夏普比率的统计量误差与 Deflated Sharpe Ratio：别被好运气骗了 • halo 的技术博客

你花了一个周末，把一个想法写成回测。年化收益 18%，波动 12%，夏普比率 1.5。你差点就要把房子押上去了。

先深呼吸。在签字之前，请记住一件事：夏普比率不是一个常数，它是一个被噪声严重污染的随机变量。你看到的 1.5，可能只是运气——一个均值为 0 的策略，在 60 个月样本里随机抽取，有可观的概率”看起来”夏普 0.4 以上。

这篇文要回答三个递进的问题：

夏普比率的估计误差到底有多大？
怎么在”有误差”的前提下，科学地问”我的真实夏普是否超过某个基准”？(概率夏普比率 PSR)
当你声称”我从 100 个策略里挑了最好的”，这个挑选动作本身又是多大的偏差？(Deflated Sharpe Ratio, DSR)

所有数字与图表均由文末 Python 真实计算生成，可复现。

一、夏普比率的抽样误差：它不是一个点，而是一个分布#

假设真实夏普比率 $SR = 0$ （也就是说，这个策略本质上和掷硬币没区别）。我们抽 60 个月的月度收益（约 5 年），算一遍 $\hat{SR} = \bar r / \sigma_r$ ，重复 4 万次，看看 $\hat{SR}$ 长什么样。

真 SR=0 时，60 个月样本里估计夏普能晃到多大

结果很扎心：

4 万次实验的平均 $\hat{SR} = 0.0008$ ，确实围绕真值 0；
但标准差高达 0.1315，和闭式公式 $SE \approx 1/\sqrt{T} = 1/\sqrt{60} \approx 0.129$ 几乎完全一致；
也就是说，真 SR=0 的策略，有大约 0.16% 的概率在 60 个月里”看起来”夏普 > 0.4，有 0.01% 的概率”看起来” > 0.5。

$\text{SE}(\hat{SR}) \approx \sqrt{\frac{1 + \frac{1}{2}\hat{SR}^2}{T}}$

这是个反直觉但极其重要的结论：评价一个策略需要多少样本，取决于你想确认多小的夏普。5 年月度数据把误差控制到了 ±0.13 左右——这还只是 SR 接近 0 时。如果你的策略夏普只有 0.3，这个误差足以让它”看起来”是 0 或 0.6，纯看运气。

二、概率夏普比率 PSR：在误差之上问”是否超过基准”#

既然 $\hat{SR}$ 有误差，正确的问法不是”我的夏普是多少”，而是”我的真实夏普超过某个基准 $SR^*$ 的概率有多大”。Marcos López de Prado 给出的概率夏普比率（Probabilistic Sharpe Ratio）正是这个：

$\text{PSR}(SR^*) = \Phi\!\left( \frac{(\hat{SR} - SR^*)\sqrt{T}}{\sqrt{1 - \gamma_3\,\hat{SR} + \frac{\gamma_4 - 1}{4}\,\hat{SR}^2}} \right)$

其中 $\gamma_3$ 是收益偏度、 $\gamma_4$ 是收益峰度（注意不是超额峰度）， $\Phi$ 是标准正态 CDF。分子把估计值标准化，分母则修正了收益分布的非正态——这正是 PSR 比”朴素 t 检验”高明的地方。

为什么分母要修正偏度和峰度？因为金融收益有两个让正态假设失灵的特征：崩盘带来的负偏（左尾长） 和 肥尾（峰度高）。一个表面夏普不错、但全靠”平时小赚、偶尔巨亏”的策略，它的真实不确定性比正态假设下大得多。

下面这张图对比同一组估计（ $\hat{SR}=0.5$ ，60 个月）在三种处理下的 PSR 曲线：

同样的估计夏普，收益越歪/肥尾，真实 PSR 越低

我们用一个典型股票策略的收益样本做演示：90% 月份温和、10% 月份崩盘，得到 $\hat{SR}=0.5$ ，但偏度 $-0.77$ 、峰度 $3.95$ （左尾明显）。结果：

