Deflated Sharpe Ratio：你回測裡的'贏家'，有多少能扛過多重檢驗？

"回測無幻覺"系列文章。

📄 本文成長為了一篇研究論文。 以下每一個數字都來自同一個確定性指令碼，它構建了受控的真實基準——純噪聲搜尋、植入優勢的搜尋，以及一個真實的相關參數網格——然後對其執行 Deflated Sharpe Ratio、Harvey-Liu 多重檢驗折價法，以及 White's Reality Check / Hansen's SPA，直接測量每種方法的假髮現率與檢驗功效。可線上閱讀論文（互動版 + PDF）：deflated-sharpe.marketmaker.cc，程式碼與資料見 github.com/suenot/deflated-sharpe-search。

你跑了一次參數掃描。十六種快線長度，四十種慢線長度，一條移動平均線交叉策略的 640 種組合。網格跑完，有一個格子在發光：年化夏普比率 3.9，單次檢驗 p 值 $6\times10^{-12}$。十二個零的顯著性。你發現了點什麼。

又或者，你什麼都沒發現，是搜尋替你"發現"了它。

參數搜尋不是一次檢驗。它是一臺專門找出 N 次嘗試中最幸運那一次的機器，你給它的嘗試越多，它的贏家看起來就越幸運——無論底下是否真的有優勢。best-of-N 的夏普比率因選擇而被虛高，其原理就跟一千個隨機路人裡最高的那個人顯得特別高一樣：不是因為"高"是真的，而是因為你搜索過了。印在贏家旁邊的單次檢驗統計量——它的 p 值、它的 t 統計量、它那個"這顯著嗎？"——本來是為一個預先註冊好的假設設計的。把它們餵給一次搜尋的倖存者，它們每次都會自信滿滿地撒謊。

本文精確測量它們撒謊撒得有多嚴重，然後測量三種能修正它的工具。整件事的核心在於受控的真實基準：我們生成一些我們已知答案的收益序列——有時是真實優勢為零的純噪聲，有時是強度已知的植入優勢——這樣"這種方法判斷對了嗎"就是一個事實，而不是一個主觀判斷。先把結論擺在前面。在已知零假設的搜尋上——誠實的答案永遠是"沒有發現"——每種檢驗各自"狼來了"的頻率如下：

每次搜尋 1,000 個策略，每個策略 1,000 次觀測，2,000 次獨立的零假設搜尋，處處真實夏普比率 = 0。合成的獨立同分布正態收益，種子 0，α = 0.05，每年 252 個週期。樸素檢驗的假髮現率不是"偏高"——而是正好等於一。

把第一行盯著看，直到它刺痛你為止。一個本應在純噪聲上以 5% 的頻率觸發的檢驗，實際觸發頻率是 100%——因為你給它看的不是純噪聲，而是一千次純噪聲抽取裡的最大值，而一千個拋硬幣的人裡最靠運氣的那個，看起來永遠像個天才。其餘每一行都是懂得這一點並對此做出修正的方法。這就是本文的全部內容：為什麼第一行是 1.000，為什麼其他行不是，以及唯一一處（最後一節）連好的方法也需要第二次修正才能保持誠實。

第 1 幕——陷阱：搜尋憑空製造出夏普比率

從最乾淨的那種陷阱開始。生成 $N = 1000$ 個策略，它們的收益是相互獨立的標準正態噪聲——沒有漂移，沒有技巧，全部真實夏普比率恰好為零。每個策略有 $T = 1000$ 次觀測。現在做每個參數搜尋都會做的事：只留下最好的那個。

best-of-1000 的單期夏普比率平均為 0.1027，年化後為 1.63（推算：$0.1027 \times \sqrt{252} \approx 1.63$）。這可不是個不起眼的數字。年化夏普比率 1.63，是那種能讓一個策略拿到資金、被寫成報告、被實際配置資金的成績。而它來自一臺把漂移項調到零的隨機數生成器。

現在把這個贏家交給樸素顯著性檢驗——就是每個回測庫都免費打印出來的那種。把它的夏普比率換算成 t 統計量（$t = \hat{SR}\sqrt{T}$），取單側 p 值，如果 $p < 0.05$ 就宣佈為一次發現：

$t = \hat{SR}\sqrt{T}, \qquad p = 1 - Z(t), \qquad \text{"discovery" if } p < \alpha$

