简而言之，这是一个假阳性的立场，即实际上没有一个差异。应采用统计检验来检测假设和零值之间的差异，而α风险是这种测试在实际上没有任何东西时会报告该测试的概率。如果Alpha风险为0.05，则不准确的可能性为5％。

假设检验

假设检验是通过使用样本数据测试猜想的过程。该测试旨在提供证据表明猜想或假设得到了所测试的数据支持。无效的假设是相信在假设中考虑的两个数据集，变量或人群之间没有统计学意义或影响。通常，研究人员会试图反驳零假设。

例如，假设零假设指出，投资策略的执行效果不如市场指数，例如标准普尔500指数。研究人员将采集数据样本并测试投资策略的历史绩效，以确定该策略是否比S＆P更高。如果测试结果表明以高于指数的速率执行的策略，则零假设将被拒绝。

这种情况通常表示为“ n = 0”。如果进行测试时，结果似乎表明应用于测试主题的刺激会引起反应，则原假设表明刺激不会影响测试受试者，而又要拒绝刺激。

α风险的例子

财务中α风险的一个例子是，如果一个人想检验一组平均年收益的假设股票大于10％。因此，零假设将是回报等于或小于10％。为了测试这一点，将随着时间的推移汇总股权返回样本并设置重要性水平。

如果在统计上查看样本后，您确定平均年收益高于10％，则您将拒绝原假设。但实际上，平均回报是6％，因此您犯了I型错误。您在测试中犯此错误的可能性是Alpha风险。当收益实际上不能证明潜在风险合理时，这种Alpha风险可能会导致您投资一组股票。

在医学测试中，I型错误会导致疾病治疗的外观有效减少疾病的严重程度，而实际上并非如此。在测试新药物时，零假设将是该药物不会影响疾病的进展。假设一个实验室正在研究一种新的癌症药物。他们的无效假设可能是该药物不会影响癌细胞的生长速率。

将药物应用于癌细胞后，癌细胞停止生长。这将导致研究人员拒绝他们的无效假设，即该药物没有作用。如果该药物引起了生长停止，那么在这种情况下，拒绝零的结论是正确的。但是，如果在测试期间的其他事情导致生长停止而不是施用的药物，则这将是对无效假设的不正确排斥的一个例子，即IE，I型错误。