这是我最常被问到的问题。通常是有人刚跑完第一个策略，就会问：需要多少笔交易，结果才算是真的？ 通常问题里还带着一个数字。“我有 1,200 笔交易，够了吧？”说实话，答案总让人不满意，因为关键根本不是交易笔数。
先用一行公式概括，然后我会在本文剩下的篇幅里解释它为什么让人难受。
夏普比率的标准误是多少？
对于基于 n 个周期收益计算的夏普比率，假设收益相互独立且大致服从正态分布，抽样误差为：
SE(s) ≈ √((1 + s²/2) / n)
其中 s 是按相同频率计算的夏普比率。把等式两边都年化后，会得到一个简洁的结果。若每年有 k 个观测值，数据覆盖 T 年，年化夏普比率 S 的标准误为：
SE(S) ≈ √((1 + S²/(2k)) / T)
看看分母里的 2k。日收益的 k = 252，因此即便夏普比率为 2，4/504 ≈ 0.008 对分子也没什么影响。整个公式最后简化为 1。年化夏普比率的标准误约为 1/√T，其中 T 是数据覆盖的日历年数。它几乎不受夏普比率本身影响，也不取决于采样频率，更完全不取决于你做了多少笔交易。
所以：
| 数据年数 | SE(夏普比率) | 若测得 1.5，对应的 95% CI |
|---|---|---|
| 1 | 1.00 | −0.46 至 3.46 |
| 2 | 0.71 | 0.11 至 2.89 |
| 3 | 0.58 | 0.37 至 2.63 |
| 5 | 0.45 | 0.62 至 2.38 |
| 10 | 0.32 | 0.88 至 2.12 |
如果一份回测用 2 年历史数据测出夏普比率为 1.5，在 95% 置信水平下，统计上无法将它与抛硬币区分开来。这是大多数加密货币研究面临的基本处境，因为多数人手上干净、经过幸存者偏差校正且准确计入手续费的数据，大约从 2022 年才开始；而一半有意思的交易标的在 2023 年之前还不存在。
可我有 40,000 笔交易，这还不够吗？
不够。这是我最想纠正的误解。
交易笔数和样本长度是两个不同的量，公式里只出现了其中一个。如果你的策略在 6 个月里触发了 40,000 次，那么 T = 0.5，SE ≈ 1.41。若测得夏普比率为 2.0，95% 区间将是 −0.8 到 4.8。做了 40,000 笔交易，诚实的结论依然是：“可能不错，也可能是负收益。”
原因在于，这 40,000 笔交易并不是对 40,000 种不同市场状态做出的 40,000 次独立押注。它们只是大约 180 天市场行为中的 40,000 个样本，而这些日子彼此相关，各个市场机制也相互关联。一套高频均值回归组合连续 4 个月每天赚钱，实际上只押了一次：在当前流动性机制下，短周期均值回归仍然有效。它观察到这次押注得到验证，可能也就少数几次彼此独立的机会。
我会这样转换思路：数市场机制，不数成交。这个策略经受住了多少种真正不同的市场环境？一套资金费率套利策略如果只经历过一段长期基差为正的时期，那么不管它记录了多少次小时级调仓，n 都是 1。
快速诊断：用 20 天的区块长度对每日 P&L 做区块自助抽样，再观察重采样后夏普比率的分布。如果第 5 百分位低于零，交易笔数就无关紧要了。用 numpy 写下来大约只要 9 行代码；单这一项检查劝退我的策略，比其他任何检查都多。
这个公式适用于真实策略吗？
不完全适用，而且误差方向对你不利。1/√T 的结果假设收益是 IID 正态分布。真实策略收益存在自相关，也有偏度，而凡是看起来像套利、做空波动率或均值回归的策略，偏度通常为负。Mertens 的修正把这些矩纳入计算：
SE(s) ≈ √((1 + s²/2 − γ₃·s + (γ₄−3)·s²/4) / n)
