去膨胀夏普比率：完整推导

如果你测试了 100 个策略，最好的那个一定会因为运气而得到更高的夏普。去膨胀夏普比率（DSR）告诉你，这种抬高有多少，以及在考虑了这部分膨胀后，你报告的夏普是否仍有统计意义。

本文从基础公式开始推导 DSR。我们先在真实优势为零的原假设下构造期望最大夏普，再推导 Euler-Mascheroni 修正，最后得到完整的 DSR 公式。看完后，你会明白：在 50 次试验中得到夏普 2.0，大致相当于只做一次试验得到夏普 1.3。你也能为实际做过的任意试验次数算出膨胀因子。

设定

你做了 $m$ 次相互独立的试验。每次试验都是一个有自己收益率序列的策略回测。设第 $i$ 次试验观察到的夏普为 $\widehat{SR}_i$，其中 $i = 1, \ldots, m$。你会选出 $\widehat{SR}_i$ 最大的那个试验来部署。

在每次试验的真实夏普都是 $SR = 0$ 的原假设下，各个 $\widehat{SR}_i$ 是来自以 0 为中心、标准差为 $1/\sqrt{T}$ 的独立同分布样本（年化后为 $1/\sqrt{T} \cdot \sqrt{f}$）。这 $m$ 个样本的最大值，其期望会按 $\sqrt{2 \log m}$ 增长。

问题是：这个期望最大值，和你报告的夏普相比怎么样？如果你的夏普还低于期望最大值，那么它甚至算不上特别。它只是一个普通的失败者，只是碰巧在一群更差的结果里排第一。

DSR 的做法，就是把期望最大值放进 PSR 公式里作为基准。

$m$ 个高斯样本的期望最大值

假设 $\widehat{SR}_i \sim \mathcal{N}(0, \sigma_{SR}^2)$，且对 $i = 1, \ldots, m$ 相互独立同分布。我们要计算 $E[\max_i \widehat{SR}_i]$。

先看最大值的累积分布函数。如果单个样本的 CDF 是 $F$，那么最大值的 CDF 为 $F_{\max}(x) = F(x)^m$，PDF 为 $f_{\max}(x) = m F(x)^{m-1} f(x)$。

期望值是：

对标准正态分布来说，这个积分没有闭式解，但有一个很有用的渐近展开。定义：

当 $m \to \infty$ 时：

这是经典的 Gumbel 近似。第一项 $\sqrt{2 \log m}$ 是 Gumbel 众数。第二项是 Euler-Mascheroni 修正，按 $1/\sqrt{2 \log m}$ 缩放。

Euler-Mascheroni 常数 $\gamma \approx 0.5772$ 没有直接出现在这里，但它藏在 Gumbel 分布的渐近展开里。真正出现的常数是 $\log(4\pi) \approx 2.531$。实际使用时，$E[\max] \approx \sigma_{SR} \cdot \sqrt{2 \log m}$ 在 $m \ge 10$ 时的误差在 5% 以内。

为什么 $\sqrt{2 \log m}$ 这一项重要

当 $m = 10$ 时，$\sqrt{2 \log 10} = \sqrt{4.605} = 2.146$。所以 10 个真实夏普为零的试验，其期望最大值大约是 $2.15 \sigma_{SR}$。如果 $\sigma_{SR}$ 年化后为 0.45（典型的 5 年日频回测），期望最大值大约是 0.97。

所以，如果你做了 10 次试验，最好的夏普是 1.0，这正是噪声会产生的结果。没什么特别的。

当 $m = 100$ 时，$\sqrt{2 \log 100} = \sqrt{9.21} = 3.035$。期望最大值：$3.035 \cdot 0.45 = 1.37$。

当 $m = 1000$ 时，$\sqrt{2 \log 1000} = \sqrt{13.82} = 3.717$。期望最大值：$3.717 \cdot 0.45 = 1.67$。

真正危险的是这种对数增长。从 10 次试验增加到 1000 次，期望最大值只增加了 70%，但试验次数增加了 100 倍。直觉是：大多数试验都远低于最大值。最大值是最极端的样本，而高斯尾部里最极端的样本，随样本量增长得很慢。

