运气or实力

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

在随机游走的金融市场中，短期大赚究竟是策略具备真实 Alpha（实力），还是仅仅碰巧赶上了市场风格（运气）？本节深入剖析假设检验、$t$-统计量、拔靴法（Bootstrap 重抽样）以及蒙特卡洛随机置换检验，教你用严密统计学工具剥离运气的幻觉。

💡 核心导读

• 辨别量化实力与运气的四大统计学工具：
  • $t$-统计量与 $p$-value 检验：检验策略超额收益均值是否显著大于 0（单侧检验：$t > 1.645$, $p < 0.05$）；
  • 拔靴法重抽样（Bootstrap Resampling）：对历史交易记录做有放回重抽样（代码默认 1,000 次，生产环境建议 ≥5,000~10,000 次以收窄蒙特卡洛误差），计算夏普比率的 95% 置信区间；
  • 蒙特卡洛随机打乱（Monte Carlo Permutation）：打乱价格走势时序，检验策略是否仍能跑出正收益（若能，则策略存在过拟合漏洞）；
  • 风格归因（Factor Attribution）：剥离市场 Beta、大小盘风格与行业暴露，提取真正的特异性 Alpha。

┌─────────────────────────────────────────────────────────────┐
│                    实力与运气统计学鉴别矩阵拓扑图           │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ $t$-统计量假设检验      │   │ Bootstrap 重抽样置信区间│   │ 蒙特卡洛随机置换检验    │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • $t = \frac{\mu}{\sigma/\sqrt{N}} > 2.0$ │   │ • 默认1000次 生产≥1万次│   │ • 打乱时序检验 Alpha 归零│
│ • 证明收益非随机游走    │   │ • 95% 下界夏普仍大于 1.0│   │ • 识破过拟合假象        │
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、夏普比率 $t$-统计量与置信度检验数学推导

设策略拥有 $N$ 笔独立交易记录，样本均值为 $\mu$，标准差为 $\sigma$。检验零假设 $H_0: \mu = 0$ 的 $t$-统计量为：

$$t = \frac{\mu - 0}{\sigma / \sqrt{N}} = \text{Sharpe}_{\text{single}} \times \sqrt{N}$$

当交易笔数 $N < 30$ 时，即便年化收益很高，$t$ 统计量往往也无法突破单侧检验临界值 $1.645$（无法排除纯运气成分）。（临界值口径：$1.645$/$1.96$ 是大样本正态近似值；小样本（如 $N<60$）应改用自由度 $N-1$ 的 $t$ 分布临界值，如单侧 0.05 取 scipy.stats.t.ppf(0.95, df=N-1)，样本越小门槛越高。）

import pandas as pd
import numpy as np

def calculate_strategy_t_stat(returns: pd.Series) -> dict:
    """
    计算策略收益率的 t-统计量与统计显著性（合成教学样例，历史回测不代表未来）
    """
    n = len(returns)
    mu = returns.mean()
    se = returns.std() / (np.sqrt(n) + 1e-8)
    t_stat = mu / (se + 1e-8)
    
    return {
        'N_Trades': n,
        'Mean_Return': float(mu),
        'T_Stat': float(t_stat),
        # 1.645 为大样本正态近似的单侧 0.05 临界值; 小样本应改用 t 分布临界值 scipy.stats.t.ppf(0.95, df=n-1)
        'Is_Statistically_Significant': t_stat >= 1.645
    }

# 合成交易收益数据（包含亏损情形，避免过度理想化）
rng = np.random.default_rng(42)
n_trades = 200
# 模拟一个微幅正期望的策略，但包含显著波动
returns_data = rng.normal(loc=0.002, scale=0.025, size=n_trades)
returns_series = pd.Series(returns_data, name='strategy_return')

