第四部分：回测过拟合的定量解药

判词：大多数发表的回测都是假的#

López de Prado 与合作者（Bailey 等）的系列论文给出了残酷的定量结论：只要尝试的配置足够多，你总能”发现”一个回测夏普很高的策略——哪怕数据是纯随机的。

他们推导出预期最大夏普公式：试验 N 个随机策略，最好的那个的期望夏普随 √(ln N) 增长。数字例子：纯噪声数据上试 1000 次，最优者的回测夏普轻松超过 2。

“我试了很多组合，挑了最好的”——这句话本身就是回测无效的自白。

武器一：Deflated Sharpe Ratio（缩水夏普）#

思想：把”你试了多少次”作为惩罚项，检验最优策略的夏普在校正多重检验后是否仍然显著。输入四样东西：

• 观察到的夏普、回测长度；
• 试验次数（所以要记账本）；
• 收益的偏度和峰度（厚尾会让夏普的估计误差变大）。

输出：“这个夏普是真技能”的概率。它把《因子投资》“t>3”的模糊建议升级成了精确计算——同一个夏普 1.5，试 5 次得到的和试 500 次得到的，缩水后一个显著一个归零。

武器二：PBO（回测过拟合概率）#

用组合对称交叉验证（CSCV）估计：样本内最优的配置，在样本外落到中位数以下的概率。

做法直觉：把历史切成若干块，枚举”一半做样本内、一半做样本外”的所有组合；每种组合里，选出样本内最优的参数，看它在对应样本外的排名。PBO 高于 50% 意味着你的”调参”和抛硬币选参数没有区别。作者建议任何策略报告都应附上 PBO——行业至今没做到，你自己的研究可以做到。

附带一刀：HRP 层次风险平价#

顺带砍向马科维茨优化：协方差矩阵估计误差让优化结果不稳定（《黑箱》第 6 章的”误差最大化器”）。他的处方 HRP（Hierarchical Risk Parity）：

• 先用聚类把相似资产分组（不需要求逆矩阵）；
• 再自上而下在组间、组内分配风险预算。

样本外稳健性显著优于均值-方差优化。呼应书屋反复出现的主题：对输入误差稳健 > 理论最优。

本页带走的三句话#

1. 试够多的次数，纯噪声也能给你夏普 2——期望最大夏普随 √(ln N) 增长；
2. 缩水夏普把试验次数变成惩罚项：没有账本的夏普是无法审计的夏普；
3. PBO > 50% = 你的调参等于抛硬币——每个策略报告都欠一个 PBO。