Deflated Sharpe Ratio：你回测里的'赢家'，有多少能扛过多重检验？

"回测无幻觉"系列文章。

📄 本文成长为了一篇研究论文。 以下每一个数字都来自同一个确定性脚本，它构建了受控的真实基准——纯噪声搜索、植入优势的搜索，以及一个真实的相关参数网格——然后对其运行 Deflated Sharpe Ratio、Harvey-Liu 多重检验折价法，以及 White's Reality Check / Hansen's SPA，直接测量每种方法的假发现率与检验功效。可在线阅读论文（交互版 + PDF）：deflated-sharpe.marketmaker.cc，代码与数据见 github.com/suenot/deflated-sharpe-search。

你跑了一次参数扫描。十六种快线长度，四十种慢线长度，一条移动平均线交叉策略的 640 种组合。网格跑完，有一个格子在发光：年化夏普比率 3.9，单次检验 p 值 $6\times10^{-12}$。十二个零的显著性。你发现了点什么。

又或者，你什么都没发现，是搜索替你"发现"了它。

参数搜索不是一次检验。它是一台专门找出 N 次尝试中最幸运那一次的机器，你给它的尝试越多，它的赢家看起来就越幸运——无论底下是否真的有优势。best-of-N 的夏普比率因选择而被虚高，其原理就跟一千个随机路人里最高的那个人显得特别高一样：不是因为"高"是真的，而是因为你搜索过了。印在赢家旁边的单次检验统计量——它的 p 值、它的 t 统计量、它那个"这显著吗？"——本来是为一个预先注册好的假设设计的。把它们喂给一次搜索的幸存者，它们每次都会自信满满地撒谎。

本文精确测量它们撒谎撒得有多严重，然后测量三种能修正它的工具。整件事的核心在于受控的真实基准：我们生成一些我们已知答案的收益序列——有时是真实优势为零的纯噪声，有时是强度已知的植入优势——这样"这种方法判断对了吗"就是一个事实，而不是一个主观判断。先把结论摆在前面。在已知零假设的搜索上——诚实的答案永远是"没有发现"——每种检验各自"狼来了"的频率如下：

每次搜索 1,000 个策略，每个策略 1,000 次观测，2,000 次独立的零假设搜索，处处真实夏普比率 = 0。合成的独立同分布正态收益，种子 0，α = 0.05，每年 252 个周期。朴素检验的假发现率不是"偏高"——而是正好等于一。

把第一行盯着看，直到它刺痛你为止。一个本应在纯噪声上以 5% 的频率触发的检验，实际触发频率是 100%——因为你给它看的不是纯噪声，而是一千次纯噪声抽取里的最大值，而一千个抛硬币的人里最靠运气的那个，看起来永远像个天才。其余每一行都是懂得这一点并对此做出修正的方法。这就是本文的全部内容：为什么第一行是 1.000，为什么其他行不是，以及唯一一处（最后一节）连好的方法也需要第二次修正才能保持诚实。

第 1 幕——陷阱：搜索凭空制造出夏普比率

从最干净的那种陷阱开始。生成 $N = 1000$ 个策略，它们的收益是相互独立的标准正态噪声——没有漂移，没有技巧，全部真实夏普比率恰好为零。每个策略有 $T = 1000$ 次观测。现在做每个参数搜索都会做的事：只留下最好的那个。

best-of-1000 的单期夏普比率平均为 0.1027，年化后为 1.63（推算：$0.1027 \times \sqrt{252} \approx 1.63$）。这可不是个不起眼的数字。年化夏普比率 1.63，是那种能让一个策略拿到资金、被写成报告、被实际配置资金的成绩。而它来自一台把漂移项调到零的随机数生成器。

现在把这个赢家交给朴素显著性检验——就是每个回测库都免费打印出来的那种。把它的夏普比率换算成 t 统计量（$t = \hat{SR}\sqrt{T}$），取单侧 p 值，如果 $p < 0.05$ 就宣布为一次发现：