# 计算并展示统计显著性检验结果
result = calculate_strategy_t_stat(returns_series)
print("===== 策略收益统计显著性检验 =====")
print(f"交易笔数 N: {result['N_Trades']}")
print(f"平均单笔收益: {result['Mean_Return']:.6f}")
print(f"t 统计量: {result['T_Stat']:.4f}")
print(f"统计显著 (t >= 1.645)? {result['Is_Statistically_Significant']}")
print("注：大样本正态近似，小样本需用 t 分布临界值。")

===== 策略收益统计显著性检验 =====
交易笔数 N: 200
平均单笔收益: 0.001239
t 统计量: 0.7945
统计显著 (t >= 1.645)? False
注：大样本正态近似，小样本需用 t 分布临界值。

二、Bootstrap 拔靴法夏普比率置信区间估计

通过对历史收益率进行有放回重抽样（函数默认 1000 次，生产环境建议提高到 5000~10000 次以收窄蒙特卡洛误差），计算夏普比率在 $95\%$ 置信度下的最悲观下界。（假设提示：标准 Bootstrap 以各笔收益独立同分布为前提；若实盘收益存在自相关，应使用移动块自助（Moving Block Bootstrap）按块重抽样以保留时序结构，否则置信区间偏窄，留作进阶练习。）

import pandas as pd
import numpy as np

def bootstrap_sharpe_confidence_interval(returns: pd.Series, n_iterations: int = 1000, alpha: float = 0.05, rng=np.random.default_rng(123)) -> dict:
    """
    Bootstrap 估计夏普比率置信区间（合成教学样例，独立同分布假设下，序列相关需用块自助法）
    """
    boot_sharpes = []
    n = len(returns)
    rets_arr = returns.values

    for _ in range(n_iterations):
        # iid 有放回重抽样隐含各笔收益独立同分布; 若收益有序列相关(如趋势跟踪策略),
        # 应改用移动块自助(Moving Block Bootstrap)按块重抽样以保留自相关结构, 否则置信区间偏窄
        sample = rng.choice(rets_arr, size=n, replace=True)
        # 样本单位是「笔」: 乘 sqrt(252) 年化隐含「每日至多一笔交易」假设; 非日频策略应改乘 sqrt(年均交易笔数)
        s = sample.mean() / (sample.std() + 1e-8) * np.sqrt(252)
        boot_sharpes.append(s)
        
    lower_bound = np.percentile(boot_sharpes, alpha / 2 * 100)
    upper_bound = np.percentile(boot_sharpes, (1 - alpha / 2) * 100)
    
    return {'Sharpe_Mean': float(np.mean(boot_sharpes)), 'Sharpe_Lower_95': float(lower_bound), 'Sharpe_Upper_95': float(upper_bound)}

# 合成交易收益数据
rng = np.random.default_rng(123)
n_trades = 150
# 模拟一个夏普比率约为 0.5 的策略收益序列
returns_data = rng.normal(loc=0.001, scale=0.02, size=n_trades)
returns_series = pd.Series(returns_data, name='strategy_return')

# 执行 Bootstrap 并展示结果（rng 固定种子：重抽样也必须确定，否则输出每跑必变）
boot_result = bootstrap_sharpe_confidence_interval(returns_series, n_iterations=2000, rng=rng)
print("===== Bootstrap 夏普比率置信区间估计 =====")
print(f"Bootstrap 迭代次数: 2000")
print(f"夏普比率均值估计: {boot_result['Sharpe_Mean']:.4f}")
print(f"夏普比率 95% 置信区间: [{boot_result['Sharpe_Lower_95']:.4f}, {boot_result['Sharpe_Upper_95']:.4f}]")
print("注：基于 IID 假设，若收益存在自相关，区间可能偏窄。")

===== Bootstrap 夏普比率置信区间估计 =====
Bootstrap 迭代次数: 2000
夏普比率均值估计: 3.0664
夏普比率 95% 置信区间: [0.3701, 5.6419]
注：基于 IID 假设，若收益存在自相关，区间可能偏窄。

