阶段6回测基础●●●●●

Deflated Sharpe Ratio：给"试出来的最高夏普"打假

我的掌握程度：

q-510精讲

先掌握这个答案

DSR的校正逻辑：报告的夏普需打折，折扣取决于①尝试次数N：试得越多，最高夏普的「运气成分」越大；②策略收益的偏度与峰度：肥尾负偏策略的表观夏普更不可信（夏普对尾部不敏感）。直觉版：DSR回答「这个最高夏普在扣除『抽奖』效应后还显著大于0吗」。经验速算：N次尝试的最高夏普，其显著性阈值约按√(2ln N)量级抬升——试100次，需要表观夏普比单次检验高出一大截才算数。

先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。

从理解到使用

先确认分母口径

静态PE、TTM PE、动态PE不可混用。“动态市盈率”字段不能直接重命名TTM。利润为负或接近零时PE解释力很弱；PE倍数也不是投资者收回本金的承诺年数。

核对来源：AKShare字段说明 ↗

从同期超额收益序列计算

常见估计为mean(r−rf)/std(r−rf, ddof=1)×√K；频率、无风险利率和费用口径要匹配。不要直接把CAGR代入算术均值公式。自相关、偏度、肥尾和大量选参会影响可靠性，不存在通用“合格夏普”。

本阶段实战方法 · 回测先过时序、成交与成本三道关

把信号变成策略收益时，每笔收益必须能追溯到当时能下出的订单。

画出时间线：数据可得→算信号→下单→成交→持仓收益；收盘信号不能倒用当天完整收益。
明确交易价格、T+1可卖数量、停牌涨跌停、仓位上限和实际成交量约束。
同时报告毛/净收益、换手、最大回撤、基准和样本外结果；对滑点与费率做压力测试。

使用边界

简单shift(1)只解决部分时序问题；次日开盘成交还要区分隔夜和日内收益。
成本应按成交金额与买卖方向计提；0.15%是教学情景，不是统一市场费率。

不懂的术语：肥尾（Fat Tails）偏度 / 峰度（Skewness / Kurtosis）

背景 · 从一个困惑说起

你随机生成1000个「策略」（纯噪声），全部回测。最好的那个夏普高达1.8——它将进入你的报告、你的简历、你的实盘。但它只是1000次抽奖的头奖。Bailey和López de Prado（2014）问了一个扎心的问题：当我们报告「尝试N次后的最佳夏普」时，该打多大的折扣？

由此产生的问题

Deflated Sharpe Ratio的直觉是什么？它校正了哪两个因素？实务上怎么用？

核心概念

为什么需要它

①多重检验的绩效版：q-255校正「因子显著性」，DSR校正「策略夏普」——同一数学，不同对象；②研究流程的照妖镜：调参寻优、遗传算法挖因子，本质上都是大N抽奖——寻优器的输出必须过DSR；③自我保护：面试时被问「你这策略调了几轮参数」，正确答案不是「不多」而是「N轮，且我对夏普做了DSF折减」——后者瞬间区分业余与专业。

实际应用场景

实操三步：①记录所有尝试（含失败）的夏普集合；②对「入选者」计算DSR（python的mlfinlab或手写公式）；③DSR的p值>0.05→诚实标注「可能是运气」→必须索要新样本外证据。

与之前知识的联系

q-509列出防过拟合手段，本题是其中「多重检验校正」的具体化；q-592的走查验证从另一端解决同一问题（真样本外）；q-255是其统计祖先。三个防御工事合围，回测的可信度才立得住。

⚠ 常见误解

DSR是精确公式所以结果权威：它依赖的假设（独立性、收益分布估计）同样有误差——它是打折器不是审判官
我只试了几个策略不用校正：『几个』常被低估（参数组合×因子变体×样本区间的组合数轻易过百）；如实计数N
DSR高就放心上线：它只校正「抽奖」，不防前视/成本/容量——各关口独立把关

🤖 AI导师

导师会先检查你的前置知识（夏普比率、多重检验、样本外概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。