标签： #夏普比率

回测跑出 1.5 的夏普很爽，但它真的不是运气吗？经典 t 检验在收益非正态、自相关、样本短时会严重失真。本文用 iid bootstrap 重抽样,在「零假设=无 alpha」下重建夏普的分布,直接算出 p 值:真 alpha 策略 p=0.015 当场现形、纯噪声策略 p=0.47 无所遁形。并附功效分析与四类真实陷阱(中阶)。

同一个策略,日频回测夏普 0.78,切到周频只剩 0.66——不是策略变了,是你的采样频率在偷偷改答案。根因是日收益的一阶自相关:正自相关(动量)让周频夏普系统性偏低、负自相关(均值回复)让它偏高。本文用 AR(1) 合成序列 + 200 次蒙特卡洛证明偏差可超 ±15%,附完整 Python 与五类真实陷阱(中阶)。

夏普比率是被噪声严重污染的随机变量。本文讲清其抽样误差、概率夏普比率(PSR)如何修正偏度/厚尾，以及 Deflated Sharpe Ratio 怎样把多选偏差一次性扣掉。配 4 张图表与完整 Python。