博客

多重检验夏普折扣：用 Bonferroni/BHY 给数据挖掘出来的夏普打折 - halo的技术博客

Hansen SPA 检验：在一堆策略里判断有没有真正跑赢基准的 - halo的技术博客

股票收益既不对称也不薄尾——左边有崩盘的长尾，中间比正态更尖，两端比正态更胖。用正态分布做风险管理，等于假装这些都不存在，代价是 1% VaR 天天被击穿。Johnson SU 分布用四个参数一次解决：位置和尺度管中心，一个形状参数专管偏度、另一个专管尾部厚度。它的秘密是把变量做一次 sinh 反变换（arcsinh），再套正态——所以它天生支持负偏、任意厚尾，且解析可算 CDF/分位数，做 VaR 直接套公式。本文用 2000 个模拟收益（真实偏度 -1.1、超额峰度 2.4）实测：正态拟合把 1% VaR 报成 -3.80%，而经验真值是 -5.09%，低估了整整 1.3 个百分点；Johnson SU 用 MLE 拟合出 -5.24%，几乎贴住真值。QQ 图上正态两端翘起、Johnson SU 点点贴线。文章讲清三件事：四个参数各自控制分布的哪一部分、arcsinh 变换为什么能同时造出偏度和厚尾、以及为什么把它当风险度量工具比当收益预测工具更靠谱（中阶）。

Kupiec POF 检验：用失败次数的似然比给 VaR 模型做体检 - halo的技术博客

当大模型学会读财报：LLM如何革新量化因子挖掘 - halo的技术博客

大模型正在重塑量化交易：从因子挖掘到信号生成的全链路重构 - halo的技术博客

大模型如何重塑量化投资 - halo的技术博客

你的策略回测出年化夏普 1.0，跑了 8 个月——能上实盘吗？大多数人凭感觉答『差不多了』，但这个问题有精确答案。López de Prado 和 Bailey 的最小回测长度 MinTRL 反过来问：给定夏普率、给定收益的偏度峰度，要在 95% 置信度下证明『真实夏普 > 0』（即策略不是纯运气），到底需要多少样本？公式给出的答案往往令人沮丧：正态下 SR=1.0 需要约 2.7 年、SR=0.5 需要约 10.8 年；一旦收益负偏肥尾（偏度-1、超峰5），SR=1.0 的需求涨到 2.9 年。反过来看置信度的增长：SR=1.0 跑满一年（252天）PSR 只有 0.84，连 95% 门槛都没过；要到 2 年才爬到 0.92。5000 条蒙特卡洛验证：真实 SR=1.0、强负偏肥尾时，只跑一年的样本里 PSR>95% 的通过率仅 25%，跑到四年也只有 62%。本文讲清三件事：MinTRL 公式里每一项的物理含义、为什么偏度峰度会推高样本需求、以及为什么『高夏普 + 短样本』是量化里最贵的自欺——它让你在最没把握的时候最自信（中阶）。