标签： #夏普比率

经典均值-方差把预期收益 μ 当成精确已知，可 μ 是噪声最大的量——样本一点抖，权重就飞到极端。鲁棒均值方差优化（RMV）在椭球模糊集下对每个权重取 worst-case 期望收益，把『我可能看错了』写进目标函数。本文用 numpy + scipy 从零实现 RMV，在 10 资产单因子合成数据上做 400 次蒙特卡洛：估计误差下名义组合样本外 Sharpe 中位仅 1.16、P5 跌到 −0.52，RMV(γ=2) 拉到 1.46(+25%)、P5 收到 −0.18，权重集中度 HHI 从 0.333 降到 0.185。附完整 Python 与四张真实计算图。

私募信贷（Private Credit）以「年化波动仅 4%–6%、Sharpe 高达 4–5」的漂亮业绩吸引资金，但这份平静来自季度估值、滞后报价与 EWMA 平滑，而非底层资产真的低波动。本文用一只合成私募信贷基金，把真实经济价值与上报 NAV 拆开，量化平滑把波动率砍掉多少、把 Sharpe 虚高几倍，并给出 Geltner 去平滑方法把被熨平的波动找回来。附完整 Python 与四张真实计算图。

很多另类资产（私募股权、房地产基金、对冲基金侧袋、甚至部分债券 ETF）的净值因为「陈旧定价」被拉平，导致日度/月度收益出现正自相关。本文证明：只要收益自相关为 ρ，朴素 Sharpe 就会被虚高 √[(1+ρ)/(1−ρ)] 倍——这是 Lo (2002) 的标准修正。用一个 i.i.d. 真实收益被 EWMA 滞后染成自相关的合成例子，展示 β=0.6 时 Sharpe 被虚高约 1.8 倍，并用 500 次蒙特卡洛说明 Lo 修正能把估计分布拉回真实值。附完整 Python 与四张真实计算图。

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。