Haircut Sharpe：修正自相关

如果你的日收益率有 $\rho_1 = 0.10$ 的自相关，报告出来的夏普大约会比真实夏普高 20%。大多数量化策略都有正收益自相关：趋势跟踪、慢周期的均值回归，甚至某些做市策略。如果不修正，回测就会骗你。

本文从有效样本量开始推导 Haircut Sharpe 修正。我们先说明有效样本量，再计算 haircut 因子，最后说明收益率中的自相关如何转化成夏普比率的膨胀。

自相关问题

假设收益率 $r_t$ 平稳，均值为 $\mu$，方差为 $\sigma^2$，自相关函数为 $\rho_k = \text{Corr}(r_t, r_{t-k})$。如果 $\rho_1 > 0$（正自相关），相邻收益率会比较相似。样本均值 $\bar{r}$ 的方差为：

对独立收益率，$\rho_k = 0$（$k \ge 1$），于是恢复为 $\text{Var}(\bar{r}) = \sigma^2 / T$。对有自相关的收益率，方差会更大。括号中的因子是实际方差与独立同分布方差的比值。把它称为方差膨胀因子（VIF）：

当 $T$ 很大，且 $\rho_k$ 以 $\phi$ 的速率指数衰减（大致有 $\rho_k = \rho_1^k$）时，VIF 会接近 $1 / (1 - \rho_1)$。等等，这只对 AR(1) 过程成立。更准确地说，对系数为 $\phi$ 的 AR(1)：

所以：

当 $\phi = 0.1$ 时：$VIF = 1.1 / 0.9 = 1.222$。因此，10% 的 AR(1) 系数会让均值的方差增加 22%。

有效样本量

把有效样本量定义为：能产生相同方差的独立同分布样本量：

令两边相等：

对 AR(1) 收益率：

当 $\phi = 0.1$ 时：$T_{eff} \approx T \cdot 0.9 / 1.1 = 0.818 T$。所以 5 年日频数据（$T = 1260$）的有效样本量是 $1260 \cdot 0.818 = 1031$，大约相当于 4.1 年的独立数据。

夏普比率的分母是收益率标准差，不是均值标准误。到目前为止，我们只说明了自相关会让均值的标准误变大，还没有推导夏普本身该打多少 haircut。

推导夏普 Haircut

报告出来的夏普是 $\widehat{SR} = \bar{r} / \hat{\sigma}$。自相关也会影响标准差 $\hat{\sigma}$，但影响程度远小于对均值的影响。

对系数为 $\phi$、创新方差为 $\sigma_\epsilon^2$ 的 AR(1) 过程，$r_t$ 的无条件方差为：

样本方差 $\hat{\sigma}^2$ 会收敛到 $\sigma^2$。自相关会影响 $\sigma^2$ 的估计，但不会改变它的期望。因此在首阶近似下，$\hat{\sigma}$ 不会因为自相关而改变，但 $\bar{r}$ 的方差变大了，于是夏普估计会膨胀。

要推导 haircut，在大样本下工作。定义“真实”夏普为 $SR = \mu / \sigma$。报告夏普为 $\widehat{SR} = \bar{r} / \hat{\sigma}$。渐近地，$\widehat{SR}$ 依概率收敛到 $SR$，但在有限样本下，有自相关时分布会更分散。

具体来说：

$\widehat{SR}$ 的方差是：

Haircut Sharpe 是一个缩放，把有自相关的夏普映射到等效独立同分布夏普。如果你希望有效独立观测数是 $T_{eff}$ 而不是 $T$：

对 AR(1) 收益率：

当 $\phi = 0.1$ 时：$\sqrt{0.9 / 1.1} = \sqrt{0.818} = 0.904$。所以报告夏普 2.0 会变成 Haircut Sharpe 1.81，减少约 10%。

当 $\phi = 0.2$ 时：$\sqrt{0.8 / 1.2} = \sqrt{0.667} = 0.816$。报告夏普 2.0 会变成 1.63。

当 $\phi = -0.1$（负自相关，均值回归）时：$\sqrt{1.1/0.9} = 1.105$。haircut 因子大于 1，说明报告出来的夏普反而低估了真实优势。均值回归策略会从自相关中受益：它的有效样本量大于名义样本量。