這些噪聲贏家的單次檢驗 p 值中位數是 0.000686——一個毫無優勢的策略，卻拿到了三個零的"顯著性"。而在 2,000 次獨立的零假設搜尋中，樸素檢驗在每一次都宣佈了發現：假髮現率 1.000。不是"偏高"。不是"有點高"。一個按構造在單一零假設上最多 5% 的時候會判對的檢驗，在一次搜尋的贏家身上卻 100% 判錯。

這臺機器一旦被點名，運作機制就不再神秘了。樸素檢驗問的是"在零假設下，這個夏普比率會不會純粹出於偶然？"——如果你是在看資料之前就選中了這個策略，這是個公平的問題。但你選中它，恰恰是因為它是一千個裡夏普比率最高的那個。你是在對最大值做條件，而最大值的抽樣分佈和單次抽取的抽樣分佈完全是兩回事。這和我們的前視偏差分類法從另一端診斷出的其實是同一種病——那篇文章裡，一根 K 線的洩漏就從噪聲中憑空製造出 15 的夏普比率；這裡，一次搜尋完全沒有任何洩漏，純靠選擇，就從噪聲中製造出 1.63 的夏普比率。機制不同，症狀一模一樣：一個看起來很棒、卻毫無意義的夏普比率。

1.63 這個數字很重要，記住它。它是這次搜尋的噪聲上限：1,000 個零優勢策略中最幸運的那個，理應報出的夏普比率。任何對搜尋贏家的誠實檢驗，都不該拿它去跟零比，而要拿它跟這個數字比——跟你看一千次之後，單靠運氣就能拿到的東西比。

第 2 幕——工具箱：給搜尋定價的三種方法

三條各自獨立發展出來的研究路線，最終都得出同一個修正辦法：不要再拿贏家去跟零比，而要拿它跟"這個規模的搜尋單靠運氣能產出什麼"去比。它們的差異在於各自如何構建這個比較物件。

PSR 與 Deflated Sharpe Ratio（Bailey & López de Prado，2012 / 2014）

**Probabilistic Sharpe Ratio（機率夏普比率，PSR）**問的問題，比"夏普比率是不是正的？"要犀利得多。它問的是：給定樣本長度和收益分佈的形狀（偏度、肥尾），真實夏普比率超過某個基準 $SR^*$ 的機率是多少？

$\text{PSR}(SR^*) = Z\!\left( \frac{(\hat{SR} - SR^*)\sqrt{n-1}}{\sqrt{\,1 - \hat\gamma_3\,\hat{SR} + \frac{\hat\gamma_4 - 1}{4}\,\hat{SR}^2\,}} \right)$

這裡 $Z$ 是標準正態分佈的 CDF，$\hat\gamma_3$ 是偏度，$\hat\gamma_4$ 是非超額約定下的峰度（正態分佈 ⇒ $\hat\gamma_4 = 3$；如果這裡直接代入超額峰度而不加 3，折損結果就會算錯）。令 $SR^* = 0$，PSR 就只是一個有限樣本顯著性檢驗。真正的魔法在於把 $SR^*$ 選好。

Deflated Sharpe Ratio（DSR）就是把 PSR 的基準從零換成整次搜尋的期望最大夏普比率後算出來的結果：

$SR_0 = \sqrt{\operatorname{Var}[\{SR_n\}]}\;\Big(\,(1-\gamma)\,Z^{-1}\!\big(1 - \tfrac{1}{N}\big) \;+\; \gamma\,Z^{-1}\!\big(1 - \tfrac{1}{N e}\big)\Big)$

這裡 $\operatorname{Var}[\{SR_n\}]$ 是全部 N 次試驗夏普比率的方差（也就是搜尋本身產生的離散程度），$\gamma \approx 0.5772$ 是尤拉-馬歇羅尼常數，兩個逆正態項則是對 $N$ 次標準正態抽取的期望最大值的極值理論（Extreme-Value-Theory）近似。寫成程式碼短得都不夠拿出來炫耀：

def expected_max_sharpe(sr_variance, N, mean_sr=0.0):
    """E[max of N independent SR estimates ~ N(mean_sr, sr_variance)]
    (Bailey & LdP 2014)."""
    g = EULER_MASCHERONI                       # 0.5772156649
    a = norm.ppf(1.0 - 1.0 / N)                # Z^{-1}(1 - 1/N)
    b = norm.ppf(1.0 - 1.0 / (N * E))          # Z^{-1}(1 - 1/(N e))
    return float(mean_sr + np.sqrt(sr_variance) * ((1.0 - g) * a + g * b))