其中 γ₃ 是偏度，γ₄ 是峰度。负偏度会使 −γ₃·s 项变成正值，从而扩大区间。超额峰度还会进一步扩大区间。对于偏度约为 −1.2、峰度约为 9 的典型加密货币套利 P&L，我见过修正后的标准误比朴素算法高出 30–40%。Lo 在 2002 年的论文处理了自相关的影响，结论方向相同：收益的正序列相关会抬高朴素夏普比率、缩小表面上的误差，这是个棘手的组合。
所以，把 1/√T 当作不确定性的下限。这已经是最乐观的情况。
如果我测试了 500 个变体，夏普比率得多高才够？
现在说说对任何运行自动化研究流水线的人都很重要的问题。这也是我们在 Stratmill 每天面对的情况：生成代理不会只产出一个候选策略，而是会产出数百个。
从标准正态分布中抽取 M 个样本，其最大值的期望大约是 √(2 ln M)。乘以标准误，就能得到 M 个毫无价值的策略中，运气最好的那个会呈现出的夏普比率。
| 测试策略数 | √(2 ln M) | 5 年下纯噪声策略的最高夏普比率（SE 0.45） | 2 年下纯噪声策略的最高夏普比率（SE 0.71） |
|---|---|---|---|
| 10 | 2.15 | 0.96 | 1.52 |
| 100 | 3.03 | 1.36 | 2.16 |
| 500 | 3.53 | 1.58 | 2.50 |
| 5,000 | 4.13 | 1.85 | 2.93 |
看倒数第 2 行。如果你用 2 年数据生成了 500 个候选策略，胜出策略的夏普比率为 2.4，那么你其实什么也没发现。这个结果还在噪声范围内。Bailey 和 López de Prado 提出的折减夏普比率，用试验夏普比率的方差取代粗略的 √(2 ln M)，对这一问题进行了形式化处理。值得认真实现，但仅粗略计算就足以让你今天改变做法。
有两件事让实际情况比表格显示的更糟。第一，M 不是你保存的策略数，而是你评估过的策略数，其中包括每一次参数微调、每一次“我就试试 30 周期回看窗口吧”，以及每一次修复错误后的重跑。没人会诚实地把这些都数清。第二，你的候选策略并非独立抽样，因此 √(2 ln M) 会高估有效覆盖面；不过，试验之间的相关性也意味着，某个幸运的市场机制会同时抬高一整批策略的表现。
量化研究里最危险的数字，是那个从来没人记录的数字：你看过多少次结果。
那我实际该怎么做？
5 件事，按我的执行顺序排列。
- 记录每一次评估。每次运行回测，计数器就加 1；计数要持久保存，而且永不重置。如果说不出 M 是多少，就说不清门槛该设在哪里。这是整份清单里最值得投入 1 小时工程时间的一项。
- 始终报告夏普比率及其区间。不要只报一个裸数字。我们的回测报告会输出
1.72 ± 0.51 (2.9y, skew-adjusted)，而 ± 绝不是可有可无的部分。它会改变整个团队讨论结果的方式。 - 先根据 M 和 T 设定门槛，再看结果。从上表查出数字并记下来。事后设定门槛，会让所有人都能说服自己接受过拟合曲线。
- 样本不足时，优先拓展覆盖面，而不是提高频率。你没法凭空增加日历时间，但可以把同一信号应用到 40 个互不相关的交易标的上。这样确实能提高有效 n，而提高交易频率做不到。要留意相关性：在风险规避时段，40 个加密货币永续合约其实就是 1 个标的。
- 然后做模拟交易。样本外时间每天只增加 1 天，没有捷径；正因如此，这也是唯一无法过拟合的样本。
这些做法都不能让短样本变得可靠。它们能让你诚实地看待短样本所能支持的结论，而这种结论远没有多数回测报告暗示的那么有力。2 年数据测得夏普比率为 1.5，足以成为一个值得用模拟交易检验的假设，但还算不上发现。
← 全部文章