标签： #统计显著性

因子回测里最常犯的错，是把一个 0.05 的 Rank-IC 当成『有效因子』。点估计没有显著边界，你根本分不清它是真信号还是样本偶然。本文 numpy 从零实现 block bootstrap（按月整块重抽），在 N=200/T=120、真实 IC=0.06 的合成数据上给出 95% 置信区间 [0.082, 0.104]、t-stat=16.4、p≈0，并讲清 block bootstrap 为何优于普通 bootstrap。附完整 Python 与三张真实计算图。

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）。

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。