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

这些噪声赢家的单次检验 p 值中位数是 0.000686——一个毫无优势的策略，却拿到了三个零的"显著性"。而在 2,000 次独立的零假设搜索中，朴素检验在每一次都宣布了发现：假发现率 1.000。不是"偏高"。不是"有点高"。一个按构造在单一零假设上最多 5% 的时候会判对的检验，在一次搜索的赢家身上却 100% 判错。

这台机器一旦被点名，运作机制就不再神秘了。朴素检验问的是"在零假设下，这个夏普比率会不会纯粹出于偶然？"——如果你是在看数据之前就选中了这个策略，这是个公平的问题。但你选中它，恰恰是因为它是一千个里夏普比率最高的那个。你是在对最大值做条件，而最大值的抽样分布和单次抽取的抽样分布完全是两回事。这和我们的前视偏差分类法从另一端诊断出的其实是同一种病——那篇文章里，一根 K 线的泄漏就从噪声中凭空制造出 15 的夏普比率；这里，一次搜索完全没有任何泄漏，纯靠选择，就从噪声中制造出 1.63 的夏普比率。机制不同，症状一模一样：一个看起来很棒、却毫无意义的夏普比率。

1.63 这个数字很重要，记住它。它是这次搜索的噪声上限：1,000 个零优势策略中最幸运的那个，理应报出的夏普比率。任何对搜索赢家的诚实检验，都不该拿它去跟零比，而要拿它跟这个数字比——跟你看一千次之后，单靠运气就能拿到的东西比。

第 2 幕——工具箱：给搜索定价的三种方法

三条各自独立发展出来的研究路线，最终都得出同一个修正办法：不要再拿赢家去跟零比，而要拿它跟"这个规模的搜索单靠运气能产出什么"去比。它们的差异在于各自如何构建这个比较对象。

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

**Probabilistic Sharpe Ratio（概率夏普比率，PSR）**问的问题，比"夏普比率是不是正的？"要犀利得多。它问的是：给定样本长度和收益分布的形状（偏度、肥尾），真实夏普比率超过某个基准 $SR^*$ 的概率是多少？

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

这里 $Z$ 是标准正态分布的 CDF，$\hat\gamma_3$ 是偏度，$\hat\gamma_4$ 是非超额约定下的峰度（正态分布 ⇒ $\hat\gamma_4 = 3$；如果这里直接代入超额峰度而不加 3，折损结果就会算错）。令 $SR^* = 0$，PSR 就只是一个有限样本显著性检验。真正的魔法在于把 $SR^*$ 选好。

Deflated Sharpe Ratio（DSR）就是把 PSR 的基准从零换成整次搜索的期望最大夏普比率后算出来的结果：

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

这里 $\operatorname{Var}[\{SR_n\}]$ 是全部 N 次试验夏普比率的方差（也就是搜索本身产生的离散程度），$\gamma \approx 0.5772$ 是欧拉-马歇罗尼常数，两个逆正态项则是对 $N$ 次标准正态抽取的期望最大值的极值理论（Extreme-Value-Theory）近似。写成代码短得都不够拿出来炫耀：

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))

然后 DSR 就只是用这个折损后的基准算出的 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 本身是一个概率。当 $\text{DSR} \geq 1 - \alpha = 0.95$ 时，我们宣布一次发现：赢家的真实夏普比率以 95% 的置信度超过了运气所能给出的最佳预期。注意 $SR_0$ 里埋着一个承重的假设：这 $N$ 次试验被当作相互独立。第 5 幕整节讲的就是当它们并不独立时会发生什么。

Harvey-Liu 折价法（2015）

Harvey 和 Liu 从多重检验 p 值修正的角度攻克同一个问题——这是那套经典机制的用武之地："我跑了 M 次检验，别让我自己骗自己"。把 $M$ 个单次检验 p 值排序为 $p_{(1)} \le \dots \le p_{(M)}$，然后把它们放大：