DSR 公式

现在我们已经有了原假设下的期望最大值。把它作为基准代入 PSR：

其中，$\overline{SR^*}$ 是原假设下的期望最大夏普。使用 Gumbel 近似：

在实务中，AFML / Bailey-López de Prado 的简化形式会省略第二项：

等等，这个形式其实也不太对。Bailey、Borwein、López de Prado 和 Zhu（2014）原始论文里最干净的形式是：

其中 $\gamma$ 是 Euler-Mascheroni 常数（$\gamma \approx 0.5772$），$e$ 是 Euler 数。这个公式来自 Gumbel 分布的 Cornish-Fisher 展开，精确到二阶。更简单的 $\sqrt{2 \log m}$ 形式是首阶 Gumbel 近似。

等等，这个公式似乎也和标准参考文献对不上。我们把它理清楚。

Bailey、Borwein、López de Prado 和 Zhu 在 2014 年的原始论文《The Deflated Sharpe Ratio》中，把 $m$ 个独立同分布标准正态样本的期望最大值写成：

这才是精确形式。$\gamma$ 是 Euler-Mascheroni 常数，$1/(me)$ 是典型的 Euler-Mascheroni 平移。这一结果是精确到二阶的 Gumbel 近似。当 $m \ge 10$ 时，它基本上可以视为精确值。

乘以 $\sigma_{SR}$，得到原假设下的期望最大夏普：

于是 DSR 为：

这就是完整的 DSR 公式。下面逐项解释它的作用，以及拿到这个结果后该怎么做。

两个 Gumbel 项

表达式 $(1 - \gamma) \Phi^{-1}(1 - 1/m) + \gamma \Phi^{-1}(1 - 1/(me))$ 混合了两个次序统计量。第一个 $\Phi^{-1}(1 - 1/m)$ 是水平为 $1 - 1/m$ 的分位数。$m = 100$ 时，它是 $\Phi^{-1}(0.99) = 2.326$。第二个 $\Phi^{-1}(1 - 1/(me))$ 是水平为 $1 - 1/(me)$ 的分位数。$m = 100$ 时，它是 $\Phi^{-1}(1 - 1/271.8) = \Phi^{-1}(0.9963) = 2.698$。

用 $1 - \gamma \approx 0.4228$ 和 $\gamma \approx 0.5772$ 加权：

和简单形式 $\sqrt{2 \log m} = \sqrt{2 \cdot 4.605} = 3.035$ 比较。完整公式给出 2.541，简单公式给出 3.035。完整公式更准确；当 $m = 100$ 时，简单公式把期望最大值高估了大约 19%。

当 $m$ 更大时，两者会靠近。$m = 1000$ 时，$\sqrt{2 \log 1000} = 3.717$。完整公式给出：

• $\Phi^{-1}(0.999) = 3.090$，$\Phi^{-1}(1 - 1/2718) = \Phi^{-1}(0.99963) = 3.229$
• $$0.4228 \cdot 3.090 + 0.5772 \cdot 3.229 = 1.307 + 1.864 = 3.171$$

差距仍然是 17%。简单公式一直会高估。报告 DSR 时，使用完整公式。

完整例子

假设你测试了 $m = 50$ 个策略，每个策略都有 5 年日频数据（$T = 1260$，$f = 252$）。观察到的最大夏普是年化 $\widehat{SR} = 1.8$。为简单起见，假设收益率服从高斯分布，因此 $\gamma_3 = 0$、$\gamma_4 = 3$。

第一步：计算夏普标准误：

所以 $\sigma_{SR,annual} = 0.724$。

第二步：计算原假设下的期望最大夏普：

$\overline{SR^*} = 0.724 \cdot \left((1 - 0.5772) \Phi^{-1}(1 - 1/50) + 0.5772 \Phi^{-1}(1 - 1/(50 \cdot 2.718))\right)$ $= 0.724 \cdot (0.4228 \cdot 2.054 + 0.5772 \cdot 2.420)$ $= 0.724 \cdot (0.868 + 1.397)$ $= 0.724 \cdot 2.265 = 1.640$

所以，在原假设下，50 次试验里最好的结果，其期望夏普是 1.64。你报告的夏普是 1.80。两者差距为 0.16，约等于 $\sigma_{SR}$ 的 0.22 倍。

