ETFFIN Finance >> Corso di Finanza Personale >  >> Contratti Futures >> Trading di Futures

Test d'Ipotesi per Decisioni d'Investimento: Guida Pratica

Il vostro consulente vi propone un piano d'investimento a reddito mensile variabile. Investirete solo se vi è garantito un reddito medio di 180 $ al mese. Il consulente vi dice che negli ultimi 300 mesi il piano ha avuto rendimenti con media 190 $ e deviazione standard 75 $. Dovreste investire? Il test d'ipotesi aiuta in decisioni come questa.

Punti Chiave

  • Il test d'ipotesi è uno strumento matematico per confermare un'affermazione finanziaria o un'idea di business.
  • È utile per investitori che devono decidere cosa comprare e se lo strumento fornirà un rendimento soddisfacente.
  • Nonostante diverse metodologie, si usano sempre gli stessi quattro passi: definire l'ipotesi, fissare i criteri, calcolare la statistica, trarre una conclusione.
  • Questo modello, come la maggior parte degli strumenti statistici, ha limitazioni ed è soggetto a errori, richiedendo di considerare anche altri modelli.

Cos'è il Test d'Ipotesi?

Il test d'ipotesi (o test di significatività) è un modello matematico per testare un'affermazione, idea o ipotesi su un parametro d'interesse in una data popolazione, usando dati misurati in un campione. I calcoli sui campioni selezionati forniscono informazioni più decisive sulle caratteristiche dell'intera popolazione, permettendo un modo sistematico per testare affermazioni sull'intero dataset.

Esempio semplice: un preside afferma che i suoi studenti ottengono in media 7 su 10 agli esami. Per testare questa "ipotesi", registriamo i voti di 30 studenti (campione) su 300 totali (popolazione) e calcoliamo la media campionaria. Confrontiamo poi la media campionaria (calcolata) con la media della popolazione (dichiarata) per confermare l'ipotesi.

Un altro esempio: il rendimento annuo di un fondo comune è l'8%. Il fondo esiste da 20 anni. Prendiamo un campione casuale di 5 anni e ne calcoliamo la media. Confrontiamo la media campionaria con quella dichiarata per verificare l'ipotesi.

Questo articolo presuppone familiarità con tavola della distribuzione normale, formula, p-value e basi di statistica.

Esistono diverse metodologie, ma gli stessi quattro passi base sono coinvolti:

Passo 1: Definire l'Ipotesi

Solitamente, il valore riportato (o la statistica dichiarata) viene enunciato come ipotesi e si presume vero. Per gli esempi sopra:

  • Esempio A: Gli studenti della scuola ottengono in media 7 su 10.
  • Esempio B: Il rendimento annuo del fondo è l'8% annuo.

Questa descrizione costituisce l'"Ipotesi Nulla (H₀)" e si presume vera — come un imputato in un processo con giuria è presunto innocente finché non provato colpevole dalle prove. Similmente, il test d'ipotesi inizia enunciando e presumendo una "ipotesi nulla", poi determina se l'assunzione è probabilmente vera o falsa.

Il punto importante è che testiamo l'ipotesi nulla perché c'è dubbio sulla sua validità. Qualsiasi informazione contro l'ipotesi nulla è catturata nell'Ipotesi Alternativa (H₁). Per gli esempi sopra:

  • Gli studenti ottengono una media diversa da 7.
  • Il rendimento annuo del fondo è diverso dall'8% annuo.

In altre parole, l'ipotesi alternativa è una contraddizione diretta dell'ipotesi nulla.

Come in un processo, la giuria presume l'innocenza dell'imputato (ipotesi nulla). Il pubblico ministero deve provare il contrario (ipotesi alternativa). Similmente, il ricercatore deve provare che l'ipotesi nulla è vera o falsa. Se il PM non prova l'alternativa, la giuria deve assolvere (basandosi sull'ipotesi nulla). Similmente, se il ricercatore non prova un'alternativa (o non fa nulla), l'ipotesi nulla si presume vera.

I criteri decisionali devono basarsi su certi parametri dei dataset.

Passo 2: Fissare i Criteri

I criteri decisionali devono basarsi su certi parametri dei dataset, ed è qui che entra in gioco la distribuzione normale.

Secondo il postulato standard sulla distribuzione campionaria: "Per qualsiasi dimensione campionaria n, la distribuzione campionaria di X̅ è normale se la popolazione X da cui il campione è tratto è normalmente distribuita." Quindi, le probabilità di tutte le altre possibili medie campionarie che si potrebbero selezionare sono normalmente distribuite.

Esempio: determinare se il rendimento medio giornaliero di qualsiasi azione quotata sulla borsa XYZ, intorno a Capodanno, è superiore al 2%.