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

Bonferroni 是那件笨重的工具（把每个 p 值都乘以 $M$，控制任意假阳性的概率）；Holm 是它那个功效一致更高的降阶版本。第三种，Benjamini-Yekutieli（BHY），控制的是假发现率——你的拒绝结果里预期有多大比例是错的——而且关键在于，它在检验之间存在任意依赖关系的情况下依然成立，靠的是分子里的调和归一化项：

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

$c(1000) = 7.49$ 这个数，就是 BHY 为了不去假设你那 1,000 次试验相互独立所付出的代价——它把 FDR 阈值放大了一个按 $\ln M$ 增长的倍数。"折价"本身才是那个点睛的指标：把修正后的 p 值换算回夏普比率，报告出你不得不从原始夏普比率里削掉多少。折价 100% 意味着赢家完全可以用多重检验来解释；15% 意味着它基本上还站得住。

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

第三种工具完全不做任何分布假设。White 的 Reality Check 拿每条规则的真实收益，构造出规则间取最大值的统计量，然后直接对它的零假设分布做自助法：

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

这里 $\bar{f}_k$ 是规则 $k$ 相对基准的平均表现。它用平稳自助法（Politis-Romano——随机长度的分块，让序列相关性在重采样中得以保留）对收益重采样，把每次抽取重新居中，使其按构造满足零假设，在每次抽取上重新计算最大值，并把 p 值报告为超过观测最大值的自助法最大值所占的比例。Hansen 的 SPA 从两个方向锐化了 RC：学生化（把每条规则的均值除以它自己的标准误，这样一条方差异常大的规则就没法劫持最大值）以及对零假设做一次一致的、依赖样本的重新居中。我们的实现加上了学生化，但没有做完整的一致重新居中步骤——所以本文中出现的任何 SPA 式p 值，都应读作学生化的 Reality Check，而不是完整的 Hansen SPA。DSR 问的是"这个赢家在这次搜索内部是不是特别？"，Reality Check 问的则是"在诚实地把我试过多少条规则算进去之后，最好的那条规则还能不能跑赢现金？"——而且它通过自助法天然地处理了规则之间的相关性，完全不需要去数试验次数。记住这个区别；最后一节就建立在它之上。

第 3 幕——校准就是全部的证明

一个什么都不宣布发现的方法，假发现率也会是零——但它毫无用处。所以，检验这些工具唯一有意义的方式是双面的：在已知零假设的数据上，它们必须把假发现率控制在 $\alpha$ 或以下；在已知优势的数据上（下一节），它们依然得能触发。本节讲的是前半部分。

跑 2,000 次独立搜索，每次都在 1,000 个零优势策略上进行，统计每种方法宣布发现的次数。这个次数除以 2,000，就是假发现率——而因为真相是没有优势，所以每一次"发现"都是假的：

每种有理论依据的方法都落在 5% 这条线上或附近——两个 FWER 折价法略高一点，DSR/BHY/RC 略低一点——而朴素检验则停在 100。（Bonferroni 和 Holm 在这里打印出一样的 0.057，这不是巧合：对于单一的最佳策略而言，Holm 的第一步是 $(M-1+1)\,p_{(1)} = M\,p_{(1)}$，按构造就和 Bonferroni 完全相同，所以这是同一个确认，而不是两个独立确认。）但整项研究里最深刻的数字不在这张表里——而是产出 DSR 那一列的折损基准。在各次零假设搜索上取平均，$SR_0$ 算出的单期值是 0.1030，年化后为 1.63（推算：$0.1030 \times \sqrt{252} \approx 1.63$）——正是噪声赢家平均报出的那同一个 1.63（1.63）。这不是巧合；这正是整个想法在起作用：

折损后的基准线，恰好就落在噪声上限上。 DSR 并不要求搜索赢家去打败零。它要求赢家打败单靠运气、从这个规模的搜索里所能拿到的最好成绩——这里就是年化 1.63。一个刚好打平噪声上限的赢家，DSR 得分 ≈ 0.5（跟抛硬币一样），这就是为什么零假设下的平均 DSR 是 0.495，而不是一个很小的数。要成为一次真正的发现，赢家必须打穿 1.63 而且还要多出不少——多到足以把 PSR 推过 0.95。

