分析与BI🔥7.0
为什么i.i.d. bootstrap会在回撤问题上撒谎
原标题: 为什么i.i.d. bootstrap会在回撤问题上撒谎
📋总体概括
文章剖析量化回测中常用的i.i.d. bootstrap重抽样方法在评估最大回撤时的系统性偏差：该方法假设交易日可交换，但回撤机制恰恰依赖序列的连续性，打乱顺序会低估真实回撤风险，且偏差方向总是让结果显得更好。作者给出的修正方案不是增加抽样次数，而是采用更少但更长的抽样块（block bootstrap），以保留序列依赖结构。
⚡关键信息
- ▸i.i.d. bootstrap通过有放回地独立抽取交易日来生成合成序列，用于回答回测业绩中有多少是运气
- ▸该方法假设交易日可交换，但对回撤规则而言顺序本身就是机制，假设不成立
- ▸偏差方向是让回撤生存概率显得比实际更乐观，即系统性低估风险
- ▸修正方法不是增加样本量，而是用更少但更长的抽样块以保留序列相关性
🔥犀利点评
这是量化圈的老毛病在新场景的重演：拿一个对均值类统计量有效的工具，直接套到路径依赖的指标上，还深信不疑。回撤本质是序列的函数，不是分布的函数，打乱顺序等于摧毁了风险本身。最讽刺的是偏差方向永远朝着好结果——工具在替你自欺。block bootstrap不是什么新发明，但文中「更少、更长的块」这一句，值得每个跑蒙特卡洛的人贴在显示器上。
📰 相关资讯（与本文相关的其他资讯）
本文由本站自动聚合，以下为原始来源：前往 DevToData 阅读全文 →