然後 DSR 就只是用這個折損後的基準算出的 PSR：

def deflated_sharpe(sr_max, sr_estimates, T, skew=0.0, kurt=3.0, N=None):
    """DSR = PSR(sr_max, SR0). Returns (dsr, sr0)."""
    v = float(np.asarray(sr_estimates).var(ddof=1))   # dispersion of the search
    m = float(np.asarray(sr_estimates).mean())
    if N is None:
        N = len(sr_estimates)
    sr0 = expected_max_sharpe(v, N, mean_sr=m)
    return psr(sr_max, sr0, T, skew, kurt), sr0

DSR 本身是一個機率。當 $\text{DSR} \geq 1 - \alpha = 0.95$ 時，我們宣佈一次發現：贏家的真實夏普比率以 95% 的置信度超過了運氣所能給出的最佳預期。注意 $SR_0$ 裡埋著一個承重的假設：這 $N$ 次試驗被當作相互獨立。第 5 幕整節講的就是當它們並不獨立時會發生什麼。

Harvey-Liu 折價法（2015）

Harvey 和 Liu 從多重檢驗 p 值修正的角度攻克同一個問題——這是那套經典機制的用武之地："我跑了 M 次檢驗，別讓我自己騙自己"。把 $M$ 個單次檢驗 p 值排序為 $p_{(1)} \le \dots \le p_{(M)}$，然後把它們放大：

$p_i^{\text{Bonf}} = \min[\,M\,p_{(i)},\,1\,], \qquad p_i^{\text{Holm}} = \min\!\Big[\max_{j\le i}\{(M-j+1)\,p_{(j)}\},\,1\Big]$

Bonferroni 是那件笨重的工具（把每個 p 值都乘以 $M$，控制任意假陽性的機率）；Holm 是它那個功效一致更高的降階版本。第三種，Benjamini-Yekutieli（BHY），控制的是假發現率——你的拒絕結果裡預期有多大比例是錯的——而且關鍵在於，它在檢驗之間存在任意依賴關係的情況下依然成立，靠的是分子裡的調和歸一化項：

$c(M) = \sum_{j=1}^{M} \frac{1}{j}, \qquad c(1000) \approx 7.49$

$c(1000) = 7.49$ 這個數，就是 BHY 為了不去假設你那 1,000 次試驗相互獨立所付出的代價——它把 FDR 閾值放大了一個按 $\ln M$ 增長的倍數。"折價"本身才是那個點睛的指標：把修正後的 p 值換算回夏普比率，報告出你不得不從原始夏普比率裡削掉多少。折價 100% 意味著贏家完全可以用多重檢驗來解釋；15% 意味著它基本上還站得住。

White's Reality Check 與 Hansen's SPA（2000 / 2005）

第三種工具完全不做任何分佈假設。White 的 Reality Check 拿每條規則的真實收益，構造出規則間取最大值的統計量，然後直接對它的零假設分佈做自助法：

$RC_T = \max_{k=1,\dots,K} \sqrt{T}\,\bar{f}_k$

這裡 $\bar{f}_k$ 是規則 $k$ 相對基準的平均表現。它用平穩自助法（Politis-Romano——隨機長度的分塊，讓序列相關性在重取樣中得以保留）對收益重取樣，把每次抽取重新居中，使其按構造滿足零假設，在每次抽取上重新計算最大值，並把 p 值報告為超過觀測最大值的自助法最大值所佔的比例。Hansen 的 SPA 從兩個方向銳化了 RC：學生化（把每條規則的均值除以它自己的標準誤，這樣一條方差異常大的規則就沒法劫持最大值）以及對零假設做一次一致的、依賴樣本的重新居中。我們的實現加上了學生化，但沒有做完整的一致重新居中步驟——所以本文中出現的任何 SPA 式p 值，都應讀作學生化的 Reality Check，而不是完整的 Hansen SPA。DSR 問的是"這個贏家在這次搜尋內部是不是特別？"，Reality Check 問的則是"在誠實地把我試過多少條規則算進去之後，最好的那條規則還能不能跑贏現金？"——而且它通過自助法天然地處理了規則之間的相關性，完全不需要去數試驗次數。記住這個區別；最後一節就建立在它之上。

第 3 幕——校準就是全部的證明

一個什麼都不宣佈發現的方法，假髮現率也會是零——但它毫無用處。所以，檢驗這些工具唯一有意義的方式是雙面的：在已知零假設的資料上，它們必須把假髮現率控制在 $\alpha$ 或以下；在已知優勢的資料上（下一節），它們依然得能觸發。本節講的是前半部分。

跑 2,000 次獨立搜尋，每次都在 1,000 個零優勢策略上進行，統計每種方法宣佈發現的次數。這個次數除以 2,000，就是假髮現率——而因為真相是沒有優勢，所以每一次"發現"都是假的：

