标签： #显著性检验

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)。

事件研究法是量化「一则公告到底带来了多少超额收益」的标准工具。从市场模型估计正常收益、算出异常收益 AR，再累积成 CAR/CAAR，并用 t 检验判断显著性。从零实现估计窗-事件窗切分、横截面聚合与显著性检验，附完整 Python 与六类真实陷阱（高阶）。