AFML / Lo（2002）形式

Haircut Sharpe 最常引用的版本来自 Andrew Lo 2002 年的论文，并在 AFML 中重现。公式是：

第二个平方根会化简为 1，所以公式变成：

求和截断点 $K$ 很重要。实践中，你可以在 $\rho_k$ 变得无法在统计上与零区分时截断自相关函数，也可以使用 $K = \min(T/4, 50)$ 这样的经验规则。

有一个细节：Lo 公式使用的是 $1 + 2 \sum \rho_k$，而不是 $1 + 2 \sum (1 - k/T) \rho_k$。后者在有限 $T$ 时更准确，前者则是平稳过程在 $T \to \infty$ 时的极限。当 $T = 1260$ 且 $\rho_k$ 指数衰减时，两者差异很小。

估计自相关函数

实际问题是：回测中怎么估计 $\rho_k$？标准估计量是：

这是滞后 $k$ 的样本自相关。对几年日频收益率，前 20 个滞后通常可以较精确地估计。

一个常见错误是：直接使用 $\hat{\rho}_k$，不检验它是否显著偏离零。样本自相关的抽样波动并不小。对 $T = 1260$、真实 $\rho_1 = 0$ 的情况，$\hat{\rho}_1$ 的标准误约为 $1/\sqrt{T} \approx 0.028$。所以样本自相关 0.05 只能算勉强显著。如果你不加判断地把它放进 haircut，就会过度修正。

有两个实用修正。第一，使用 Bartlett 类型的置信区间，把统计上无法与零区分的自相关设为零。第二，拟合 AR(p) 模型，使用模型隐含的自相关函数，这样可以让估计更稳定。

AFML 的建议（第 14 章，Advances in Financial Machine Learning，ISBN 978-1-119-48208-6）是使用 Newey-West 类型的 HAC 估计量，直接得到均值的标准误，避免逐个滞后估计自相关函数。它的形式是：

其中 $w_k$ 是核权重（Bartlett 核：$w_k = 1 - k/(K+1)$）。得到的标准误已经考虑了自相关。Haircut Sharpe 于是是：

好，这个化简写得有点乱。重新清楚地写一遍：

Haircut Sharpe 是报告夏普乘以“收益率标准差与均值 HAC 标准误之比”，再乘以 $\sqrt{T}$：

所以，简单形式是对的。HAC 估计量只是给了你一个更稳健的 VIF 估计。

完整例子

考虑一个交易股指期货的趋势跟踪策略。收益率有 $\phi \approx 0.08$ 的轻微正自相关，这和动量信号缓慢衰减的特征一致。数据有 5 年：$T = 1260$。报告的年化夏普是 1.5。

第一步：计算 VIF：

第二步：计算 haircut 因子：

第三步：计算 Haircut Sharpe：

所以，报告夏普 1.5 会变成 Haircut Sharpe 1.39，减少约 7.7%。幅度不算大，但不能忽略。

对更激进的趋势跟踪策略，假设 $\phi = 0.15$：

减少 13.7%，幅度就明显了。

对 $\phi = -0.10$ 的均值回归统计套利策略：

均值回归策略得到了一个加成。haircut 因子大于 1，是因为负自相关让每次观测包含了更多独立信息。

import numpy as np
import pandas as pd

def haircut_sharpe(returns, max_lag=20):
    """Compute the Haircut Sharpe ratio adjusted for autocorrelation.
    Uses Bartlett kernel weights on the autocorrelation function."""
    T = len(returns)
    sr = returns.mean() / returns.std() * np.sqrt(252)
    
    # Compute autocorrelations
    acf = []
    for k in range(1, max_lag + 1):
        rho_k = np.corrcoef(returns[:-k], returns[k:])[0, 1]
        acf.append(rho_k)
    
    # Bartlett kernel VIF
    vif = 1.0
    for k, rho_k in enumerate(acf, start=1):
        weight = 1.0 - k / (max_lag + 1)
        vif += 2 * weight * rho_k
    
    return sr / np.sqrt(vif)

