标签： #夏普率

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）。

你回测出一个年化夏普 1.5，兴奋地准备上实盘——但这个 1.5 有多可信？如果只跑了 3 个月、收益还又左偏又肥尾，那这个漂亮数字很可能是运气。传统夏普率有三个致命盲点：不看样本长度（跑 60 天和跑 5 年的 1.5 天差地别）、不看高阶矩（负偏肥尾会让真实标准误暴涨）、不给显著性（永远只有一个点估计，没有置信度）。López de Prado 的概率夏普率 PSR 一次补齐三样：它把夏普率的估计误差用偏度峰度校正后，直接算出『真实夏普 > 基准』的概率。模拟里年化 SR=1.0、跑满一年（252天）的 PSR 只有 0.84——连 95% 门槛都没过；SR 掉到 0.5 时 500 天都难达标。配套的 MinTRL（最小回测长度）反过来回答：要证明 SR>0（95%置信），正态下 SR=1.0 至少需要约 2.7 年、强负偏肥尾下要 2.9 年。5000 条蒙特卡洛验证 PSR 判据的经验行为完全自洽。本文讲清三件事：PSR 公式里偏度峰度到底怎么侵蚀置信度、MinTRL 怎么在开发前就告诉你样本够不够、以及为什么『高夏普 + 短样本』是量化里最贵的自欺（中阶）。