最小回测长度 MinTRL：多长的样本才够证明策略不是运气 • halo 的技术博客

问题：8 个月的漂亮回测，够不够上实盘？#

假设你刚跑完一个策略：年化夏普率 1.0，回测覆盖 8 个月，权益曲线平滑向上。你盯着这个数字，心里痒——「1.0 不算顶级，但稳，可以小仓位试试？」

停。先回答一个更基础的问题：这个 1.0，你有多大把握它不是运气？

这不是抬杠。夏普率是一个估计量，它有抽样误差。你跑 8 个月得到 1.0，换一段 8 个月可能是 0.3，也可能是 1.7。真实的夏普率（如果这个策略有稳定 edge 的话）藏在这些估计的背后，你看到的只是一次带噪声的抽样。样本越短，噪声越大，你越可能把一段幸运的随机游走误认成 alpha。

问题是：短到什么程度就危险？长到什么程度才算证明？「凭感觉」在这里是致命的——因为人的直觉严重低估了统计显著性对样本长度的胃口。最小回测长度（Minimum Track Record Length, MinTRL）就是把这个「感觉」换成一个能算的数字。

MinTRL 的核心：把「证明」翻译成一个不等式#

MinTRL 由 Bailey 和 López de Prado 提出，它建立在概率夏普率（PSR）之上。逻辑链条是这样的：

第一步，夏普率估计量有一个标准误。在 i.i.d. 假设下，考虑了偏度和峰度的修正版标准误是：

\hat{\sigma}(\widehat{SR}) = \sqrt{\frac{1 - \gamma_3 \cdot \widehat{SR} + \frac{\gamma_4 - 1}{4}\widehat{SR}^2}{n - 1}}

其中 γ₃ 是偏度、γ₄ 是峰度（正态 γ₄=3），n 是样本量。看分子那三项——这是全部玄机所在，我们下一节详拆。

第二步，PSR 问的是「真实 SR 超过某个基准 SR* 的概率」，就是把估计的超出量除以标准误、再套正态 CDF：

\widehat{PSR}(SR^*) = \Phi\left(\frac{(\widehat{SR} - SR^*)\sqrt{n-1}}{\sqrt{1 - \gamma_3 \widehat{SR} + \frac{\gamma_4-1}{4}\widehat{SR}^2}}\right)

第三步，MinTRL 把问题反过来：要让 PSR 达到目标置信度（比如 95%），n 至少要多大？ 解上面的不等式得到：

\text{MinTRL} = 1 + \left[1 - \gamma_3 \widehat{SR} + \frac{\gamma_4 - 1}{4}\widehat{SR}^2\right]\left(\frac{Z_\alpha}{\widehat{SR} - SR^*}\right)^2

其中 Z_α 是置信水平对应的正态分位数（95% 时 ≈ 1.645）。用 Python 写出来就是直接套公式：

import numpy as np
from scipy import stats

def mintrl_years(SR_ann, skew, exkurt, SR_star=0.0,
                 alpha=0.95, freq=252):
    """返回证明 SR>SR_star 所需的最小回测长度(年)。
    SR_ann: 年化夏普率; exkurt: 超额峰度(正态=0)。"""
    z = stats.norm.ppf(alpha)
    SR  = SR_ann  / np.sqrt(freq)   # 转成每观测(日)夏普
    SRs = SR_star / np.sqrt(freq)
    # 高阶矩修正项
    correction = 1 - skew * SR + (exkurt / 4.0) * SR**2
    n_obs = 1 + correction * (z / (SR - SRs))**2
    return n_obs / freq              # 天数换算成年

python

拆解公式：为什么低夏普和肥尾都让样本需求爆炸#

MinTRL 公式里有两个关键结构，理解它们就理解了整件事。

第一个是分母的 (SR - SR*)²。 这是「信噪比」的核心。你想证明的超出量越小——比如 SR 只有 0.5、或者你的基准 SR* 定得越高——分母越小，MinTRL 越大，而且是平方级爆炸。这解释了为什么低夏普策略需要惊人长的样本：

# 正态假设下，不同夏普率的样本需求
for sr in [2.0, 1.5, 1.0, 0.5]:
    yrs = mintrl_years(sr, skew=0.0, exkurt=0.0)
    print(f"SR={sr}: 需要 {yrs:.1f} 年")

# SR=2.0: 需要 0.7 年
# SR=1.5: 需要 1.2 年
# SR=1.0: 需要 2.7 年
# SR=0.5: 需要 10.8 年   ← 平方爆炸

python

SR 从 1.0 掉到 0.5（减半），样本需求从 2.7 年暴涨到 10.8 年（翻两番）——这就是平方项的威力。这也是为什么真正稀缺的不是高夏普策略，而是有足够长历史支撑的中等夏普策略。

