風險與度量

一個在回測中年化報酬15%的策略，上線後僅實現了2.3%。2014年Bailey和Lopez de Prado的研究表明，這種差距不是例外，而是常態。原因不是運氣不好，而是度量出了問題。

我們信賴的指標往往具有誤導性

夏普比率是量化金融中被引用最多的數字，但它假設報酬服從標準的常態分布。在實務中，這種情況極少成立。具有類選擇權報酬結構、尾部風險曝險或槓桿的策略，可以在災難性回撤暴露指標所隱藏的問題之前，呈現出優異的夏普比率。一個持續獲取小額收益但偶爾遭受毀滅性損失的策略，看起來可能比實際安全得多。

即使夏普比率被正確計算，選擇偏差也會使其膨脹。如果你測試了一百種策略變體並報告最好的那個，獲勝的夏普比率幾乎肯定被高估了。Bailey和Lopez de Prado提出的緊縮夏普比率透過調整測試次數來修正這一問題，將許多「令人印象深刻」的結果還原為統計雜訊。

回測不是證據

回測與實盤表現之間的差距是量化金融中記錄最充分的現象之一。對歷史資料的過擬合、忽略交易成本、未能建模市場衝擊，這些因素共同作用，使紙面報酬看起來比現實更好。Harvey、Liu和Zhu認為，鑑於該領域已測試的假設數量之多，傳統的t統計量門檻2.0遠遠不夠。他們建議的3.0門檻能夠過濾掉大多數虛假發現。

度量是一切的基礎

誠實的風險度量不是邊緣問題——它是量化投資中所有其他決策的基石。部位管理依賴波動率估計。策略選擇依賴回撤分析。組合建構依賴相關性度量。當這些輸入中的任何一個出錯時，下游決策會將錯誤不斷放大。

本專題的文章深入剖析風險度量的工具和陷阱：夏普比率實際告訴你什麼（以及它不能告訴你什麼）、最大回撤如何揭示基於變異數的指標所遺漏的風險、波動率目標化如何穩定報酬，以及交易成本如何悄然侵蝕回測中的alpha。目標不是否定量化分析，而是使其更加嚴謹——因為在這個領域，度量的品質決定了結果的品質。