◆基金评价中的多重选择问题
　　基金评价中势必会用到一些量化指标，这些指标本身就是随机变量，存在估计误差问题。比如我们在计算基金alpha指标时候，置信度取5%，表示出第一类“弃真”错误，也就是把本来是运气的基金归为有实力的基金的概率是5%。这个错误概率在单算一个基金的时候是不大的。但是我们时常同时计算多个基金，几十个甚至几百个基金，犯第一类错误的概率是1-(95%)^n，假如n是20，出错概率是0.64，且出错概率会随着样本基金的增加而不断变大，这个是无法接受的，就需要控制总体的第一类出错概率（false discovery rate, FDR）。好在生物统计学对这个“假阳”的研究很成熟，我们金融领域可以直接拿来使用。
　　◆FDR简介
　　计算统计量的时候，我们会得到相应的P值，比如计算某个基金alpha的时候，P值为0.01，这表明这个基金相对于基准是由显著的超额收益。但是这个P值完全是基于这个基金的收益算出来的，我们实际中，会计算很多个基金，会有很多个P值，需要在整体上对这些P值进行调整，这样才能控制这几十个基金整体上的估计误差。FDR错误控制法是Benjamini于1995年提出的一种方法，基本原理是通过控制FDR值来决定p值的值域。相对其它算法来说，FDR用比较温和的方法对p值进行了校正。尽量减少把“运气”算成了“实力”的错误，有助于我们筛选出真实力基金。
　　◆FDR在基金选择中的运用
　　（1）运用1：计算FDR时候，需要计算一个中间变量，叫零alpha基金占比，表示这个样本内，有多大比例的基金是没有alpha的，这个指标可以辅助我们判断哪个大类的基金在这个区间的表现是较好的。我们发现，2019到2022年9月这个时间段，普通股票型基金和指数增强零alpha占比最小，表现优秀，价值基金表现较差，但是价值基金从去年开始算，零alpha占比表现较为优秀。整体上看，指数增强的零alpha占比指标比较平稳。
　　（1）运用2：基金优选。实际基金选择中，我们会获得一个大的基金池，或者有几十个较为优秀基金构成的组合。我们可以依据FDR指标，进一步优选。
　　风险提示：模型仅根据历史数据获得的历史经验，应用在未来可能产生风险。文中基金只是举例计算，样本不全，不构成推荐。