H₀: Ipotesi Nulla: media = 2%
H₁: Ipotesi Alternativa: media > 2% (ciò che vogliamo provare)

Prendiamo il campione (es. 50 azioni su 500 totali) e calcoliamo la media campionaria.

Per una distribuzione normale, il 95% dei valori sta entro due deviazioni standard dalla media della popolazione. Quindi, questa assunzione di normalità e limite centrale per il dataset campionario ci permette di fissare il 5% come livello di significatività. Ha senso: sotto questa assunzione, c'è meno del 5% di probabilità (100-95) di ottenere outlier oltre due deviazioni standard dalla media. A seconda dei dati, altri livelli possono essere 1%, 5% o 10%. Per calcoli finanziari (inclusa finanza comportamentale), il 5% è il limite generalmente accettato. Se troviamo calcoli oltre le solite due deviazioni standard, abbiamo un forte caso di outlier per rigettare l'ipotesi nulla.

Graficamente, è rappresentato come segue (immagine omessa).

Nell'esempio sopra, se la media campionaria è molto sopra il 2% (es. 3,5%), rigettiamo l'ipotesi nulla. L'ipotesi alternativa (media > 2%) è accettata, confermando che il rendimento medio giornaliero è effettivamente sopra il 2%.

Tuttavia, se la media campionaria non è significativamente superiore al 2% (resta intorno al 2,2%), NON POSSIAMO rigettare l'ipotesi nulla. La sfida sta nel decidere questi casi limite. Per trarre una conclusione da campioni e risultati, si deve determinare un livello di significatività che permetta una conclusione sull'ipotesi nulla. L'ipotesi alternativa permette di stabilire il livello di significatività o il concetto di "valore critico" per decidere i casi limite.

Secondo la definizione standard: "Un valore critico è un valore di soglia che definisce i confini oltre i quali meno del 5% delle medie campionarie può essere ottenuto se l'ipotesi nulla è vera. Medie campionarie ottenute oltre un valore critico portano a rigettare l'ipotesi nulla." Nell'esempio, se definiamo il valore critico come 2,1% e la media calcolata è 2,2%, rigettiamo l'ipotesi nulla. Un valore critico stabilisce una chiara demarcazione tra accettazione e rigetto.

Passo 3: Calcolare la Statistica

Questo passo implica il calcolo delle figure richieste, note come statistiche di test (media, z-score, p-value, ecc.), per il campione selezionato.

Passo 4: Trarre una Conclusione

Con i valori calcolati, decidere sull'ipotesi nulla. Se la probabilità di ottenere una media campionaria è inferiore al 5%, la conclusione è rigettare l'ipotesi nulla. Altrimenti, accettare e mantenere l'ipotesi nulla.

Tipi di Errori

Ci sono quattro possibili esiti nel processo decisionale basato su campioni, riguardo alla corretta applicabilità all'intera popolazione:

Decisione: MantenereDecisione: Rigettare
Si applica all'intera popolazioneCorrettoErrato (Errore TIPO 1 - α)
Non si applica all'intera popolazioneErrato (Errore TIPO 2 - β)Corretto

I casi "Corretti" sono quelli dove le decisioni sui campioni sono realmente applicabili all'intera popolazione. I casi di errore sorgono quando si decide di mantenere (o rigettare) l'ipotesi nulla basandosi sui calcoli campionari, ma quella decisione non si applica davvero all'intera popolazione. Questi casi costituiscono gli errori Tipo 1 (alfa) e Tipo 2 (beta).

Selezionare il valore critico corretto permette di eliminare gli errori alfa di tipo 1 o limitarli a un range accettabile.

Alfa denota l'errore sul livello di significatività ed è determinato dal ricercatore. Per mantenere il livello standard del 5% di significatività o confidenza per i calcoli di probabilità, questo è mantenuto al 5%.

Secondo i benchmark decisionali e le definizioni applicabili:

  • "Questo criterio (alfa) è solitamente fissato a 0,05 (α = 0,05), e confrontiamo il livello alfa con il p-value. Quando la probabilità di un Errore Tipo I è inferiore al 5% (p < 0,05), decidiamo di rigettare l'ipotesi nulla; altrimenti, la manteniamo."
  • Il termine tecnico per questa probabilità è il p-value. È definito come "la probabilità di ottenere un risultato campionario, dato che il valore enunciato nell'ipotesi nulla è vero. Il p-value per ottenere un risultato campionario è confrontato con il livello di significatività."
  • Un Errore Tipo II, o errore beta, è la probabilità di mantenere erroneamente l'ipotesi nulla, quando in realtà non è applicabile all'intera popolazione.