每種有理論依據的方法都落在 5% 這條線上或附近——兩個 FWER 折價法略高一點，DSR/BHY/RC 略低一點——而樸素檢驗則停在 100。（Bonferroni 和 Holm 在這裡打印出一樣的 0.057，這不是巧合：對於單一的最佳策略而言，Holm 的第一步是 $(M-1+1)\,p_{(1)} = M\,p_{(1)}$，按構造就和 Bonferroni 完全相同，所以這是同一個確認，而不是兩個獨立確認。）但整項研究裡最深刻的數字不在這張表裡——而是產出 DSR 那一列的折損基準。在各次零假設搜尋上取平均，$SR_0$ 算出的單期值是 0.1030，年化後為 1.63（推算：$0.1030 \times \sqrt{252} \approx 1.63$）——正是噪聲贏家平均報出的那同一個 1.63（1.63）。這不是巧合；這正是整個想法在起作用：

折損後的基準線，恰好就落在噪聲上限上。 DSR 並不要求搜尋贏家去打敗零。它要求贏家打敗單靠運氣、從這個規模的搜尋裡所能拿到的最好成績——這裡就是年化 1.63。一個剛好打平噪聲上限的贏家，DSR 得分 ≈ 0.5（跟拋硬幣一樣），這就是為什麼零假設下的平均 DSR 是 0.495，而不是一個很小的數。要成為一次真正的發現，贏家必須打穿 1.63 而且還要多出不少——多到足以把 PSR 推過 0.95。

這重新定義了整件事。樸素檢驗衡量的是離零有多遠；任何一次搜尋都能輕而易舉地跨過這道坎，這就是它沒用的原因。DSR 衡量的是離噪聲上限有多遠，而跨過這道坎才是真正困難的——本來就該如此。Harvey-Liu 折價法和 Reality Check 走的是不同的路，卻達到了同樣的控制水平（BHY 用 $c(1000)=7.49$ 的放大係數，RC 用自助法給出的最大值分佈），最終都落在同一個區間裡：0.001 到 0.057，處在 $\alpha$ 或其附近。Bonferroni/Holm 的 0.057 比 5% 這條線略高一點點，但也就一點點：在 2,000 次蒙特卡洛搜尋的規模下，FDR 估計值在 0.05 附近的標準誤約為 0.005，所以 0.057 大約高出 $\alpha$ 1.4 個標準誤——這是蒙特卡洛噪聲，不是保證失靈。而且"控制 FWER"本來就是一個漸近意義上的承諾，在 $T = 1000$ 時並不是逐位元精確的。

第 4 幕——功效：它還留得住真實的優勢嗎？

控制假髮現只是檢驗的一半——一個疑神疑鬼、什麼都拒絕的方法能拿到滿分 0.000，卻毫無用處。另一半是：當真實優勢確實存在時，DSR 找得到它嗎？

植入一個優勢試試。在 1,000 個策略組成的一片田地裡，讓其中 25 個帶上強度已知的真實優勢，其餘留作噪聲，然後跑搜尋，看 DSR 會不會標出這個贏家。把植入的優勢從弱到強掃一遍，檢驗功效畫出一條幹淨的 S 形曲線（假陽性率全程維持在 ~0）：

看看曲線在哪裡轉折。低於噪聲上限時——真實年化夏普比率 0.79，遠低於 1.63——DSR 只有 0.5% 的時候會觸發，正確地拒絕承認它：這麼弱的優勢，跟一次 1,000 次試驗的搜尋所產生的運氣，真的分辨不出來，硬說能分辨出來，不是功效強，而是不誠實。剛過上限附近，曲線陡峭爬升（1.27 處 0.09，1.90 處 0.65）。到年化夏普比率 2.54 時，功效是 0.998；到 3.17 時是滿分的 1.000。強優勢基本每次都能被留住，假陽性率始終釘在零，而 50% 功效的交叉點落在年化夏普比率約 1.73 處（由 1.27 與 1.90 兩行插值推算）——剛好高於 1.63 的噪聲上限，正是一條誠實的基準線該落在的地方：優勢開始跑贏一次 1,000 次試驗的搜尋所能憑空捏造出來的東西的那個點。

