如果有人告诉你他的量化策略夏普比率达到 0.86，年化收益 14.6%，你会心动吗？

最近读到一篇有趣的实验文章。作者用 Python 构建了一个回测系统，生成了 1000 个完全基于「噪声」的交易策略，结果最好的那个看起来居然像模像样。这个实验揭示了量化研究中一个非常容易被忽视的陷阱 —— 选择偏差（Selection Bias）。

对于学习 Python、对量化感兴趣的小伙伴来说，这个实验非常值得了解。本文带你一起看看作者是怎么做的，并用 Python 复现核心思想。

实验设计

作者搭建了一个完整的回测流水线，主要参数如下：

• • 候选策略数量：1000 个，全部基于噪声、弱信号或打乱后的数据
• • 股票池：标普 500 中的 101 只大盘股
• • 数据周期：2010 年到 2023 年（来源 Yahoo Finance）
• • 调仓频率：每周再平衡，等权重持有前 30 只
• • 交易成本：10 bps 手续费 + 5 bps 滑点
• • 样本内：2010—2019；样本外：2020—2023

关键设计：这些信号本来就不应该有效。实验目的不是找到好策略，而是看看从一堆噪声里「挑出最好的」会有多么误导人。

让人冷汗直流的结果

1. 中位数夏普 0.67，最高 0.86

1000 个策略里，73 个夏普超过 0.75，但全部都是噪声！更可怕的是，中位数信息比率（相对 SPY）是 -0.37，说明所谓的「收益」基本都是市场 Beta，和策略本身没关系。

2. Best-of-N 陷阱

这是最核心的发现。当你测试的策略数 N 越大，「最佳夏普」就会机械性地升高：

测试数量 N最佳夏普中位数100.7511000.80810000.862

策略本身没变好，你只是搜索得更狠了而已。

3. 样本外性能崩盘

作者拿样本内排名前 20 的策略放到样本外去跑：

• • 样本内平均夏普：1.004
• • 样本外平均夏普：0.478
• • 平均退化 52.4%，无一例外全部下跌

4. 交易成本吃掉了 1/3 的收益

平均夏普被成本拉低 0.303，CAGR 被拉低 6.05 个百分点。

Python 代码案例

下面我们用 Python 简单复现「Best-of-N 陷阱」的核心思想，让大家直观感受一下：

import numpy as np
import matplotlib.pyplot as plt

# 设置随机种子，保证结果可复现
np.random.seed(42)

# 模拟 1000 个完全随机的「策略」
# 每个策略生成 10 年的日收益（约 2520 个交易日）
n_strategies = 1000
n_days = 252 * 10

# 生成纯随机收益（均值 0，年化波动 20%）
random_returns = np.random.normal(
    loc=0,
    scale=0.20 / np.sqrt(252),
    size=(n_strategies, n_days)
)

# 计算每个策略的年化夏普比率
def annual_sharpe(returns):
    """计算年化夏普比率"""
    mean_daily = returns.mean()
    std_daily = returns.std()
    return (mean_daily / std_daily) * np.sqrt(252)

# 计算所有策略的夏普
sharpes = np.array([annual_sharpe(r) for r in random_returns])

# 模拟 Best-of-N 现象
# 从 1000 个策略中随机抽取 N 个，看看「最佳夏普」如何变化
N_levels = [10, 50, 100, 250, 500, 1000]
n_simulations = 2000  # 蒙特卡洛模拟次数

print("【Best-of-N 选择偏差实验】")
print("=" * 40)
for N in N_levels:
    # 重复 2000 次，每次抽 N 个取最大值
    best_values = []
    for _ in range(n_simulations):
        sample = np.random.choice(sharpes, size=N, replace=False)
        best_values.append(sample.max())
    # 输出平均最佳夏普
    print(f"测试 {N:>4d} 个策略 -> 最佳夏普均值：{np.mean(best_values):.3f}")

# 绘制夏普分布直方图
plt.figure(figsize=(10, 5))
plt.hist(sharpes, bins=50, color='skyblue', edgecolor='black')
plt.axvline(np.median(sharpes), color='red', linestyle='--',
            label=f'中位数：{np.median(sharpes):.2f}')
plt.axvline(np.max(sharpes), color='green', linestyle='--',
            label=f'最大值：{np.max(sharpes):.2f}')
plt.xlabel('年化夏普比率')
plt.ylabel('策略数量')
plt.title('1000 个纯噪声策略的夏普分布')
plt.legend()
plt.tight_layout()
plt.show()

运行后你会发现：测试的策略越多，「看起来最好」的那个就越漂亮，但本质上它们都是噪声。

给 Python 量化新手的几点启示

1. 1. 小心样本内表现：漂亮的回测曲线可能只是过拟合到了历史数据上的噪声。
2. 2. 关注信息比率（IR），而不只是夏普：长仓策略的夏普大部分来自市场 Beta，IR 才能反映真正的「Alpha」。
3. 3. 记录每一次尝试：测试了多少个参数、多少个变体，都要老老实实记下来。N 越大，幸存者偏差越严重。
4. 4. 务必做样本外验证：最好用 Walk-Forward 滚动验证，不要只切一刀。
5. 5. 永远不要忘记交易成本：实验中成本吃掉了 1/3 的收益，实盘只会更狠。
6. 6. survivorship bias（幸存者偏差）也要考虑：用当前的标普 500 成分股回测，本身就剔除了那些被踢出去的「失败者」。

总结

这个实验最有价值的不是某个具体策略，而是它用 1000 次实验告诉我们：当你在足够大的搜索空间里寻找「好结果」时，运气一定会给你一个看起来很美的答案。

对于刚入门 Python 量化的同学，与其追求一个夏普 1.0+ 的「圣杯策略」，不如先把回测框架的严谨性、样本外验证、交易成本建模这些基本功打扎实。好的研究流程比好的回测结果重要得多。

记住一句话：The numbers are real. The alpha isn't.（数字是真的，超额收益是假的。）

更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。