这重新定义了整件事。朴素检验衡量的是离零有多远；任何一次搜索都能轻而易举地跨过这道坎，这就是它没用的原因。DSR 衡量的是离噪声上限有多远，而跨过这道坎才是真正困难的——本来就该如此。Harvey-Liu 折价法和 Reality Check 走的是不同的路，却达到了同样的控制水平（BHY 用 $c(1000)=7.49$ 的放大系数，RC 用自助法给出的最大值分布），最终都落在同一个区间里：0.001 到 0.057，处在 $\alpha$ 或其附近。Bonferroni/Holm 的 0.057 比 5% 这条线略高一点点，但也就一点点：在 2,000 次蒙特卡洛搜索的规模下，FDR 估计值在 0.05 附近的标准误约为 0.005，所以 0.057 大约高出 $\alpha$ 1.4 个标准误——这是蒙特卡洛噪声，不是保证失灵。而且"控制 FWER"本来就是一个渐近意义上的承诺，在 $T = 1000$ 时并不是逐比特精确的。

第 4 幕——功效：它还留得住真实的优势吗？

控制假发现只是检验的一半——一个疑神疑鬼、什么都拒绝的方法能拿到满分 0.000，却毫无用处。另一半是：当真实优势确实存在时，DSR 找得到它吗？

植入一个优势试试。在 1,000 个策略组成的一片田地里，让其中 25 个带上强度已知的真实优势，其余留作噪声，然后跑搜索，看 DSR 会不会标出这个赢家。把植入的优势从弱到强扫一遍，检验功效画出一条干净的 S 形曲线（假阳性率全程维持在 ~0）：

看看曲线在哪里转折。低于噪声上限时——真实年化夏普比率 0.79，远低于 1.63——DSR 只有 0.5% 的时候会触发，正确地拒绝承认它：这么弱的优势，跟一次 1,000 次试验的搜索所产生的运气，真的分辨不出来，硬说能分辨出来，不是功效强，而是不诚实。刚过上限附近，曲线陡峭爬升（1.27 处 0.09，1.90 处 0.65）。到年化夏普比率 2.54 时，功效是 0.998；到 3.17 时是满分的 1.000。强优势基本每次都能被留住，假阳性率始终钉在零，而 50% 功效的交叉点落在年化夏普比率约 1.73 处（由 1.27 与 1.90 两行插值推算）——刚好高于 1.63 的噪声上限，正是一条诚实的基准线该落在的地方：优势开始跑赢一次 1,000 次试验的搜索所能凭空捏造出来的东西的那个点。

这才是你真正想要的性质，用 S 曲线来表述就是：噪声上限以下的优势被正确地判定为运气；舒舒服服高于上限的优势则以逼近一的功效被留住。 相比之下，朴素检验即便在真实夏普比率只有 0.79 时也能"检测"到 67% 的植入优势——但这个数字毫无意义，因为我们已经看到它对一个根本不存在的优势也能 100% 地"检测"到。一个什么都触发的检验没有功效可言；它没有任何区分能力。DSR 用一点点对边缘优势（0.79 和 1.27 那两行）的敏感度，换来了真正重要的东西：它给出的发现是真的。

第 5 幕——从业者的陷阱：相关网格

目前为止用的都是相互独立的策略——这是最干净的设定，也是 DSR 的独立性假设完全成立的那种设定。真实的参数网格可不是这样，而这正是一个工具一旦被天真地使用，就会变成一种新的犯错方式的地方。

拿一次诚实的移动平均线交叉搜索来说：16 种快线长度 $\times$ 40 种慢线长度 $= 640$ 次试验，每次 755 次观测。这样一个网格浸透了相关性——fast=45/slow=120 和 fast=45/slow=125 几乎是同一个策略，它们的收益序列会一起动。实测 640 次试验间的平均两两相关性：约 0.61。这可不是 640 次独立的赌注。差得远了。

