Significatività statistica

Di Jarosław Wasiński (EN) • Pubblicato: 23 ott 2026

Un risultato di test che indica che i dati soddisfano un criterio di rifiuto di un’ipotesi nulla specificata secondo il modello ipotizzato. Un p-value è la probabilità, secondo quell’ipotesi e modello, di un risultato almeno altrettanto estremo; non è la probabilità che un vantaggio sia reale o che il caso abbia causato il risultato. La significatività statistica differisce da un vantaggio utile dopo i costi. Numerosità del campione, dipendenza, test multipli e selezione fuori campione influiscono sull’interpretazione; nessun numero universale di operazioni dimostra un vantaggio.

Esempio. Per 20 test indipendenti di ipotesi nulle vere a α = 0.05, il numero atteso di falsi rifiuti è 20 × 0.05 = 1, non una garanzia di esattamente uno. La probabilità di almeno uno è 1−0.95²⁰ ≈ 64.15%. Questa formula non si applica a test dipendenti senza ipotesi aggiuntive.

Comprendere il concetto

Dichiarare ipotesi, statistica, assunzioni, soglia decisionale e stima dell’effetto con incertezza. Più osservazioni possono migliorare la precisione se informative, ma la dipendenza riduce le informazioni effettive. Una piccola aspettativa positiva può richiedere molte più prove di un effetto maggiore e i risultati devono includere costi di trading plausibili.

Numerosità del campione e vantaggio economico

Trenta vincite su 50 prove indipendenti stimano una percentuale di successo del 60%; in un modello binomiale, l’intervallo Wilson al 95% è circa 46.2–72.4%. Selezione, operazioni dipendenti e regimi che cambiano possono rendere inadeguato quel modello semplice. La sola percentuale di successo non descrive l’aspettativa: contano anche entità di vincite e perdite e costi.

Specificare un effetto economicamente significativo, un piano di validazione fuori campione e il controllo dei test multipli prima di selezionare la variante migliore. La significatività non sostituisce verifiche di robustezza e controlli del rischio.

Errore comune

Non leggere p = 0.03 come probabilità del 97% di trading redditizio. Né un backtest significativo supera selezione ripetuta del modello, contaminazione informativa o un cambiamento di regime.

Approfondimenti

Nel corso: 15.10 Audit della strategia — quando correggere il sistema, quando correggere se stessi; 15.4 Backtesting e test forward — metodi, prove e insidie. Fonti: American Statistical Association: dichiarazione sul p-value.

Domande frequenti

Bastano 100 operazioni fuori campione?

Non esiste una soglia universale. Le informazioni richieste dipendono da entità dell’effetto, variabilità, dipendenza, disegno della ricerca e precisione necessaria.

Un risultato non significativo dimostra assenza di effetto?

No. Informazioni limitate o dispersione elevata possono impedire il rifiuto. Riportare stima e incertezza, senza trattare il mancato rifiuto come prova di effetto zero.

← Torna al glossario completo