這才是你真正想要的性質，用 S 曲線來表述就是：噪聲上限以下的優勢被正確地判定為運氣；舒舒服服高於上限的優勢則以逼近一的功效被留住。 相比之下，樸素檢驗即便在真實夏普比率只有 0.79 時也能"檢測"到 67% 的植入優勢——但這個數字毫無意義，因為我們已經看到它對一個根本不存在的優勢也能 100% 地"檢測"到。一個什麼都觸發的檢驗沒有功效可言；它沒有任何區分能力。DSR 用一點點對邊緣優勢（0.79 和 1.27 那兩行）的敏感度，換來了真正重要的東西：它給出的發現是真的。

第 5 幕——從業者的陷阱：相關網格

目前為止用的都是相互獨立的策略——這是最乾淨的設定，也是 DSR 的獨立性假設完全成立的那種設定。真實的參數網格可不是這樣，而這正是一個工具一旦被天真地使用，就會變成一種新的犯錯方式的地方。

拿一次誠實的移動平均線交叉搜尋來說：16 種快線長度 $\times$ 40 種慢線長度 $= 640$ 次試驗，每次 755 次觀測。這樣一個網格浸透了相關性——fast=45/slow=120 和 fast=45/slow=125 幾乎是同一個策略，它們的收益序列會一起動。實測 640 次試驗間的平均兩兩相關性：約 0.61。這可不是 640 次獨立的賭注。差得遠了。

案例 A——隨機遊走（無優勢）：每種方法都正確地否決了它

在純隨機遊走上跑這個網格。贏家看起來很誘人：參數 fast=45/slow=120，最佳年化夏普比率 0.81，單次檢驗 p 值 0.081。每種方法都識破了它：

先看這個根本不需要任何折損就露出破綻的訊號：即便是這個贏家未經修正的有限樣本顯著性，也就是 $\text{PSR}$ 相對零的檢驗，也只有 0.918——在我們對 640 次試驗中的哪怕一次做修正之前，就已經夠不上 0.95 了。折損之後，它就徹底被埋了：基準是單期 $SR_0 = 0.057$，年化約 0.91（推算：$0.057 \times \sqrt{252}$）——高於贏家的 0.81。這個最佳策略連噪聲上限都夠不著，DSR ≈ 0.43（比拋硬幣還差），而 Reality Check、SPA 式檢驗和 100% 的折價率全都一致：這裡什麼都沒有。完美。這是簡單的那個案例，而它奏效了——正如我們接下來會看到的，無論我們嘗試哪個有效試驗數，它都始終被否決。

案例 B——一個真實的狀態優勢：原始 DSR 判錯了

現在在一個帶有真實、可利用優勢的狀態切換序列上跑同一個網格。贏家的訊號非常強烈：參數 fast=3/slow=55，最佳年化夏普比率 3.92——這是樣本內、經過挑選的夏普比率，本身就被搜尋的選擇效應抬高了（不是一個真實或樣本外的優勢），但底層的狀態效應是真實的——單次檢驗 p 值為 $6\times10^{-12}$，未折損的顯著性 $\text{PSR}$ 相對零基本為 1.000。這裡確實有一個真實的優勢，贏家也找到了它。看看原始 DSR 還是照樣否決了它：

原始 DSR 的 0.748 是對一個真實優勢的假否決。原因就是獨立性假設，這裡被狠狠違反了：DSR 在構建折損基準時，把 640 次相關試驗當成了 640 次獨立抽取，這把期望最大值 $SR_0$ 抬高到了單期 0.221——年化約 3.51（推算：$0.221 \times \sqrt{252}$）。相對於 3.51 這道基準，贏家的 3.92 只是勉強越過，DSR 落在 0.748——夠不上 0.95。有兩個因素在把基準往上推：一是原始試驗數（640 次"看"，而不是少數幾次有效的），而且試驗之間還存在真實的技巧離散——有些參數組合在狀態序列上確實表現更好，這拓寬了 $\operatorname{Var}[\{SR_n\}]$，把 $SR_0$ 抬到了純粹靠運氣所能達到的水平之上。兩個因素朝同一個方向發力，基準最終被推得太高，因為這次搜尋從來就不是真正的 640 次獨立"看"；它其實是少數幾個獨立的賭注，被重複取樣了 640 次。

該給 DSR 喂的是有效試驗數。上面用到的這個一行程式碼，是從平均兩兩相關性得出的一個粗略估計：

def effective_n_trials(returns_matrix):
    """N_eff = N / (1 + (N-1) * rho_bar), clipped to [1, N].
    Correlated trials -> fewer independent bets."""
    C = np.corrcoef(returns_matrix, rowvar=False)
    rho_bar = max(np.nanmean(C[np.triu_indices(C.shape[0], k=1)]), 0.0)
    N = returns_matrix.shape[1]
    neff = N / (1.0 + (N - 1) * rho_bar)
    return float(min(max(neff, 1.0), N))