在基准 $SR^*=0$ 处，正态近似 PSR = 0.9999，偏度/峰度修正后降到 0.9988；
在基准 $SR^*=0.3$ 处，差距拉开：正态近似仍乐观地给 0.9999，修正后只剩 0.896——整整 10 个百分点被”歪尾巴”吃掉。

直觉：朴素方法默认你的收益是正态的，于是低估了极端亏损带来的不确定性；PSR 把偏度峰度显式算进去，给你一个更诚实、通常更低的概率。

三、多选偏差：从一堆噪声里挑最好的，它”看起来”必然显著#

现在进入最隐蔽的坑。假设你不是测了 1 个策略，而是测了 N 个，挑了最好的那个来汇报。即使这 N 个策略的真实夏普全是 0，被选出来的那个，它的 $\hat{SR}$ 也一定比单个的更高——因为你挑了最大值。

把”标准化统计量” $Z = \hat{SR}\sqrt{T}$ 作为比较尺度。每个真 SR=0 的策略，其 Z 近似服从标准正态。我们取 N 个里的最大 Z，重复 2500 次，看这个”选出者”的平均 Z 随 N 怎么长：

全噪声策略里挑最好的，Z 也会随 N 膨胀到 2~3

测试策略数 N	1	10	50	100	500
选出策略的平均 Z	-0.01	1.58	2.31	2.60	3.18

哪怕全部是噪声，从 100 个里挑出的最佳策略，平均 Z 也到了 2.6——如果有人天真地拿它当单个策略做检验，会得到 PSR ≈ 99.5% 的”显著”结论。而 500 个里挑，Z 冲到 3.18，看起来简直是圣杯。

这就是数据窥探（data snooping）/ 多选偏差：你汇报的”最佳”，其显著性有一大半来自”我选了它”这个动作，而不是它真的更好。

四、Deflated Sharpe Ratio：把选法偏差一次性扣掉#

PSR 回答的是”单策略是否超过基准”。要扣除”我挑了 N 个里最好的”这个偏差，需要 Deflated Sharpe Ratio：

$\text{DSR}(SR^*) = \Phi\!\left( \frac{\text{PSR}^{-1}(SR^*) - \mathbb{E}[V]}{\sqrt{\text{Var}[V]}} \right)$

其中 $V = \max_i Z_i$ 是 N 个策略标准化统计量的最大值， $\mathbb{E}[V]$ 、 $\text{Var}[V]$ 是”N 个独立标准正态最大值”的矩（我们在文中用蒙特卡洛估计）。 $\text{PSR}^{-1}(SR^*)$ 就是你选中策略自己的标准化统计量。

一句话理解：DSR 拿你选中策略的 Z，去和”N 个纯噪声里最响那一声的期望”比较。如果你的 Z 只跟噪声里的最佳一样响，DSR ≈ 50%——也就是”它只是噪声里最响的那声”，硬币正反面而已。

我们用一个固定候选策略演示：60 个月、 $\hat{SR}=0.4$ ，其 $Z = 2.981$ 。若只测了这 1 个，朴素 PSR = 0.9986，DSR 也 ≈ 0.9985（一致）。但如果你其实从 N 个里挑出来的：

同一个候选策略，朴素 PSR 死守高位，DSR 随"搜过多少"暴跌

你声称测过 N 个	1	10	50	100	200	500
朴素 PSR（忽略选法）	0.9986	0.9986	0.9986	0.9986	0.9986	0.9986
DSR（扣除选法偏差）	0.9985	0.9935	0.9443	0.8691	0.7209	0.4371

故事一目了然：朴素 PSR 对”你搜了多少”视而不见，死守 99.86%；而 DSR 随测试数量暴涨而崩塌——当你从 500 个策略里挑时，这个看似 0.4 夏普的”赢家”，真实超过基准的概率只剩 44%，比掷硬币强不了多少。

