运气or实力

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（要求 $t > 2.0, p < 0.05$）；
  • 拔靴法重抽样（Bootstrap Resampling）：对历史交易记录进行 10,000 次有放回重抽样，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                │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>t</mi></mrow><annotation encoding="application/x-tex">t</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.6151em;"></span><span class="mord mathnormal">t</span></span></span></span>-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    │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • <span class="katex"><span class="katex-mathml"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>t</mi><mo>=</mo><mfrac><mi>μ</mi><mrow><mi>σ</mi><mi mathvariant="normal">/</mi><msqrt><mi>N</mi></msqrt></mrow></mfrac><mo>&gt;</mo><mn>2.0</mn></mrow><annotation encoding="application/x-tex">t = \frac{\mu}{\sigma/\sqrt{N}} &gt; 2.0</annotation></semantics></math></span><span class="katex-html" aria-hidden="true"><span class="katex-base"><span class="katex-strut" style="height:0.6151em;"></span><span class="mord mathnormal">t</span><span class="mspace" style="margin-right:0.2778em;"></span><span class="mrel">=</span><span class="mspace" style="margin-right:0.2778em;"></span></span><span class="katex-base"><span class="katex-strut" style="height:1.3851em;vertical-align:-0.6376em;"></span><span class="mord"><span class="mopen nulldelimiter"></span><span class="mfrac"><span class="vlist-t vlist-t2"><span class="vlist-r"><span class="vlist" style="height:0.7475em;"><span style="top:-2.5374em;"><span class="pstrut" style="height:3em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight"><span class="mord mathnormal mtight" style="margin-right:0.0359em;">σ</span><span class="mord mtight">/</span><span class="mord sqrt mtight"><span class="vlist-t vlist-t2"><span class="vlist-r"><span class="vlist" style="height:0.9323em;"><span class="svg-align" style="top:-3em;"><span class="pstrut" style="height:3em;"></span><span class="mord mtight" style="padding-left:0.833em;"><span class="mord mathnormal mtight" style="margin-right:0.109em;">N</span></span></span><span style="top:-2.8923em;"><span class="pstrut" style="height:3em;"></span><span class="hide-tail mtight" style="min-width:0.853em;height:1.08em;"><svg xmlns="http://www.w3.org/2000/svg" width="400em" height="1.08em" viewBox="0 0 400000 1080" preserveAspectRatio="xMinYMin slice"><path d="M95,702
c-2.7,0,-7.17,-2.7,-13.5,-8c-5.8,-5.3,-9.5,-10,-9.5,-14
c0,-2,0.3,-3.3,1,-4c1.3,-2.7,23.83,-20.7,67.5,-54
c44.2,-33.3,65.8,-50.3,66.5,-51c1.3,-1.3,3,-2,5,-2c4.7,0,8.7,3.3,12,10
s173,378,173,378c0.7,0,35.3,-71,104,-213c68.7,-142,137.5,-285,206.5,-429
c69,-144,104.5,-217.7,106.5,-221
l0 -0
c5.3,-9.3,12,-14,20,-14
H400000v40H845.2724
s-225.272,467,-225.272,467s-235,486,-235,486c-2.7,4.7,-9,7,-19,7
c-6,0,-10,-1,-12,-3s-194,-422,-194,-422s-65,47,-65,47z
M834 80h400000v40h-400000z"/></svg></span></span></span><span class="vlist-s">​</span></span><span class="vlist-r"><span class="vlist" style="height:0.1077em;"><span></span></span></span></span></span></span></span></span><span style="top:-3.23em;"><span class="pstrut" style="height:3em;"></span><span class="frac-line" style="border-bottom-width:0.04em;"></span></span><span style="top:-3.4461em;"><span class="pstrut" style="height:3em;"></span><span class="katex-sizing reset-size6 size3 mtight"><span class="mord mtight"><span class="mord mathnormal mtight">μ</span></span></span></span></span><span class="vlist-s">​</span></span><span class="vlist-r"><span class="vlist" style="height:0.6376em;"><span></span></span></span></span></span><span class="mclose nulldelimiter"></span></span><span class="mspace" style="margin-right:0.2778em;"></span><span class="mrel">&gt;</span><span class="mspace" style="margin-right:0.2778em;"></span></span><span class="katex-base"><span class="katex-strut" style="height:0.6444em;"></span><span class="mord">2.0</span></span></span></span> │   │ • 10000 次模拟夏普分布  │   │ • 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临界值 $1.96$（无法排除纯运气成分）。

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': abs(t_stat) >= 1.96
    }

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 5000 次有放回重抽样，计算夏普比率在 $95$ 置信度下的最悲观下界。

def bootstrap_sharpe_confidence_interval(returns: pd.Series, n_iterations: int = 1000, alpha: float = 0.05) -> dict:
    """
    Bootstrap 估计夏普比率置信区间
    """
    boot_sharpes = []
    n = len(returns)
    rets_arr = returns.values
    
    for _ in range(n_iterations):
        sample = np.random.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)}

📝 动手练一练

编写 Python 测试脚本，对模拟策略进行 1000 次 Bootstrap 抽样，测算夏普比率 95% 置信区间：

import pandas as pd
import numpy as np

def run_luck_vs_skill_test():
    np.random.seed(42)
    # 模拟 200 笔具备稳定正期望的交易收益
    trades = pd.Series(np.random.normal(0.005, 0.02, 200))
    
    t_info = calculate_strategy_t_stat(trades)
    boot_info = bootstrap_sharpe_confidence_interval(trades, n_iterations=1000)
    
    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"超额收益 t 统计量: {t_info['T_Stat']:.4f} (临界值 1.96)")
    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}]")
    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("============================================================")

if __name__ == '__main__':
    run_luck_vs_skill_test()

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
超额收益 t 统计量: 3.1782 (临界值 1.96)
统计显著性判定   : True (排除纯运气)
夏普 95% 置信区间: [1.35, 5.92]
✅ 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 $t > 2.0$ 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