案例 A——随机游走（无优势）：每种方法都正确地否决了它

在纯随机游走上跑这个网格。赢家看起来很诱人：参数 fast=45/slow=120，最佳年化夏普比率 0.81，单次检验 p 值 0.081。每种方法都识破了它：

先看这个根本不需要任何折损就露出破绽的信号：即便是这个赢家未经修正的有限样本显著性，也就是 $\text{PSR}$ 相对零的检验，也只有 0.918——在我们对 640 次试验中的哪怕一次做修正之前，就已经够不上 0.95 了。折损之后，它就彻底被埋了：基准是单期 $SR_0 = 0.057$，年化约 0.91（推算：$0.057 \times \sqrt{252}$）——高于赢家的 0.81。这个最佳策略连噪声上限都够不着，DSR ≈ 0.43（比抛硬币还差），而 Reality Check、SPA 式检验和 100% 的折价率全都一致：这里什么都没有。完美。这是简单的那个案例，而它奏效了——正如我们接下来会看到的，无论我们尝试哪个有效试验数，它都始终被否决。

案例 B——一个真实的状态优势：原始 DSR 判错了

现在在一个带有真实、可利用优势的状态切换序列上跑同一个网格。赢家的信号非常强烈：参数 fast=3/slow=55，最佳年化夏普比率 3.92——这是样本内、经过挑选的夏普比率，本身就被搜索的选择效应抬高了（不是一个真实或样本外的优势），但底层的状态效应是真实的——单次检验 p 值为 $6\times10^{-12}$，未折损的显著性 $\text{PSR}$ 相对零基本为 1.000。这里确实有一个真实的优势，赢家也找到了它。看看原始 DSR 还是照样否决了它：

原始 DSR 的 0.748 是对一个真实优势的假否决。原因就是独立性假设，这里被狠狠违反了：DSR 在构建折损基准时，把 640 次相关试验当成了 640 次独立抽取，这把期望最大值 $SR_0$ 抬高到了单期 0.221——年化约 3.51（推算：$0.221 \times \sqrt{252}$）。相对于 3.51 这道基准，赢家的 3.92 只是勉强越过，DSR 落在 0.748——够不上 0.95。有两个因素在把基准往上推：一是原始试验数（640 次"看"，而不是少数几次有效的），而且试验之间还存在真实的技巧离散——有些参数组合在状态序列上确实表现更好，这拓宽了 $\operatorname{Var}[\{SR_n\}]$，把 $SR_0$ 抬到了纯粹靠运气所能达到的水平之上。两个因素朝同一个方向发力，基准最终被推得太高，因为这次搜索从来就不是真正的 640 次独立"看"；它其实是少数几个独立的赌注，被重复采样了 640 次。

该给 DSR 喂的是有效试验数。上面用到的这个一行代码，是从平均两两相关性得出的一个粗略估计：

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，网格就坍缩成了有效 $N_{\text{eff}} \approx 1.6$ 次试验（推算：$640 / (1 + 639 \times 0.62)$），DSR 随之跳到 1.000。但先别急着为这个数字欢呼，因为它是本节全部证据里最弱的一个。在 $N_{\text{eff}} \approx 1.6$ 时，折损基准会坍缩成年化 $SR_0 \approx 0.25$——基本上就是试验均值，基本上等于零。这里的折损其实是被关掉了：$N_{\text{eff}} \approx 1.6$ 处的 DSR，不过是在重新报告赢家未经折损的有限样本显著性（$\text{PSR}$ 相对零 $= 1.000$）而已。这个结论是从原始显著性继承来的，而不是由多重检验修正产生的。随机游走那边也有一个对称的警示：它在 $N_{\text{eff}} \approx 1.6$ 处被否决，仅仅是因为那个赢家一开始独立来看就已经很勉强了（$\text{PSR}$ 相对零 $= 0.918 < 0.95$）。如果把整个论证都押在 1.6 这个数字上，一个怀疑者完全有理由耸耸肩：你只是把修正关掉了，然后报告了底下原本就有的东西。