用 $\bar\rho \approx 0.62$ 和 $N = 640$ 代入，網格就坍縮成了有效 $N_{\text{eff}} \approx 1.6$ 次試驗（推算：$640 / (1 + 639 \times 0.62)$），DSR 隨之跳到 1.000。但先別急著為這個數字歡呼，因為它是本節全部證據裡最弱的一個。在 $N_{\text{eff}} \approx 1.6$ 時，折損基準會坍縮成年化 $SR_0 \approx 0.25$——基本上就是試驗均值，基本上等於零。這裡的折損其實是被關掉了：$N_{\text{eff}} \approx 1.6$ 處的 DSR，不過是在重新報告贏家未經摺損的有限樣本顯著性（$\text{PSR}$ 相對零 $= 1.000$）而已。這個結論是從原始顯著性繼承來的，而不是由多重檢驗修正產生的。隨機遊走那邊也有一個對稱的警示：它在 $N_{\text{eff}} \approx 1.6$ 處被否決，僅僅是因為那個贏家一開始獨立來看就已經很勉強了（$\text{PSR}$ 相對零 $= 0.918 < 0.95$）。如果把整個論證都押在 1.6 這個數字上，一個懷疑者完全有理由聳聳肩：你只是把修正關掉了，然後報告了底下原本就有的東西。

所以不要把論證押在單一一種估計方法上。誠實的做法——也是更有說服力的做法——是用五種不同的標準方式計算 $N_{\text{eff}}$，然後通讀整條區間上的結論。下面是把五種估計方法應用到同一個 640 次試驗的訊號網格上，各自對應的折損基準和產出的 DSR：

估計方法說明：平均相關性就是上面那個 $N/(1+(N-1)\bar\rho)$ 的一行公式；參與率 $(\sum\lambda_i)^2/\sum\lambda_i^2$ 以及 PCA-95%/Kaiser 計數，都是從相關矩陣的特徵值中讀出有效維度；Cheverud-Nyholt 是來自遺傳學文獻的一種特徵值方差估計法，已知在接近等相關時會過度計數。

現在重點才真正落地，而這個重點並不是"隨便什麼修正都能救你"。看看那個站得住腳的中段——PCA-95%（$N_{\text{eff}} = 16$）和 Kaiser（$N_{\text{eff}} = 21$）。這兩個不屬於折損被關掉的那種情形；它們施加的是一道真實的年化 $SR_0$ 基準，1.85 到 2.00——一次實實在在的折價，遠高於噪聲，是對 16-21 次有效"看"的真正多重檢驗懲罰。而 3.92 這個優勢依然跨了過去（DSR 1.000 和 0.999）。只要 $N_{\text{eff}}$ 低於 144.8（從交叉點推算），這個訊號在任何估計下都能扛過 DSR；只有在 Cheverud-Nyholt 給出的 $N_{\text{eff}} = 370$ 下才會失敗——而這個估計法在試驗接近等相關時被證明會過度計數——即便是那個原始、未經修正的 640 計數，也只是把 DSR 壓到 0.748，而不是壓到零。把隨機遊走的贏家放進同樣這五種估計法裡跑一遍，它在每一種估計下都被否決（找不到任何一個高於 1 的 $N_{\text{eff}}$ 能讓它活下來）。這才是真正的結果：不是靠一個幸運的數字，而是一個在整條標準有效試驗數估計區間上都穩定的結論——這比只相信其中任何一個數字都要強得多。

關於那個最粗糙的估計法，還有一個技術性的警示，它解釋了為什麼這個估計法處在軟弱的那一端：$N/(1+(N-1)\bar\rho)$ 本質上是相關變數均值的方差縮減因子（在相關性 $\bar\rho$ 下，取平均究竟能給你帶來多少好處）。而 DSR 的基準是一個極值量——試驗的期望最大值——所以拿一個均值方差收縮量當作試驗數，在功能上是不匹配的：方向是對的（相關性越強 ⇒ 有效試驗數越少），但它並不是最大值分佈實際依賴的那個量。這正是為什麼區間中段那些基於特徵值的估計法讀數更值得信賴，也正是為什麼真正應該交付的是這整條區間，而不是某一個點。

