标签： #回测

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)。

金融 ML 的标签常向前看，普通 KFold 打乱会把近重复样本留进训练、靠抄作业刷出虚假高分。本文用 López de Prado 的 purge+embargo 逼出诚实的样本外，并附完整 Python。

回测漂亮不等于能赚钱。本文系统拆解量化策略中的模型风险与回测过拟合：从样本内/样本外鸿沟、多重检验假阳性、去膨胀夏普比率(DSR)到 Walk-Forward 验证，并附完整 Python 实现，帮你识别并防御「看起来很美」的陷阱。