📝 动手练一练

编写 Python 测试脚本，对模拟策略进行 1000 次（函数默认值；生产建议 ≥5000 次）Bootstrap 抽样，测算夏普比率 95% 置信区间：

import pandas as pd
import numpy as np

def calculate_strategy_t_stat(returns: pd.Series) -> dict:
    """
    计算策略收益率的 t-统计量与统计显著性
    """
    n = len(returns)
    mu = returns.mean()
    se = returns.std() / (np.sqrt(n) + 1e-8)
    t_stat = mu / (se + 1e-8)
    
    return {
        'N_Trades': n,
        'Mean_Return': float(mu),
        'T_Stat': float(t_stat),
        'Is_Statistically_Significant': t_stat >= 1.645
    }

def bootstrap_sharpe_confidence_interval(returns: pd.Series, n_iterations: int = 1000, alpha: float = 0.05, rng=np.random.default_rng(42)) -> dict:
    """
    Bootstrap 估计夏普比率置信区间（rng 固定种子，重抽样结果确定可复现）
    """
    boot_sharpes = []
    n = len(returns)
    rets_arr = returns.values

    for _ in range(n_iterations):
        sample = rng.choice(rets_arr, size=n, replace=True)
        s = sample.mean() / (sample.std() + 1e-8) * np.sqrt(252)
        boot_sharpes.append(s)
        
    lower_bound = np.percentile(boot_sharpes, alpha / 2 * 100)
    upper_bound = np.percentile(boot_sharpes, (1 - alpha / 2) * 100)
    
    return {'Sharpe_Mean': float(np.mean(boot_sharpes)), 'Sharpe_Lower_95': float(lower_bound), 'Sharpe_Upper_95': float(upper_bound)}

# 模拟 200 笔具备稳定正期望的交易收益（合成数据，历史回测不代表未来）
rng = np.random.default_rng(42)
trades = pd.Series(rng.normal(0.005, 0.02, 200))

t_info = calculate_strategy_t_stat(trades)
boot_info = bootstrap_sharpe_confidence_interval(trades, n_iterations=1000, rng=rng)

print("================ 运气 vs 实力：统计显著性检验 ================")
print(f"交易样本量 N: {t_info['N_Trades']} 笔")
print(f"平均单笔收益: {t_info['Mean_Return']:.6f}")
print(f"超额收益 t 统计量: {t_info['T_Stat']:.4f} (临界值 1.645)")
print(f"统计显著性判定   : {t_info['Is_Statistically_Significant']} (排除纯运气)")
print(f"夏普 95% 置信区间: [{boot_info['Sharpe_Lower_95']:.2f}, {boot_info['Sharpe_Upper_95']:.2f}]")
# 断言仅用于教学演示，实际策略需结合经济逻辑与样本外测试
assert t_info['Is_Statistically_Significant'], "策略未能通过统计显著性检验！"
print("✅ 统计学假设检验与 Bootstrap 置信区间测试 PASS")
print("============================================================")

运行结果输出：

================ 运气 vs 实力：统计显著性检验 ================
交易样本量 N: 200 笔
平均单笔收益: 0.004391
超额收益 t 统计量: 3.5205 (临界值 1.645)
统计显著性判定   : True (排除纯运气)
夏普 95% 置信区间: [1.76, 6.11]
✅ 统计学假设检验与 Bootstrap 置信区间测试 PASS
============================================================

本章小结

1. 用统计大数定律剥离运气：单笔或少量交易的大赚往往纯属运气，唯有 $t > 1.645$ 的大样本才能证明实力。
2. 以 Bootstrap 下界评估风险：关注夏普比率在 $95\%$ 置信度下的悲观下界，做好实盘降速心理准备。
3. 警惕样本量过小的欺骗性：策略评估至少需要累积 100 笔以上独立交易样本，杜绝基于三五次交易妄下结论。

📋 行动清单 (Action Checklist)

• 运行显著性检验代码，测试样本量缩减至 20 笔时的 $t$ 统计量变化；
• 编写时序随机置换检验（Permutation Test）脚本；
• 预习下一节，掌握量化策略上线实盘所需满足的硬性条件。

—— 小象教研组