所以不要把论证押在单一一种估计方法上。诚实的做法——也是更有说服力的做法——是用五种不同的标准方式计算 $N_{\text{eff}}$，然后通读整条区间上的结论。下面是把五种估计方法应用到同一个 640 次试验的信号网格上，各自对应的折损基准和产出的 DSR：

估计方法说明：平均相关性就是上面那个 $N/(1+(N-1)\bar\rho)$ 的一行公式；参与率 $(\sum\lambda_i)^2/\sum\lambda_i^2$ 以及 PCA-95%/Kaiser 计数，都是从相关矩阵的特征值中读出有效维度；Cheverud-Nyholt 是来自遗传学文献的一种特征值方差估计法，已知在接近等相关时会过度计数。

现在重点才真正落地，而这个重点并不是"随便什么修正都能救你"。看看那个站得住脚的中段——PCA-95%（$N_{\text{eff}} = 16$）和 Kaiser（$N_{\text{eff}} = 21$）。这两个不属于折损被关掉的那种情形；它们施加的是一道真实的年化 $SR_0$ 基准，1.85 到 2.00——一次实实在在的折价，远高于噪声，是对 16-21 次有效"看"的真正多重检验惩罚。而 3.92 这个优势依然跨了过去（DSR 1.000 和 0.999）。只要 $N_{\text{eff}}$ 低于 144.8（从交叉点推算），这个信号在任何估计下都能扛过 DSR；只有在 Cheverud-Nyholt 给出的 $N_{\text{eff}} = 370$ 下才会失败——而这个估计法在试验接近等相关时被证明会过度计数——即便是那个原始、未经修正的 640 计数，也只是把 DSR 压到 0.748，而不是压到零。把随机游走的赢家放进同样这五种估计法里跑一遍，它在每一种估计下都被否决（找不到任何一个高于 1 的 $N_{\text{eff}}$ 能让它活下来）。这才是真正的结果：不是靠一个幸运的数字，而是一个在整条标准有效试验数估计区间上都稳定的结论——这比只相信其中任何一个数字都要强得多。

关于那个最粗糙的估计法，还有一个技术性的警示，它解释了为什么这个估计法处在软弱的那一端：$N/(1+(N-1)\bar\rho)$ 本质上是相关变量均值的方差缩减因子（在相关性 $\bar\rho$ 下，取平均究竟能给你带来多少好处）。而 DSR 的基准是一个极值量——试验的期望最大值——所以拿一个均值方差收缩量当作试验数，在功能上是不匹配的：方向是对的（相关性越强 ⇒ 有效试验数越少），但它并不是最大值分布实际依赖的那个量。这正是为什么区间中段那些基于特征值的估计法读数更值得信赖，也正是为什么真正应该交付的是这整条区间，而不是某一个点。

教训：两种工具都要用，还要喂给 DSR 正确的 N

案例 B 得出两条结论，两条都承重：

1. 只要试验之间存在相关性，原始网格规模对 DSR 来说就是错误的 N——而单独任何一个有效 N 也都不是正确答案。 把 640 代入一个假设独立性的公式会过度折损：它捏造出一个远高于搜索实际达到的噪声上限，把真实优势埋在了它底下。DSR 需要的是有效试验数——但修正的办法不是去相信某一个估计法（尤其不是那个最粗糙的、在 $N_{\text{eff}} = 2$ 附近就把修正关掉了的那个）。而是要通读整条标准估计法组成的区间（这里是 1.6 到 370），看看结论是否稳定。对这个优势而言，结论是稳定的：在折损真正起作用的每一处都被保留下来（在 $N_{\text{eff}} = 16$-$21$ 处有一道真实的年化 1.85-2.00 基准），只在一种会过度计数的估计法下才失败。一个在整条区间上都稳定的结论，比任何单一数字都要有说服力得多。
2. 把 DSR 和 Reality Check 配对使用。 注意到 Reality Check 及其 SPA 式（学生化）表亲，完全没有对试验数动任何手术，就在案例 B 上判对了（p = 0.0024 和 0.0038）——它们通过平稳自助法天然地处理了依赖关系，因为它们重采样的是真实的、相关的收益序列，而不是去数假想中的独立赌注数量。这就是整个有效 N 乱局的裁决者：RC 根本不需要 $N$。DSR 和 RC 回答的是不同的问题：DSR 问的是"这个赢家在这次搜索内部是不是特别？"（需要知道这次搜索到底进行了多少次有效的"看"）；RC/SPA 式问的是"数据窥探之后，最好的那条规则还能不能跑赢现金？"（并直接从数据本身读出依赖关系）。这两个你都需要。当它们意见不一致时——就像这里原始计数的 DSR 和 RC 那样——这种分歧本身就是诊断信号：它通常意味着你的 $N$ 错了。

