停止崇拜回测曲线，开始计算PBO 一条年化40%、夏普3.0的策略，为什么机构第一反应是“警惕”？ 因为漂亮回测在算力时

停止崇拜回测曲线，开始计算PBO

核心观点

• 一条年化40%、夏普比率3.0的策略，机构的第一反应是“警惕”，而非兴奋。
• 在算力时代，漂亮的回测曲线是最廉价的商品，容易通过数据挖掘和过拟合获得。
• 真正的硬核玩家不关心策略能赚多少，而是先计算这份“优秀”业绩纯靠蒙的概率——即PBO（Probability of Backtest Overfitting，回测过拟合概率）。
• PBO衡量的是：策略的优异表现有多大可能是统计幻觉（随机噪声导致的假象），而非真实有效的预测能力。

什么是PBO

• PBO（回测过拟合概率）是一个量化指标，用于评估策略回测结果在多大程度上是过拟合或数据挖掘的产物。
• 它不回答“策略能赚多少钱”，而是回答“这份业绩有多大概率是碰巧蒙出来的”。
• 高PBO意味着策略在历史数据上表现优秀，但未来实盘很可能失效；低PBO则表明策略具有更可靠的统计基础。

为什么机构警惕高夏普、高年化回测

• 过拟合风险：通过反复调整参数、筛选最佳样本区间，可以轻松制造出漂亮的回测曲线，但这类策略对未来数据毫无泛化能力。
• 多重比较谬误：在大量策略或参数组合中，总有一些会因随机性而表现突出，PBO正是为了识别这种“幸存者偏差”。
• 算力滥用：现代算力允许快速遍历海量策略变体，使得“制造”优秀回测变得极其廉价，机构必须用PBO等工具过滤掉统计幻觉。

如何理解与应用PBO

• PBO值范围通常在0到1之间：
• PBO接近0：回测结果可信度高，策略很可能具有真实预测能力。
• PBO接近1：回测结果高度可疑，策略大概率是过拟合或随机噪声的产物。
• 机构在评估策略时，会优先要求PBO低于某个阈值（如0.3或0.2），再考虑其他绩效指标。
• 计算PBO通常需要：
• 对策略进行交叉验证或滚动回测，观察不同子样本上的表现稳定性。
• 使用置换检验或蒙特卡洛模拟，比较实际回测结果与随机策略的分布差异。

总结

• 漂亮回测在算力时代是廉价商品，不应盲目崇拜。
• PBO是识别统计幻觉、过滤过拟合策略的关键工具。
• 机构评估策略的第一件事：计算PBO，而非盯着年化收益和夏普比率。

---

量化投资 #认知偏差 #金融干货 #回测过拟合 #PBO