教訓：兩種工具都要用，還要餵給 DSR 正確的 N

案例 B 得出兩條結論，兩條都承重：

1. 只要試驗之間存在相關性，原始網格規模對 DSR 來說就是錯誤的 N——而單獨任何一個有效 N 也都不是正確答案。 把 640 代入一個假設獨立性的公式會過度折損：它捏造出一個遠高於搜尋實際達到的噪聲上限，把真實優勢埋在了它底下。DSR 需要的是有效試驗數——但修正的辦法不是去相信某一個估計法（尤其不是那個最粗糙的、在 $N_{\text{eff}} = 2$ 附近就把修正關掉了的那個）。而是要通讀整條標準估計法組成的區間（這裡是 1.6 到 370），看看結論是否穩定。對這個優勢而言，結論是穩定的：在折損真正起作用的每一處都被保留下來（在 $N_{\text{eff}} = 16$-$21$ 處有一道真實的年化 1.85-2.00 基準），只在一種會過度計數的估計法下才失敗。一個在整條區間上都穩定的結論，比任何單一數字都要有說服力得多。
2. 把 DSR 和 Reality Check 配對使用。 注意到 Reality Check 及其 SPA 式（學生化）表親，完全沒有對試驗數動任何手術，就在案例 B 上判對了（p = 0.0024 和 0.0038）——它們通過平穩自助法天然地處理了依賴關係，因為它們重取樣的是真實的、相關的收益序列，而不是去數假想中的獨立賭注數量。這就是整個有效 N 亂局的裁決者：RC 根本不需要 $N$。DSR 和 RC 回答的是不同的問題：DSR 問的是"這個贏家在這次搜尋內部是不是特別？"（需要知道這次搜尋到底進行了多少次有效的"看"）；RC/SPA 式問的是"資料窺探之後，最好的那條規則還能不能跑贏現金？"（並直接從資料本身讀出依賴關係）。這兩個你都需要。當它們意見不一致時——就像這裡原始計數的 DSR 和 RC 那樣——這種分歧本身就是診斷訊號：它通常意味著你的 $N$ 錯了。

這和我們的速度階梯與IPC 稅兩項研究從工程一側不斷撞上的，是同一個結構性警示——一次跑了巨大相關網格的快速搜尋，並不能給你買來數量巨大的獨立賭注，把網格規模當成試驗數會同時騙過你的最佳化器和你的顯著性檢驗。即將釋出的姊妹篇回測過擬合機率從重取樣一側（CSCV）攻擊的是同一種選擇偏差，也和這裡的一切自然配對：DSR 給贏家定價，PBO 給流程定價。

誠實說明

三條直白說出來的警示，因為一項受控研究的全部意義，就在於不要把它過度包裝。

• 這些收益是合成的。 校準和功效實驗用的是獨立同分布正態分佈，真實優勢案例用的是狀態切換過程——這麼選是為了受控的真實基準，不是為了貼近真實市場。真實收益是肥尾的、自相關的、非平穩的，而 PSR 的偏度/峰度項，存在的目的正是為了處理這三者中的第一個。這裡交付的是經過校準的方法，而不是一個策略：我們只能通過在一份已知什麼都沒有可發現的資料上執行一個檢驗，來證明它確實控制了假髮現。而這就需要人為構造出真實基準。
• 沒有哪種有效 N 估計法是權威標準——這正是我們報告了五種的原因。 平均相關性那個一行公式 $N_{\text{eff}} = N/(1 + (N-1)\bar\rho)$ 便於審閱者理解，方向也是對的（相關性越強 ⇒ 有效試驗數越少），但它是均值的方差縮減因子——在功能上與 DSR 的最大值基準不匹配——而且在 $N_{\text{eff}} < 2$ 附近會把折損完全關掉。基於特徵值的估計法（參與率、PCA-95%、Kaiser）匹配得更好，但依然是啟發式的，而 Cheverud-Nyholt 在等相關下會過度計數。更完整、更有理論依據的做法是試驗聚類（Bailey & López de Prado 的 DSR 附錄 3）：按相關結構對試驗分組，數聚類數而不是把一切都坍縮成一個標量。我們報告整條區間，正是因為這個選擇本身還沒有定論——一個在全部五種估計法下都穩定的結論才是誠實的主張；一個依賴於挑選某一種估計法的結論則不是。
• 這裡的自助法是學生化的 Reality Check，不是完整的 Hansen SPA，而且不同實驗的重取樣次數不一樣。 本文中出現的"SPA 式"，指的都是帶有逐規則學生化的 White's Reality Check；Hansen 那套完整的一致、依賴樣本的重新居中並沒有實現。校準實驗的假髮現率，用的是 400 次搜尋、每次搜尋 500 次平穩自助法重取樣；兩個案例研究裡的 RC/SPA 式 p 值，各自用了 5,000 次重取樣。平均分塊長度全程為 20（Politis-Romano），$\alpha = 0.05$，年化按每年 252 個週期計算。改變這些設定，小數點第三位的數字會變；但故事本身——樸素檢驗的 1.000 對上有理論依據方法的 0.001-0.057、一條恰好在噪聲上限之上就達到 50% 功效的 S 曲線，以及一個相關網格陷阱，其結論必須通讀整條有效 N 區間——不會變。

