学习路线 05：概率化回测 — 宽客的贝叶斯思维

目标：完成后，你将理解为什么单一回测数字是不完整的，贝叶斯推断如何给你真实 Sharpe 的分布，以及如何在不确定性下做决策。

前置知识：基本统计（均值、方差、Sharpe 比率）和估计有不确定性的概念。

第 1 步：这是什么？

你的回测显示：Sharpe = 1.43。

这个数字实际上告诉你什么？

它告诉你：策略在回测期间的实现 Sharpe 是 1.43。

它没有告诉你：

• 策略的真实 Sharpe（这个永远无法观测）
• 估计中有多少不确定性
• 策略在下一年实现类似表现的可能性

贝叶斯方法将真实 Sharpe θ 视为未知参数。你不是给出一个点估计，而是计算给定数据时 θ 的分布：P(θ | data)。这告诉你不是”θ ≈ 1.43”，而是”θ 很可能在 0.8 到 2.1 之间，概率 95%”。

这是一个更诚实的答案。

第 2 步：为什么这很重要？

不断上演的场景：

策略 A：回测 Sharpe = 1.8，但 95% 可信区间是 [0.3, 3.3]。P(Sharpe > 1) = 72%。

策略 B：回测 Sharpe = 1.2，但 95% 可信区间是 [1.0, 1.4]。P(Sharpe > 1) = 95%。

你会选哪个？

大多数人会选 A——Sharpe 更高。但 B 是更好的风险调整选择：其 Sharpe 更确定，超过 1.0 的概率更高。

没有不确定性量化，你是盲目的。 Sharpe 1.8 但不确定性大的策略不同于 Sharpe 1.8 但不确定性小的——即使点估计相同。

第 3 步：核心机制

贝叶斯方法有三个组成部分：

先验 P(θ)：看到数据前你对 θ 的信念。合理的默认是平坦先验（无先验信息），但你可以结合领域知识。例如，如果你知道大多数股票多空策略 Sharpe 在 0.3 到 1.0 之间，你可以使用反映这一点的先验。

似然 P(data | θ)：给定 θ 的值，观察到我们收益的概率。对于近似正态收益：

其中 T 是观测数，γ 是超额峰度。

后验 P(θ | data)：通过贝叶斯定理：

对于正态先验和正态似然，后验也是正态的，具有更新的均值和方差。

第 4 步：关键公式

后验均值（先验和数据的混合）： $\mu_{post} = \frac{\mu_0 / \sigma_0^2 + T \cdot \hat{SR} / var(\hat{SR})}{1/\sigma_0^2 + T/var(\hat{SR})}$

后验方差： $\sigma_{post}^{-2} = \sigma_0^{-2} + T / var(\hat{SR})$

后验的关键概率： $P(\theta > 0 | data) = 1 - \Phi\left(\frac{0 - \mu_{post}}{\sigma_{post}}\right)$

第 5 步：实现

import numpy as np
from scipy import stats

def bayesian_sharpe_analysis(returns, mu0=0.0, sigma0=10.0, periods_per_year=252):
    """
    Sharpe 比率的贝叶斯分析。
    """
    T = len(returns)

    mu = np.mean(returns) * periods_per_year
    var = np.var(returns, ddof=1) * periods_per_year

    obs_sharpe = mu / np.sqrt(var) if var > 0 else 0.0

    ret_standardized = (returns - np.mean(returns)) / np.std(returns, ddof=1)
    kurtosis = np.mean(ret_standardized**4)
    gamma_sq = max(kurtosis - 3, 0)
    var_sharpe = (1 + gamma_sq / 2) / T

    posterior_var = 1 / (1/sigma0**2 + 1/var_sharpe)
    posterior_mean = posterior_var * (mu0/sigma0**2 + obs_sharpe/var_sharpe)
    posterior_std = np.sqrt(posterior_var)

    prob_positive = 1 - stats.norm.cdf(0, loc=posterior_mean, scale=posterior_std)
    prob_gt_1 = 1 - stats.norm.cdf(1.0, loc=posterior_mean, scale=posterior_std)

    ci_95 = (posterior_mean - 1.96 * posterior_std,
             posterior_mean + 1.96 * posterior_std)

    return {
        'posterior_mean': posterior_mean,
        'posterior_std': posterior_std,
        'obs_sharpe': obs_sharpe,
        'prob_positive': prob_positive,
        'prob_gt_1': prob_gt_1,
        'credible_interval_95': ci_95
    }

第 6 步：如何解读结果

报告可信区间，不只是点估计。 “Sharpe = 1.43 [0.8, 2.1] 95% CI”是诚实的。“Sharpe = 1.43”不是。

P(Sharpe > 0) 是基准。 P(Sharpe > 0) < 50% 的策略更可能亏钱而不是赚钱。拒绝低于此阈值的策略。

P(Sharpe > 1) 是你的”好”标准。 如果你想要 Sharpe > 1 的策略，P(Sharpe > 1) 应该是你的主要决策指标。P(Sharpe > 1) > 80% 是合理的标准。

第 7 步：常见陷阱 + 在知识体系中的位置

陷阱：有时使用平坦先验。 如果你知道你的策略是股票多空，Sharpe 5.0 是不合理的。在先验中编码这个。

陷阱：忽略峰度。 金融收益有厚尾。正态 Sharpe 分布低估不确定性。总是根据峰度调整。

陷阱：混淆后验与预测。 后验 P(θ | data) 是你对不可观测真实 Sharpe 的信念。后验预测是用于可观测未来 Sharpe 的。它们的方差不同——预测总是更宽。

在知识体系中的位置：

• 当你有有限数据时（先验有帮助）
• 当你想要诚实的不确定性量化时
• 当比较具有不同不确定性特征的策略时
• 基于完整分布（不只是点估计）设置仓位时

贝叶斯思维不替代频率主义方法（PBO、DSR）——它是补充。PBO 告诉你过拟合风险。贝叶斯分析告诉你真实表现的不确定性。它们一起给你更完整的画面。

下一步

准备好下一级了吗？→ 学习路线 06：Sharpe 比率崇拜

想要百科参考卡片？→ 概率化回测（百科词条）