实证方法论（深度模块）
量化金融的认识论问题。大部分已发表的因子是假阳性。大部分回测策略是过拟合的。在一个更严格的统计框架下，金融数据库里大多数"显著"的结果都无法存活。本模块要讲清楚为什么会这样，以及该怎么办。
核心阅读清单：Harvey、Liu、Zhu（2016）关于因子研究中的多重检验问题；McLean 与 Pontiff（2016）关于发表后衰减；Aronson 的《Evidence-Based Technical Analysis》；López de Prado 的《Advances in Financial Machine Learning》；再加几篇从不同角度讲同一件事的论文和博客。文章之间不互相重复。
这些文章并不否认因子研究的价值，只是指出做得不好的因子研究没有意义，并提供把研究做扎实的工具。
模块文章
→ 参见：已发表因子的选择偏差：Harvey-Liu-Zhu 论点
Harvey、Liu、Zhu（2016）整理了 316 个声称能预测横截面股票收益的已发表变量。套用标准的多重检验校正后，只有约 13% 在常规水平上仍保持统计显著。文章推导 Bonferroni 校正，展示 Harvey-Liu-Zhu 阈值，并梳理这对整个因子投资文献意味着什么。
→ 参见：发表后衰减：McLean 和 Pontiff 实际测量的
McLean 与 Pontiff（2016）发现 97 个异象的样本内表现在样本外衰减 32%，发表后进一步衰减 26%（合计 58%）。四个机制驱动衰减：样本内的统计偏差、资本流入带来的交易成本上升、发表带来的拥挤，以及异象被知晓后真正的 alpha 衰减。文章展开数学推导与具体含义。
→ 参见：因子研究中的多重检验：分叉路径花园
"分叉路径花园"（Gelman 提法）及其在因子研究中的应用。预注册、p-hacking、设定搜索，以及为什么金融领域里 0.05 的 p 值不能等同于注册临床试验里的 0.05。配异象文献里的实例。
→ 参见：样本外 vs 样本内：假二分法
任何一次回测都存在的根本张力，以及困扰量化圈的错误二分法。"样本内"测试必要但不充分，"样本外"测试更诚实但也有自己的问题。答案不是二者择一，而是组合：交叉验证、walk-forward，以及对样本内已设定假设的样本外验证。
→ 参见：金融中的可重复性：当结果无法重新运行
复现危机晚于心理学和医学进入金融，但终究进来了。Cassella-Nguyen 的复现项目、已发表论文中缺失的数据与代码，以及对量化研究来说一个严肃的复现标准应该长什么样。
→ 参见：样本内调优 vs 样本外：过拟合模式
最常见的过拟合模式。研究员试 50 种参数组合，挑出夏普最高的一种，然后报告这个结果。样本内夏普的期望值被选择偏差抬高。文章推导这种抬升的幅度，并展示一次诚实的回测应该是什么样。
→ 参见：White 的 Reality Check 重访：应用自助法
White's Reality Check（2000）及其后继方法的实操指南。怎么做 bootstrap、平稳 bootstrap 起什么作用、以及如何在现代因子研究中应用这个测试。附代码。
→ 参见：Harvey-Liu-Zhu 多重检验：提高因子门槛
拆开 Harvey、Liu、Zhu 提出的具体多重检验框架：Bonferroni 风格的校正、阈值推导、以及如何在一个研究项目中应用它。同时覆盖 Storey-Bhatt-Samad 的改进，以及对 alpha 研究的实际意义。
→ 参见：McLean-Pontiff 预注册：发表创造的复制
一项扛过了发表偏差的复现研究。McLean 与 Pontiff 对 97 个异象在样本内、样本外、发表后三个时期做的交叉验证分析，至今仍是对"发表偏差如何扭曲已报告结果"最干净的实证检验之一。文章讲它揭示了什么市场有效性。
→ 参见：金融研究失败的最常见七个原因
López de Prado 2018 年那篇博客提炼出七个反复出现的失败模式：数据不够、用非金融数据、忽略尾部事件、用均值方差、把回测当研究成果、把"显著"等同于"重要"、以及回避回测过拟合。每一类失败都对应一个修复方案。
→ 参见：数据窥探和逐步检验：p-hacking 工厂
逐步回归（或逐步策略选择）配合数据窥探就是一座 p-hacking 工厂。每一步都抬高假阳性率。经过 5 步，即使每步 alpha 为 0.05，Type I 错误的概率仍可能超过 20%。文章推导这种膨胀，并给出替代方案。
→ 参见：什么让因子真实：超越漂亮回测的五个检验
把真因子从回测产物里区分出来的五项测试：经济理论、跨时间持久性、跨市场持久性、关系的单调性、以及对设定的稳健性。给 alpha 研究员的一份实操清单。
交叉引用
- 回测统计：深潜：回测统计
- 验证与祛魅：验证与祛魅
- 量化方法：量化方法论
来源资料
- Aronson, D. (2006). *Evidence-Based Technical Analysis*. Wiley. 第 9–12 章。
- López de Prado, M. (2018). *Advances in Financial Machine Learning*. Wiley. 第 1、7–15 章。
- Harvey, C. R., Liu, Y., and Zhu, H. (2016). "...and the Cross-Section of Expected Returns." *Review of Financial Studies*, 29(1), 5–68.
- McLean, R. D. and Pontiff, J. (2016). "Does Academic Research Destroy Stock Return Predictability?" *Journal of Finance*, 71(1), 5–32.
- López de Prado, M. (2018). "The 7 Reasons Most Machine-Learning Research Fails." 博客文章。
- Chan, E. (2013). *Algorithmic Trading*. Wiley. 第 8–10 章。