Altri esempi dimostreranno questo e altri calcoli.

Esempio 1

Esiste un piano d'investimento a reddito mensile che promette rendimenti variabili. Un investitore vi investirà solo se assicurato di una media di 180 $ mensili. L'investitore ha un campione di 300 mesi con media 190 $ e deviazione standard 75 $. Dovrebbe investire?

Impostiamo il problema. L'investitore investirà se assicurato del desiderato rendimento medio di 180 $.

H₀: Ipotesi Nulla: media = 180
H₁: Ipotesi Alternativa: media > 180

Metodo 1: Approccio Valore Critico

Identificare un valore critico XL per la media campionaria, abbastanza grande da rigettare l'ipotesi nulla — cioè rigettare H₀ se media campionaria ≥ XL.

P(identificare un errore alfa Tipo I) = P(rigettare H₀ dato che H₀ è vero). Questo avviene quando la media campionaria supera i limiti critici. = P(dato che H₀ è vero) = alfa.

Graficamente (immagine omessa).

Prendendo alfa = 0,05 (livello di significatività 5%), Z0,05 = 1,645 (dalla tavola Z o distribuzione normale).

XL = 180 + 1,645 × (75/√300) = 187,12

Poiché la media campionaria (190) è maggiore del valore critico (187,12), l'ipotesi nulla è rigettata: il rendimento medio mensile è effettivamente superiore a 180 $, quindi l'investitore può considerare l'investimento.

Metodo 2: Statistiche di Test Standardizzate

Si può usare il valore z standardizzato.

Statistica di Test, Z = (media campionaria – media popolazione) / (dev.std / √n. campioni).

Z = (190 – 180) / (75 / √300) = 2,309

La nostra regione di rigetto al 5% è Z > Z0,05 = 1,645.

Poiché Z = 2,309 > 1,645, l'ipotesi nulla può essere rigettata con la stessa conclusione.

Metodo 3: Calcolo del P-value

Vogliamo identificare P(media campionaria ≥ 190, quando media = 180).

= P(Z ≥ (190 - 180) / (75 / √300)) = P(Z ≥ 2,309) = 0,0084 = 0,84%

La tabella per inferire i calcoli del p-value conclude che ci sono prove confermate di rendimenti medi mensili superiori a 180:

p-valueInferenza
minore dell'1%Prove confermate a supporto ipotesi alternativa
tra 1% e 5%Forti prove a supporto ipotesi alternativa
tra 5% e 10%Deboli prove a supporto ipotesi alternativa
maggiore del 10%Nessuna prova a supporto ipotesi alternativa

Esempio 2

Un nuovo broker (XYZ) afferma che le sue commissioni sono inferiori a quelle del vostro broker attuale (ABC). Dati di una società di ricerca indipendente indicano che media e dev.std di tutti i clienti ABC sono 18 $ e 6 $ rispettivamente.

Si prende un campione di 100 clienti ABC e si calcolano le commissioni con le nuove tariffe XYZ. Se la media campionaria è 18,75 $ e dev.std invariata (6 $), si può inferere qualcosa sulla differenza di commissioni medie tra ABC e XYZ?

H₀: Ipotesi Nulla: media = 18
H₁: Ipotesi Alternativa: media ≠ 18 (ciò che vogliamo provare)

Regione di rigetto: Z ≤ -Z2,5 e Z ≥ Z2,5 (assumendo 5% significatività, diviso 2,5% per lato).

Z = (media campionaria – media) / (dev.std / √n. campioni) = (18,75 – 18) / (6/√100) = 1,25

Questo Z calcolato sta tra i due limiti: -Z2,5 = -1,96 e Z2,5 = 1,96.

Conclusione: prove insufficienti per inferire differenza tra le tariffe del broker attuale e quello nuovo.

Alternativamente, p-value = P(Z < -1,25) + P(Z > 1,25) = 2 × 0,1056 = 0,2112 = 21,12% > 0,05 (5%), stessa conclusione.

Graficamente (immagine omessa).

Critiche al Metodo del Test d'Ipotesi

  • Metodo statistico basato su assunzioni
  • Soggetto a errori come dettagliato per errori alfa e beta
  • L'interpretazione del p-value può essere ambigua, portando a risultati confusi

Conclusione

Il test d'ipotesi permette un modello matematico per validare un'affermazione o idea con un certo livello di confidenza. Tuttavia, come la maggior parte degli strumenti e modelli statistici, ha limitazioni. L'uso per decisioni finanziarie va considerato con occhio critico, tenendo a mente tutte le dipendenze. Metodi alternativi come l'Inferenza Bayesiana valgono la pena di essere esplorati per analisi simili.