证明 SR>0（95%置信）所需的样本长度：夏普越低、越肥尾，需求越陡峭

第二个是分子的高阶矩修正项 1 - γ₃·SR + (γ₄-1)/4·SR²。 正态收益时它退化成接近 1，但真实收益一旦负偏肥尾，它就膨胀：

负偏（γ₃ < 0）：-γ₃·SR 变成正的加项 → 修正项变大 → 样本需求增加。直觉上，负偏意味着「平时小赚、偶尔巨亏」，这种收益的夏普估计更不可靠，需要更多样本才能确认。
肥尾（γ₄ > 3）：(γ₄-1)/4·SR² 变大 → 样本需求增加。极端值让标准误膨胀，你需要更长历史才能把噪声平均掉。

# 固定 SR=1.0，看高阶矩怎么推高需求
scenarios = [
    ("正态",           0.0,  0.0),
    ("轻度肥尾",      -0.5,  3.0),
    ("强负偏肥尾",    -1.0,  5.0),
]
for name, sk, ku in scenarios:
    print(f"{name}: SR=1.0 需要 {mintrl_years(1.0, sk, ku):.2f} 年")

# 正态:        SR=1.0 需要 2.71 年
# 轻度肥尾:    SR=1.0 需要 2.80 年
# 强负偏肥尾:  SR=1.0 需要 2.89 年

python

高阶矩的代价：固定 SR=1.0，越负偏、越肥尾，同一夏普需要越长样本

对 SR=1.0 来说，肥尾的额外代价「只」是从 2.7 年涨到 2.9 年——看着不大。但注意这个惩罚随 SR² 增长，对高夏普策略（那些最容易过拟合出来的）惩罚更重；而且现实中很多「漂亮回测」恰恰是负偏肥尾的（卖波动率、网格套利、均值回归——都是「平时小赚偶尔爆亏」的形态），它们的真实样本需求比表面看到的更苛刻。

反过来看：给定样本，你的置信度爬到哪了#

MinTRL 回答「需要多长」，PSR 回答「现在够不够」。两者是同一枚硬币的两面。我们固定一个轻度肥尾的收益（偏度-0.5、超峰3），看不同夏普率的策略随样本增长，PSR 怎么爬向 95% 门槛：

def psr(SR_ann, N_days, skew, exkurt, SR_star=0.0, freq=252):
    SR  = SR_ann  / np.sqrt(freq)
    SRs = SR_star / np.sqrt(freq)
    se = np.sqrt((1 - skew*SR + (exkurt/4.0)*SR**2) / (N_days - 1))
    return stats.norm.cdf((SR - SRs) / se)

for sr in [1.5, 1.0, 0.5]:
    p1 = psr(sr, 252, -0.5, 3.0)   # 1年
    p2 = psr(sr, 504, -0.5, 3.0)   # 2年
    print(f"SR={sr}: 1年 PSR={p1:.2f}, 2年 PSR={p2:.2f}")

# SR=1.5: 1年 PSR=0.93, 2年 PSR=0.98
# SR=1.0: 1年 PSR=0.84, 2年 PSR=0.92   ← 一年还不达标
# SR=0.5: 1年 PSR=0.69, 2年 PSR=0.76   ← 两年都够不着

python

同一夏普率，样本越长置信度越高；SR=1.0 要跑到约 2 年才逼近 95% 门槛

这张图应该钉在每个量化研究员的墙上。SR=1.0 的策略跑满一整年，PSR 才 0.84——连 95% 都没到。 你那个「跑了 8 个月、夏普 1.0」的策略，统计上根本没到「证明它不是运气」的门槛。SR=0.5 更惨，跑两年 PSR 才 0.76，实务上意味着这种低夏普策略几乎无法在合理时间内证伪「纯运气」的原假设。

蒙特卡洛验证：公式不是纸上谈兵#

理论公式好看，但它靠一堆渐近近似和 i.i.d. 假设。它在真实（有限、有偏）样本里靠谱吗？我们用蒙特卡洛硬核验证一遍。

设定：真实年化 SR=1.0、收益强负偏（用左偏的 skew-normal 生成），分别抽取 1/2/3/4 年长度的样本，各跑 3000 次。每次都用样本自己估出来的 SR、偏度、峰度算 PSR，统计有多少比例的样本能通过 PSR>95%：