这和我们的速度阶梯与IPC 税两项研究从工程一侧不断撞上的，是同一个结构性警示——一次跑了巨大相关网格的快速搜索，并不能给你买来数量巨大的独立赌注，把网格规模当成试验数会同时骗过你的优化器和你的显著性检验。即将发布的姊妹篇回测过拟合概率从重采样一侧（CSCV）攻击的是同一种选择偏差，也和这里的一切自然配对：DSR 给赢家定价，PBO 给流程定价。

诚实说明

三条直白说出来的警示，因为一项受控研究的全部意义，就在于不要把它过度包装。

• 这些收益是合成的。 校准和功效实验用的是独立同分布正态分布，真实优势案例用的是状态切换过程——这么选是为了受控的真实基准，不是为了贴近真实市场。真实收益是肥尾的、自相关的、非平稳的，而 PSR 的偏度/峰度项，存在的目的正是为了处理这三者中的第一个。这里交付的是经过校准的方法，而不是一个策略：我们只能通过在一份已知什么都没有可发现的数据上运行一个检验，来证明它确实控制了假发现。而这就需要人为构造出真实基准。
• 没有哪种有效 N 估计法是权威标准——这正是我们报告了五种的原因。 平均相关性那个一行公式 $N_{\text{eff}} = N/(1 + (N-1)\bar\rho)$ 便于审阅者理解，方向也是对的（相关性越强 ⇒ 有效试验数越少），但它是均值的方差缩减因子——在功能上与 DSR 的最大值基准不匹配——而且在 $N_{\text{eff}} < 2$ 附近会把折损完全关掉。基于特征值的估计法（参与率、PCA-95%、Kaiser）匹配得更好，但依然是启发式的，而 Cheverud-Nyholt 在等相关下会过度计数。更完整、更有理论依据的做法是试验聚类（Bailey & López de Prado 的 DSR 附录 3）：按相关结构对试验分组，数聚类数而不是把一切都坍缩成一个标量。我们报告整条区间，正是因为这个选择本身还没有定论——一个在全部五种估计法下都稳定的结论才是诚实的主张；一个依赖于挑选某一种估计法的结论则不是。
• 这里的自助法是学生化的 Reality Check，不是完整的 Hansen SPA，而且不同实验的重采样次数不一样。 本文中出现的"SPA 式"，指的都是带有逐规则学生化的 White's Reality Check；Hansen 那套完整的一致、依赖样本的重新居中并没有实现。校准实验的假发现率，用的是 400 次搜索、每次搜索 500 次平稳自助法重采样；两个案例研究里的 RC/SPA 式 p 值，各自用了 5,000 次重采样。平均分块长度全程为 20（Politis-Romano），$\alpha = 0.05$，年化按每年 252 个周期计算。改变这些设置，小数点第三位的数字会变；但故事本身——朴素检验的 1.000 对上有理论依据方法的 0.001-0.057、一条恰好在噪声上限之上就达到 50% 功效的 S 曲线，以及一个相关网格陷阱，其结论必须通读整条有效 N 区间——不会变。