要點總結

1. 參數搜尋是一臺多重檢驗機器，而樸素顯著性檢驗對此視而不見。 在 1,000 個零優勢策略上，最佳年化夏普比率平均為 1.63，單次檢驗 p 值中位數為 0.000686——而"這顯著嗎？"這個檢驗100% 的時候都會宣佈發現（假髮現率 1.000）。一個憑空而來的漂亮夏普比率，被一個從一開始就問錯了問題的檢驗，認證為"顯著"。
2. Deflated Sharpe Ratio 把球門從零挪到了噪聲上限。 DSR 拿贏家去比的不是零，而是 $SR_0$——這個規模的搜尋靠運氣所能拿到的最佳預期——在零假設情形下年化落在 1.63，正好就是噪聲贏家平均所在的位置（推算：$0.1030 \times \sqrt{252}$）。它在零假設下的假髮現率是 0.001；Harvey-Liu 折價法（Bonferroni/Holm 0.057，BHY 0.007）和 White's Reality Check（0.022）走的是另外的路，卻達到了同樣的控制水平。
3. 它留得住真實的優勢。 DSR 的檢驗功效畫出一條 S 曲線，在年化夏普比率約 1.73 處達到 50% 功效——剛好高於 1.63 的噪聲上限：真實年化夏普比率 0.79 處為 0.005，1.90 處為 0.651，2.54 處為 0.998，3.17 處為 1.000，假陽性率全程 ~0。上限以下的優勢被正確地判定為和運氣無法區分；上限以上的優勢則以逼近一的功效被留住。
4. 相關網格會打垮原始 DSR——救它的不是某一個有效 N，而是整條區間。 在一個 640 格的移動平均線交叉網格上（平均兩兩相關性約 0.61），原始計數的 DSR 假否決了一個真實的（樣本內挑選出來的、年化 3.92）優勢（0.748 < 0.95），原因是 640 次相關試驗並不是 640 次獨立賭注。但修正的辦法不是找出一個神奇的 $N_{\text{eff}}$——在最粗糙的估計下（$N_{\text{eff}} \approx 1.6$），折損基本被關掉了（基準約年化 0.25），DSR 只是在附和原始顯著性。真正的證據在於，這個優勢在整條標準估計法的區間上都被保留——在 $N_{\text{eff}} =$ 1.6/2.4/16/21 處 DSR 分別為 1.000/1.000/1.000/0.999，其中包括在站得住腳的 PCA-95%/Kaiser 中段處一道真實的年化 1.85-2.00 基準——只要 $N_{\text{eff}} < 145$ 就能存活，只在 Cheverud-Nyholt 那個過度計數的 370 下才失敗。隨機遊走則在每一種估計法下都被否決。要讀整條區間，而不是某一個點。
5. 把 DSR 和 Reality Check 配對使用，因為它們回答的是不同的問題。 Reality Check 及其 SPA 式（學生化）表親，沒有對試驗數動任何手術，就確認了這個真實優勢（p = 0.0024 和 0.0038）——它們通過平穩自助法天然地處理了依賴關係，而這恰恰是當有效 N 存在爭議時的裁決者。DSR 問的是"這個贏家在這次搜尋內部是不是特別？"；RC/SPA 式問的是"資料窺探之後，最好的那個還能不能跑贏現金？"兩者之間的分歧，就是你的 $N$ 錯了的訊號。兩個都要跑。

搜尋的贏家在被證明清白之前，都是有罪的。樸素 p 值並不能證明清白——它是搜尋自己那份被虛高了的證詞，它會以十二個零的信心，為純噪聲擔保。把基準折損到運氣所能給出的水平，誠實地數出你的有效試驗數，再用自助法對最大值求一個第二意見。能同時跨過這三道坎的，也許才是真的。只跨過樸素那一道坎的，不過是一千個拋硬幣的人裡最高的那一個。

完整的實驗——零假設校準框架、植入優勢的功效掃描、相關網格搜尋，以及本文中每一個都能從同一個確定性指令碼重新生成的數字——都收錄在配套論文中，見 deflated-sharpe.marketmaker.cc，程式碼與資料見 github.com/suenot/deflated-sharpe-search。