def sim_returns(SR_ann, N, freq=252):
    mu, sd = SR_ann/freq, 1/np.sqrt(freq)
    raw = stats.skewnorm.rvs(a=-4, size=N)      # 左偏
    # 用总体矩标准化(而非样本矩)，保留真实抽样波动
    delta = -4/np.sqrt(1+16)
    pop_mean = delta*np.sqrt(2/np.pi)
    pop_std  = np.sqrt(1 - 2*delta**2/np.pi)
    return mu + sd*(raw - pop_mean)/pop_std

np.random.seed(7)
for L in [252, 504, 756, 1008]:
    passes = 0
    for _ in range(3000):
        r = sim_returns(1.0, L)
        sr_hat = r.mean()/r.std(ddof=1)*np.sqrt(252)
        p = psr(sr_hat, L, stats.skew(r), stats.kurtosis(r))
        passes += (p > 0.95)
    print(f"{L//252}年: 通过率 {passes/3000*100:.0f}%")

# 1年: 通过率 25%
# 2年: 通过率 38%
# 3年: 通过率 54%
# 4年: 通过率 62%

python

蒙特卡洛验证：真实 SR=1.0、强负偏肥尾，短样本极难达到 PSR>95%

结果扎心但诚实：即使策略的真实 SR 确实是 1.0（也就是它真有 edge），只跑一年的话，你也只有 25% 的概率能在数据上证明它。 四分之三的情况下，一个真正有效的策略会因为样本太短而无法通过显著性检验——统计学管这叫第二类错误（把真的当成假的）。跑到四年，通过率也才 62%。

这和 MinTRL 公式完全自洽：SR=1.0 负偏肥尾的 MinTRL 约 2.9 年，正好对应蒙特卡洛里「三年通过率过半（54%）」。理论和模拟对上了，公式可信。

怎么用：把 MinTRL 变成研究纪律#

MinTRL 不是拿来事后自我安慰的，它应该在你开发策略之前就上场：

立项前先算需求。 你想做一个预期夏普 0.8 的中频策略？先算 MinTRL——大概要 4 年多样本。如果你手上的数据只有 2 年，那这个项目从一开始就注定无法被统计验证，要么换更高夏普的思路，要么接受「证据不足」的现实，别自欺。
用它设置最小回测窗口。 别再用「跑得越久越好」这种模糊标准。根据目标夏普和收益的经验偏度峰度，算出 MinTRL，把它设成硬性的最短样本要求。达不到，不上线。
警惕「高夏普+短样本」这个最贵的组合。 它的危险在于双重欺骗：高夏普让你兴奋、短样本让噪声最大——你恰恰在最没把握的时候最自信。回测里越是漂亮的短期高夏普，越要用 MinTRL/PSR 泼冷水。

A. 实现细节： MinTRL 和 PSR 均按 Bailey-López de Prado 原始公式实现，高阶矩修正项 1 - γ₃·SR + (γ₄-1)/4·SR² 完整保留。夏普率统一按年化输入，内部除以 √252 转成日频再代入公式，输出的 MinTRL 除以 252 换算回「年」便于解读。蒙特卡洛用左偏 skew-normal（a=-4）生成收益，关键处理是用总体矩而非样本矩做标准化——否则会人为消掉夏普估计的抽样波动，导致通过率退化成 0/100 的阶跃。每个样本长度跑 3000 次，PSR 用样本自身估出的 SR/偏度/峰度计算。

B. 已知偏差： (1) 公式依赖渐近正态近似，在极短样本（几十个观测）下 PSR 本身失准，此时 MinTRL 也只能当量级参考；(2) 核心假设是收益 i.i.d.，真实策略收益常有自相关（动量正相关、均值回归负相关），正自相关会让有效样本量小于名义样本量，使公式偏乐观——实际需求比算出来的更长；(3) MinTRL 只解决「单个策略 vs 运气」的检验，防不了多重检验偏差（你试了 100 个策略挑出最好那个），后者要用去膨胀夏普率 DSR 另行处理;(4) 蒙特卡洛的偏度是特定 skew-normal 设定，换分布数字会变，但定性结论（短样本通过率低）稳健。

C. 结果解读： 最反直觉也最重要的结论是——一个真实有效的策略，也可能因为样本太短而无法被证明有效。 蒙特卡洛里真实 SR=1.0 的策略跑一年只有 25% 通过率，这不是策略不行，是证据不够。这把「回测夏普高就能上」的朴素信念彻底击碎：夏普率的点估计毫无意义，除非配上样本长度和置信度。三个量化结论钉死：SR=1.0 正态下需 2.7 年、负偏肥尾需 2.9 年；SR 减半样本需求翻两番（平方律）；负偏肥尾系统性推高需求且惩罚随 SR² 加重。实务落点只有一句话——在开发前用 MinTRL 算清样本够不够，别让「高夏普+短样本」这个最贵的自欺把你送进实盘。