要点总结

1. 参数搜索是一台多重检验机器，而朴素显著性检验对此视而不见。 在 1,000 个零优势策略上，最佳年化夏普比率平均为 1.63，单次检验 p 值中位数为 0.000686——而"这显著吗？"这个检验100% 的时候都会宣布发现（假发现率 1.000）。一个凭空而来的漂亮夏普比率，被一个从一开始就问错了问题的检验，认证为"显著"。
2. Deflated Sharpe Ratio 把球门从零挪到了噪声上限。 DSR 拿赢家去比的不是零，而是 $SR_0$——这个规模的搜索靠运气所能拿到的最佳预期——在零假设情形下年化落在 1.63，正好就是噪声赢家平均所在的位置（推算：$0.1030 \times \sqrt{252}$）。它在零假设下的假发现率是 0.001；Harvey-Liu 折价法（Bonferroni/Holm 0.057，BHY 0.007）和 White's Reality Check（0.022）走的是另外的路，却达到了同样的控制水平。
3. 它留得住真实的优势。 DSR 的检验功效画出一条 S 曲线，在年化夏普比率约 1.73 处达到 50% 功效——刚好高于 1.63 的噪声上限：真实年化夏普比率 0.79 处为 0.005，1.90 处为 0.651，2.54 处为 0.998，3.17 处为 1.000，假阳性率全程 ~0。上限以下的优势被正确地判定为和运气无法区分；上限以上的优势则以逼近一的功效被留住。
4. 相关网格会打垮原始 DSR——救它的不是某一个有效 N，而是整条区间。 在一个 640 格的移动平均线交叉网格上（平均两两相关性约 0.61），原始计数的 DSR 假否决了一个真实的（样本内挑选出来的、年化 3.92）优势（0.748 < 0.95），原因是 640 次相关试验并不是 640 次独立赌注。但修正的办法不是找出一个神奇的 $N_{\text{eff}}$——在最粗糙的估计下（$N_{\text{eff}} \approx 1.6$），折损基本被关掉了（基准约年化 0.25），DSR 只是在附和原始显著性。真正的证据在于，这个优势在整条标准估计法的区间上都被保留——在 $N_{\text{eff}} =$ 1.6/2.4/16/21 处 DSR 分别为 1.000/1.000/1.000/0.999，其中包括在站得住脚的 PCA-95%/Kaiser 中段处一道真实的年化 1.85-2.00 基准——只要 $N_{\text{eff}} < 145$ 就能存活，只在 Cheverud-Nyholt 那个过度计数的 370 下才失败。随机游走则在每一种估计法下都被否决。要读整条区间，而不是某一个点。
5. 把 DSR 和 Reality Check 配对使用，因为它们回答的是不同的问题。 Reality Check 及其 SPA 式（学生化）表亲，没有对试验数动任何手术，就确认了这个真实优势（p = 0.0024 和 0.0038）——它们通过平稳自助法天然地处理了依赖关系，而这恰恰是当有效 N 存在争议时的裁决者。DSR 问的是"这个赢家在这次搜索内部是不是特别？"；RC/SPA 式问的是"数据窥探之后，最好的那个还能不能跑赢现金？"两者之间的分歧，就是你的 $N$ 错了的信号。两个都要跑。

搜索的赢家在被证明清白之前，都是有罪的。朴素 p 值并不能证明清白——它是搜索自己那份被虚高了的证词，它会以十二个零的信心，为纯噪声担保。把基准折损到运气所能给出的水平，诚实地数出你的有效试验数，再用自助法对最大值求一个第二意见。能同时跨过这三道坎的，也许才是真的。只跨过朴素那一道坎的，不过是一千个抛硬币的人里最高的那一个。

完整的实验——零假设校准框架、植入优势的功效扫描、相关网格搜索，以及本文中每一个都能从同一个确定性脚本重新生成的数字——都收录在配套论文中，见 deflated-sharpe.marketmaker.cc，代码与数据见 github.com/suenot/deflated-sharpe-search。