第三步：计算 DSR：

因此 DSR 是 0.587。这意味着：在真实夏普等于或低于原假设期望最大值的前提下，你的数据产生至少这么极端的夏普的概率是 58.7%。按任何常见标准，它都不显著。

在 50 次试验中得到夏普 1.8，并不特别。如果你只做了一次试验就得到夏普 1.8，相对于基准 0 的 PSR 会是 $\Phi(1.8/0.724) = \Phi(2.49) = 0.994$，看起来很显著。DSR 修正了这一点，说明多重检验造成的 haircut 确实存在。

膨胀因子

有一个实用的诊断量：膨胀因子是 $\overline{SR^*} / \widehat{SR}$。如果它接近 1，说明你的夏普很稳健。如果它大于 0.8，说明夏普处在边缘。如果它超过 1，说明报告出来的夏普还低于噪声能产生的结果。

上面的例子中：$1.64 / 1.80 = 0.91$，处在边缘。

对 100 次试验和夏普 2.0：

• $\sigma_{SR,annual}$ 类似，取 0.72。
• $\overline{SR^*} = 0.72 \cdot 2.541 = 1.83$。
• 膨胀因子：$1.83 / 2.0 = 0.915$。

还是处在边缘。要把膨胀因子降到 0.5 以下，要么需要更多低噪声试验，也就是更多年的数据，要么需要高得多的观察夏普。假设做了 1000 次试验，夏普为 3.0：

• $\overline{SR^*} = 0.72 \cdot 3.171 = 2.28$。
• 膨胀因子：$2.28 / 3.0 = 0.76$。

即使夏普达到 3.0，膨胀因子仍然是 0.76。想过线，要么夏普远高于 3.0，要么 $\sigma_{SR}$ 远低于 0.72。两者都需要更多数据。

DSR 如何看待策略选择

DSR 用一个数字概括了多重检验问题。DSR 高，说明你报告的夏普不太可能只是 $m$ 个零夏普试验中最大的那个。DSR 低，说明你的夏普正是随机选择会产生的结果。

一个常见误解是：DSR 就是“你的夏普是真的概率”。不是。DSR 表示，在真实夏普等于原假设下期望最大值的原假设中，观测到至少和当前结果一样极端的夏普的概率。它是原假设分布上尾部的一个类似 p 值的量，只是通过正态 CDF 写成了概率。

DSR 不会告诉你策略有优势。它只告诉你，策略报告的夏普能否和 $m$ 个零夏普试验产生的结果区分开。这是两件不同的事。

什么时候必须用 DSR

以下情况需要 DSR：

1. 你搜索了一个假设空间，并选出最好的候选。
2. 对同一个信号测试了多组参数。
3. 在同一份数据上回测了多个信号，然后选最好的一个。
4. 评估了多个时间区间，并报告表现最好的那个。

以下情况对 DSR 的要求没那么高：

1. 你只有一个事先确定的策略，没有搜索参数。
2. 你只做了样本外测试，没有样本内优化。
3. 你是在报告研究结果，而不是选策略部署。

即便是第一种情况，DSR 也有参考价值：它能告诉你，单次试验在这份数据上靠运气大概能产生多高的夏普。

import numpy as np
from scipy.stats import norm

def expected_max_sharpe_null(sigma_sr, m):
    """Expected maximum Sharpe under null of zero true edge, m trials."""
    gamma = 0.5772156649
    q1 = norm.ppf(1 - 1.0/m)
    q2 = norm.ppf(1 - 1.0/(m * np.e))
    return sigma_sr * ((1 - gamma) * q1 + gamma * q2)

def deflated_sharpe(sr_hat, sigma_sr, m):
    """Compute the Deflated Sharpe Ratio."""
    sr_star = expected_max_sharpe_null(sigma_sr, m)
    return norm.cdf((sr_hat - sr_star) / sigma_sr)

# Worked example
T, f, m = 1260, 252, 50
sr_observed = 1.8
sigma_sr = np.sqrt((1 + sr_observed**2 / 2) / (T - 1) * f)

dsr = deflated_sharpe(sr_observed, sigma_sr, m)
print(f"DSR: {dsr:.4f}")
print(f"Inflation factor: {expected_max_sharpe_null(sigma_sr, m) / sr_observed:.3f}")