这正是对”我测了 1000 个因子，这个最显著”最锋利的反击：显著性是真实的，还是被搜索量买来的？

五、实盘怎么用：一份自查清单#

把上面的工具落成工作流，而不是只当学术名词：

先看样本长度：夏普估计误差约 $1/\sqrt{T}$ 。月度 60 期误差 0.13， weekly 250 期误差 0.063。样本越短，越要把结论打折。
永远报 PSR 而非裸夏普：给定你的基准 $SR^*$ （比如无风险或 0.5），算出 PSR。别忘了把收益偏度/峰度喂进分母——崩盘型策略的 PSR 会被大幅下修。
如实申报测试次数 N：你试过的参数组合、因子、标的，统统算进 N。DSR 对 N 极其敏感，瞒报 N 等于自欺。
DSR 低于 0.95 的策略，当作未证实：这不是保守，是数学。N 越大，门槛越该高。
样本外 + Walk-forward 交叉验证才是最终裁判：PSR/DSR 修正的是”已见数据”的偏差，没法替你防过拟合本身。

值得强调的诚实边界：PSR/DSR 的前提是收益近似独立同分布、且你申报的 N 是真实的。它们不解决”前视偏差”（用未来信息）、“幸存者偏差”（只留活下来的股票）、“交易成本吞噬”——这些坑，DSR 救不了，得靠数据纪律。

附：可复现 Python#

下面是不依赖任何量化库、纯 numpy/scipy 的核心实现（文中数字即由此算得）：

import numpy as np
from scipy import stats

def skew_kurt(r):
    r = np.asarray(r, float); m = r - r.mean()
    m2, m3, m4 = (m**2).mean(), (m**3).mean(), (m**4).mean()
    return m3 / m2**1.5, m4 / m2**2          # 偏度, 峰度(非超额)

def psr(sr_hat, T, sr_star, skew, kurt):
    denom = np.sqrt(max(1.0 - skew*sr_hat + (kurt-1)/4.0*sr_hat**2, 1e-12))
    z = (sr_hat - sr_star) * np.sqrt(T) / denom
    return stats.norm.cdf(z), z              # 返回 (PSR, 标准化统计量)

def dsr_of(sr_hat, T, sr_star, skew, kurt, N, reps=20000, seed=20260712):
    z_sel, _ = psr(sr_hat, T, sr_star, skew, kurt)   # 候选策略的标准化统计量
    z_sel = stats.norm.ppf(z_sel)
    rng = np.random.default_rng(seed)
    E_V = rng.standard_normal((reps, N)).max(axis=1).mean()   # N 个噪声最大值的期望
    V_V = rng.standard_normal((reps, N)).max(axis=1).var()
    return stats.norm.cdf((z_sel - E_V) / np.sqrt(V_V))

# ---- 演示 ----
rng = np.random.default_rng(20260712)
r = rng.standard_normal((40000, 60))           # 真 SR=0, 4万次实验
sr_hat = r.mean(1) / r.std(1, ddof=1)
print("SE(真SR=0):", sr_hat.std(ddof=1), "≈ 1/√60 =", 1/np.sqrt(60))

sk, ku = -0.77, 3.95                           # 偏度/峰度(崩盘型样本)
p_naive, _ = psr(0.5, 60, 0.3, 0, 3)          # 忽略高阶矩
p_corr,   _ = psr(0.5, 60, 0.3, sk, ku)       # 修正后
print("PSR(0.3) 朴素=%.4f  修正=%.4f" % (p_naive, p_corr))

print("DSR(N=100) =", round(dsr_of(0.4, 60, 0.0, 0, 3, 100), 4))
print("DSR(N=500) =", round(dsr_of(0.4, 60, 0.0, 0, 3, 500), 4))

python

跑一遍你会看到：朴素 PSR 在 N 面前纹丝不动，而 DSR 随搜索量一路跳水——这正是”好运气”和”真信号”之间，那道数学上清清楚楚的界线。