# Example
np.random.seed(42)
phi = 0.08
eps = np.random.normal(0, 0.01, 1260)
returns = np.zeros(1260)
for t in range(1, 1260):
    returns[t] = phi * returns[t-1] + eps[t]

print(f"Reported Sharpe: {returns.mean()/returns.std()*np.sqrt(252):.3f}")
print(f"Haircut Sharpe:  {haircut_sharpe(returns):.3f}")

这在实务中为什么重要

报告夏普是回测系统输出的数字，是幻灯片上的数字。Haircut Sharpe 才是在其他条件不变时，策略在生产环境中更可能实现的夏普。对收益率有正自相关的策略来说，几乎所有趋势跟踪或动量策略都属于这一类，差别不小。

一个从 1.5 变成 1.29 的夏普，是完全不同的投资命题。夏普 1.5 支持的资本配置，用 1.29 可能就不合理。夏普 1.5 支持的容量假设，在 1.29 下也可能不成立。说策略做出了 1.5 的夏普，在技术上没错，但实际会误导人。

策略为什么会有自相关

大多数量化策略都有收益自相关。主要有三个来源：

信号惯性。 趋势跟踪和动量信号依赖移动平均线或突破。信号会持续几天到几周，所以即使中间有噪声，策略仍然会继续持有同一方向。这会在收益率中形成正自相关。连续多天持有多头仓位，会产生相关的盈亏。

仓位管理。 很多策略会持仓数日。第 $t+1$ 天的盯市盈亏和第 $t$ 天相关，因为仓位大体相同。持仓周期越长，自相关通常越强。

波动率聚集。 即使收益率在条件上不相关，波动率也会聚集：高波动期之后通常还是高波动期。平方收益率会有自相关，这会通过高阶矩影响夏普标准误。

对做市策略来说，自相关往往是负的，也就是盈亏均值回归：大幅盈利之后通常会出现均值回归。因此，做市策略的 Haircut Sharpe 经常高于报告夏普。

如何检测自相关

在应用 Haircut 之前，应该先检查收益率是否有自相关。常用的有三种检验：

Ljung-Box 检验。 检验统计量为：

在最多 $m$ 阶没有自相关的原假设下，$Q(m) \sim \chi^2_m$。如果 $Q(m)$ 超过卡方临界值，就拒绝原假设。

对 5 年日收益率、$m = 20$ 个滞后，在 $\alpha = 0.05$ 下临界值为 $\chi^2_{20, 0.95} \approx 31.4$。统计量超过 31.4，表示自相关显著。

样本自相关与置信带。 计算 $\hat{\rho}_k$，其中 $k = 1, 2, \ldots, K$。在原假设下，95% 置信带为 $\pm 1.96/\sqrt{T}$。当 $T = 1260$ 时，这是 $\pm 0.055$。落在置信带之外的自相关在统计上显著。

方差比检验。 比较 $k$ 期收益率的方差和 1 期收益率方差的 $k$ 倍。在无自相关原假设下，比值为 1。对 $k = 10$：

显著高于 1 表示正自相关，显著低于 1 表示负自相关。

Newey-West 最优滞后阶数

Newey-West（1994）的自动滞后选择公式是：

当 $T = 1260$ 时：$q = \lfloor 4 \cdot 12.6^{2/9} \rfloor = \lfloor 4 \cdot 1.59 \rfloor = \lfloor 6.36 \rfloor = 6$。

所以，5 年日频收益率的最优滞后是 6 天。在 Bartlett 核中使用第 1 到第 6 阶滞后。超过第 6 阶后，自相关太嘈杂，无法可靠估计。

一个常见错误是使用太多滞后。如果加入 50 个滞后，而第 30 到第 50 阶的自相关纯粹是噪声（均值为零、方差很大），VIF 估计量的方差就会变高。Newey-West 公式在偏差和方差之间做了平衡。

Haircut Sharpe 的 Bootstrap 置信区间

点估计 $\widehat{SR}_{haircut}$ 本身也有抽样波动。Bootstrap 置信区间可以把这点反映出来。

步骤如下：

1. 有放回地重采样收益率（或者使用 block bootstrap），得到长度为 $T$ 的 Bootstrap 样本。
2. 在这个样本上计算 Haircut Sharpe。
3. 重复 $B$ 次。
4. 取 Bootstrap 分布的第 2.5 和第 97.5 百分位数，作为 95% 置信区间。