归根结底

当你搜索了很多策略，并选出表现最好的那个时，DSR 是最有用的单一统计量。若 DSR 低于 0.5，数据无法把你的策略和搜索噪声区分开。若 DSR 高于 0.95，你就有理由认为，在试验次数给定的情况下，你的夏普确实不寻常。

DSR 验证的不是策略，而是选择过程。这样理解才准确。

隐藏变量：试验的独立性

DSR 假设 $m$ 次试验相互独立。这是一个很强的假设。实践中，量化策略通常相关：两个都交易 SPY 的动量策略，相关性可能达到 95%。它们不能算作独立试验。

相关性对 DSR 的影响是：如果 $m$ 次试验正相关，有效独立试验数就少于 $m$。原假设下的期望最大夏普会低于 DSR 假定的值。因此，在存在正相关时，DSR 会偏保守。

如果 100 次试验的相关性为 95%（实际等效于 5 次独立试验），DSR 仍然会把它们当作 100 次。100 次试验的期望最大值大于 5 次试验，所以 DSR 会过度修正。考虑依赖关系后的真实 DSR 应该更高。

如果想得到修正依赖后的 DSR，需要计算 $m$ 个相关样本的期望最大值。这个问题没有闭式解。本模块后面介绍的基于 Bootstrap 的 PBO，会自动处理依赖关系。

实际使用时，把 DSR 当作保守诊断。如果 DSR 超过 0.95，即使在保守假设下策略也有意义。如果 DSR 低于 0.5，任何依赖修正都救不了它。

DSR 与最短回测长度的关系

DSR 和 MBL 是连在一起的。要让 DSR 超过 $1 - \alpha$，观察到的夏普必须以足够的幅度超过原假设下的期望最大值：

夏普差距 $\widehat{SR} - \overline{SR^*}$ 取决于 $T$，因为 $\sigma_{SR} \propto 1/\sqrt{T}$。如果夏普差距和置信水平固定，就可以反解出最小 $T$，这就是 MBL。

本模块的 MBL 公式，本质上就是把 DSR 公式重新排列。两个诊断从不同角度回答同一个问题：DSR 给定 $T$，计算概率；MBL 给定概率，反解 $T$。

非零基准下的 DSR

DSR 使用 $\overline{SR^*}$ 作为基准，它是零真实夏普原假设下的期望最大值。也可以使用非零基准 $\overline{SR}_b$ 计算 DSR：

其中，$\overline{SR}_b$ 是真实夏普等于 $SR_b$ 的原假设下的期望最大夏普。当 $SR_b = 0$ 时，它就退化为标准 DSR。

对非零基准，期望最大值很难写出闭式解。标准做法是 Bootstrap：从均值为 $SR_b$ 的分布中模拟 $m$ 个样本，计算期望最大值，然后把它当作基准。

实际使用时，零基准 DSR 通常已经够用。它回答“你的夏普能否和噪声产生的结果区分开？”非零基准回答“你的夏普能否和 $SR_b$ 区分开？”这两个问题不同。

选出多个策略时的 DSR

如果你要选出前 $k$ 个策略，而不是只选一个最好的，DSR 可以推广为：

这个量更难计算。各事件并不独立，因为前 $k$ 个策略本来就是按排序选出来的，天然相关。一个简单的 Bonferroni 风格修正是：

当 $DSR = 0.9$、$k = 5$ 时：$DSR_5 \approx 1 - 0.1^5 = 0.99999$。也就是说，如果最好的策略 DSR 是 0.9，那么前 5 个策略中至少有一个真实夏普超过基准的概率几乎为 1。

但这是看待多个策略的错误方式。你不想知道“至少有一个好的概率”，而是想知道被选中的那个是否好的概率。对最优策略计算 DSR 才是正确诊断。选前 $k$ 个时，应分别对每个策略计算 DSR。

DSR 的时间序列特征

DSR 通常在回测结束时计算一次，是一个时点诊断。随着新数据到来，策略的 DSR 会改变：

• 收益率持续为正的策略，DSR 会随时间上升，因为夏普的估计会越来越精确。
• 均值回归收益率的策略，早期收益回归均值后，DSR 会下降。
• 依赖市场状态的策略，会随着状态改变而让 DSR 波动。

