- False Discovery Rate：用 BH 程序在多因子检验里控制假阳性
你筛出 1000 个因子,每个跑 IC 显著性检验,挑 p<0.05 的 95 个——其中 45 个是假阳性,真阳性率不到一半。经典多重检验要么放宽到失控、要么收紧到全灭。Benjamini-Hochberg 用 FDR 在'发现力'和'假阳性率'之间找平衡:同样 1000 个因子,它找出 52 个、只含 2 个假阳性(FDR 0.038),且不漏掉任何一个真信号。附完整 Python 与五类真实陷阱(中阶)。
12 min Chinese - 回测过拟合概率(PBO)：你的好策略可能只是运气
回测过拟合概率(PBO)量化最佳回测是否只是运气：纯噪声世界 PBO 恰 0.50，过拟合封顶 50%，机制切换更让 PBO 常年站在 50% 以上。附完整 Python 与四类真实陷阱。
15 min Chinese - 夏普比率的统计量误差与 Deflated Sharpe Ratio：别被好运气骗了
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。
13 min Chinese - 高频因子的日内衰减与统计显著性：开盘最强、午后失灵，多重检验会坑你
高频 / 日内因子的预测力在一天之内是衰减的：开盘前后的信息最强，随着套利者消化、微观结构噪声累积，因子对未来收益的 IC 逐步下滑。本文用模拟数据画出日内衰减曲线、拟合半衰期、用 t 统计量判定显著性，并指出「在 12 个时段里挑 IC 最高的那个报告」必然踩中多重检验陷阱。附完整 Python 实现。
9 min Chinese
返回