对 block bootstrap，块长度可以取 Newey-West 滞后阶数（例如 6 天）。这样能保留块内的自相关结构。

Haircut Sharpe 的 Bootstrap 置信区间会比单独看点估计宽得多。报告 Haircut Sharpe 为 1.3，可能对应 [0.9, 1.7] 的 95% 置信区间。只报告点估计会误导读者。

Haircut Sharpe 与年化的区别

一个容易混淆的地方：Haircut Sharpe 不等于年化夏普。

年化是把期间夏普乘以 $\sqrt{f}$，其中 $f$ 是每年的期间数。Haircut 则是乘以 $1/\sqrt{VIF}$。这是两个不同的操作：

• 年化处理的是测量的时间范围。
• Haircut 处理的是观测值之间的依赖结构。

观测值相互独立时，VIF = 1，haircut 因子为 1（不需要 haircut）。观测值存在依赖时，VIF > 1，haircut 因子小于 1。

回测报告中应该同时给出两者：

这才是正确的报告方式。大多数报告系统会省略 haircut，所以才有了这篇文章。

Haircut 修正不了什么

Haircut Sharpe 修正的是自相关。它修正不了：

1. 多重检验。 这要使用去膨胀夏普比率。
2. 收益率的非正态性。 PSR 的标准误公式会处理这个问题。
3. 前视偏差。 如果回测使用了交易时点不可获得的信息，任何统计修正都救不了它。
4. 容量限制。 名义本金 100 万美元时夏普为 1.5，规模到 1 亿美元时可能只剩夏普 0.8。统计修正无法处理容量问题。

Haircut Sharpe 只是一块拼图。完整诊断体系是：PSR（相对于基准的显著性）、Haircut Sharpe（自相关）、DSR（多重检验）、MBL（样本量）和 PBO（过拟合）。每一层回答不同的问题。

被高估的置信区间

有个细节容易被忽略：夏普比率的标准 95% 置信区间假设收益率独立同分布。有自相关时，这个区间会过窄。

独立同分布下的置信区间：

当 $\widehat{SR} = 1.5$、$T = 1260$ 时：$CI = [1.5 - 0.055, 1.5 + 0.055] = [1.445, 1.555]$，非常窄。

考虑自相关后的置信区间：

当 VIF = 1.174（$\phi = 0.1$ 的 AR(1)）时：$CI = [1.5 - 0.060, 1.5 + 0.060] = [1.440, 1.560]$，略宽一些。

当 VIF = 1.5（自相关更持久）时：$CI = [1.5 - 0.070, 1.5 + 0.070] = [1.430, 1.570]$，宽度已经比较明显。

当 VIF = 2（自相关非常持久）时：$CI = [1.5 - 0.078, 1.5 + 0.078] = [1.422, 1.578]$，明显变宽。

教训是：独立同分布置信区间过于乐观。对有显著自相关的策略，真实置信区间更宽。Haircut Sharpe 在点估计上处理这个问题，置信区间则在精度上处理它。

不当年化的风险

一个常见错误是用错公式年化 Haircut Sharpe。

对独立同分布策略：$SR_{annual} = SR_{daily} \cdot \sqrt{252}$。

对有自相关的策略：$SR_{annual,haircut} = SR_{daily} \cdot \sqrt{252} / \sqrt{VIF}$。

两条公式不同。考虑自相关的公式会给出更低的年化夏普。

常见的正确做法是：先计算 $SR_{daily}$，再乘 $1/\sqrt{VIF}$ 做 haircut，最后乘 $\sqrt{252}$ 年化。错误做法是先年化，再 haircut：

$SR_{annual} = SR_{daily} \cdot \sqrt{252}$ $SR_{annual,haircut, wrong} = SR_{annual} / \sqrt{VIF}$