策略要长期维持高 DSR，就必须持续保持正夏普。DSR 随时间衰减，说明最初的夏普可能是运气抬高的。

一种常见的研究工作流是：在回测的多个时点计算 DSR，也就是滚动 DSR。整个回测期间都保持 DSR 高于 0.9 的策略，比只在最后一个时点高于 0.9 的策略更可信。

贝叶斯 DSR

频率学派的 DSR 是一个类似 p 值的统计量。贝叶斯版本则对夏普使用先验，计算真实夏普超过基准的后验概率：

对于高斯先验 $p(SR) = \mathcal{N}(\mu_0, \sigma_0^2)$，这个积分有闭式解。对非信息先验，贝叶斯 DSR 会收敛到频率学派 DSR。

实践中，先验的选择很重要。怀疑型先验（$\mu_0 = 0$、$\sigma_0 = 0.5$）会把后验向更低的夏普拉回。乐观型先验（$\mu_0 = 1$、$\sigma_0 = 1$）会把后验向更高的值推。贝叶斯 DSR 是个人立场的表达；频率学派 DSR 不是。

对量化研究来说，频率学派 DSR 通常够用。只有在你想加入对策略类别的先验判断时，贝叶斯版本才有用。比如：“我们所有策略的夏普都在 [0.3, 1.5] 之间。”

DSR 与策略生命周期

DSR 在策略生命周期的几个节点上最有用：

1. 回测之后：报告的夏普，能否和搜索过程靠运气产生的结果区分开？
2. 模拟交易之前：策略是否过了多重检验这一关？
3. 实盘部署之前：策略是否已经准备好接入资本？
4. 实盘部署期间：随着新数据到来，持续跟踪 DSR。DSR 衰减可能表示策略正在失去优势。

对于第 1 点，DSR 是标准检查。对于第 2 和第 3 点，DSR 只是多个输入之一，还要看容量、状态稳定性和执行。对于第 4 点，DSR 是监控工具。

最常见的 DSR 误用是：回测结束后算一次，看到数值很高，就认为策略已经验证。DSR 是必要条件，但不是充分条件。其他诊断（Haircut Sharpe、MBL、PBO）也必须通过。

常见的 DSR 错误

以下五种错误要避免：

错误 1：对非高斯收益率使用高斯假设。 对有偏度或超额峰度的策略，夏普标准误必须包括 $\gamma_3$ 和 $\gamma_4$ 修正。否则 DSR 会有偏。

错误 2：把 DSR 当成夏普估计值。 DSR 是概率，不是夏普。DSR 为 0.95，不表示你的夏普是真实夏普的 0.95 倍，而是表示在原假设下超过基准的概率为 95%。

错误 3：单次试验也使用 DSR。 如果你只运行了一个策略，DSR 就退化成 PSR（$\overline{SR^*} = 0$）。这时用 PSR 就好。

错误 4：使用错误的频率计算 DSR。 夏普和标准误必须使用相同的频率单位（日频或年化）。混用会得到毫无意义的结果。

错误 5：忽略依赖关系。 DSR 假设试验相互独立。相关试验的有效 $m$ 更小。正相关下 DSR 是保守的，解释结果时要把这点考虑进去。

归根结底的归根结底

当你搜索了很多策略并选出最好的那个时，DSR 是正确的诊断工具。它告诉你这个选择在统计上是否有意义，但不会告诉你策略能否在生产环境中奏效。

更诚实的说法是：DSR 是回测诊断。它验证的是样本内选择，不是实盘表现。实盘表现还需要额外分析，比如 PBO、容量估计和状态检验，这些不是 DSR 能提供的。

如果在认真回测、合理假设的前提下，DSR 仍然高于 0.95，说明策略过了多重检验这一关。这是真实信息，但不是未来表现的保证。

参考文献

• Bailey, D. H., Borwein, J., López de Prado, M., and Zhu, Q. J. (2014). “The Deflated Sharpe Ratio: Correcting for Selection Bias, Non-Normality, and Multiple Testing.” Journal of Portfolio Management, 40(5), 94–107。主要参考文献。
• López de Prado, M. (2018). Advances in Financial Machine Learning, §14.7.3. Wiley. ISBN 978-1-119-48208-6。Python 实现。
• Gumbel, E. J. (1958). Statistics of Extremes. Columbia University Press。公式所依据的渐近极值理论。