这会重复计算自相关效应。正确公式是：

因子是 $\sqrt{252/VIF}$，不是 $\sqrt{252}/\sqrt{VIF}$。两者结果一样，但运算顺序要统一。

时间聚合问题

还有一个细节：日收益率的自相关，可能和周收益率或月收益率的自相关不同。假设策略的 $\phi_{daily} = 0.1$，周频 AR(1) 系数大约是 $\phi_{weekly} = \phi_{daily}^5 = 10^{-5}$，基本可以视为零。

这意味着：一个日频自相关很强的策略，周频自相关可能已经很小。日频 haircut 会远大于周频 haircut。

报告时要选定一个频率，并始终保持一致。混用日频和周频的修正会得到毫无意义的结果。标准做法是使用日收益率，报告年化 Haircut Sharpe。

多期再平衡下的夏普

有些策略每周或每月再平衡，但信号是用日频数据计算的。实际实现的收益率频率低于信号频率，而实现收益率的自相关反映的是再平衡频率。

对一个使用日频信号、每周再平衡的策略，实际收益率是周频的。周频自相关通常高于日频自相关，因为策略持仓时间更长。因此，周频 haircut 可能更大。

标准做法是在实际收益率频率（周频或月频）上计算 haircut，而不是在信号频率（日频）上计算。这才是“诚实”的 haircut。

Haircut 的贝叶斯解释

Haircut Sharpe 可以解释为一次带有怀疑型先验的贝叶斯更新。先验是：“考虑到自相关，这类策略的夏普很可能低于数据直接显示的数值。”似然是考虑了自相关的数据。后验就是 Haircut Sharpe。

自相关很强时，先验会把后验向下拉。负自相关时，先验会把后验向上推。Haircut Sharpe 就是这个特定先验下的贝叶斯后验。

这个说法有助于沟通。“报告夏普是 1.5，但我们对这类策略的先验判断是，由于自相关要打 10% 的折扣，所以 Haircut Sharpe 是 1.35。”这样比讲 HAC 推导直观。

对研究报告来说，这种表述也比技术性的 HAC 推导更容易让人读懂。数学没变，只是说法变了。

报告标准

一份完整的回测报告应包括：

1. 报告夏普，同时给出样本量和收益率频率。
2. 估计出的自相关函数，至少给出前 5 个滞后。
3. 使用的 Newey-West 截断滞后阶数。
4. VIF 估计值。
5. Haircut Sharpe。

Haircut Sharpe 应该和报告夏普一起给出，而不是替代它。报告夏普是策略实际打印出来的结果，Haircut Sharpe 是更可能持续的结果。

研究论文应同时给出两个数字及各自的置信区间。营销报告则取决于受众。机构投资者通常想看两个数字，零售投资者通常只会看到较高的那个。诚实的做法是两个都报告。

总结

Haircut Sharpe 是针对收益率自相关的修正。它根据自相关函数得到有效样本量，再用有效样本量重新缩放报告夏普。正自相关（趋势跟踪、动量）下，Haircut Sharpe 更低；负自相关（均值回归）下，Haircut Sharpe 更高。

这个修正可以通过 HAC 估计量（Newey-West）实现，也可以直接估计自相关函数。标准误和置信区间也应该使用 HAC 标准误，而不是独立同分布标准误。

Haircut Sharpe 只是多个诊断中的一个。它处理不了多重检验、容量、状态变化或前视偏差，只处理自相关问题。要得到完整判断，需要把它和其他诊断结合起来。

没有 haircut 的夏普 1.5 是营销。报告夏普 1.5、Haircut Sharpe 1.3，是研究。差别很大。

参考文献

• Lo, A. W. (2002). “The Statistics of Sharpe Ratios.” Financial Analysts Journal, 58(4), 36–52。自相关修正夏普的原始推导。
• López de Prado, M. (2018). Advances in Financial Machine Learning, 第 14 章。Wiley. ISBN 978-1-119-48208-6。实现与基于 HAC 的修正。
• Newey, W. K. and West, K. D. (1987). “A Simple, Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix.” Econometrica, 55(3), 703–708。HAC 估计量。
• Bartlett, M. S. (1946). “On the Theoretical Specification and Sampling Properties of Autocorrelated Time-Series.” Journal of the Royal Statistical Society, 8(1), 27–41。核函数。