Threads (@ad_istrader)
crypto-trading
Original source

Sharpe 4.2、勝率81%：四輪驗證全過，上線兩週 -7%

Summary

量化交易六年經驗者分享前視偏誤（look-ahead bias）如何騙過所有標準驗證流程的實戰教訓。

故事

一支策略：Sharpe 4.2、勝率81%、通過四輪驗證（Walk-Forward、Deflated Sharpe、蒙地卡羅）。上線兩週虧7%。

根本原因

一行 StandardScaler 的 fit 對象是整份資料集 — 每根K線被標準化時都用到了後面兩年的均值和標準差。改成 expanding window 後，Sharpe 從 4.2 掉到 0.41。

這行代碼在 pipeline 裡活了三個月，通過四輪驗證，沒有任何工具亮紅燈。

為什麼標準驗證工具擋不住

Walk-Forward、Deflated Sharpe、蒙地卡羅檢查的都是「績效是不是運氣」，沒有一個在檢查「資料在當時到底存不存在」。

前視偏誤 vs 過擬合的本質區別：

  • 過擬合：把雜訊當訊號，會在樣本外現形
  • 前視偏誤：把答案抄進考卷，洩漏跟著資料走進樣本外，怎麼切都在裡面

連鎖傷害

回測最大回撤4% → 敢開3倍槓桿 → 真實回撤19% → 部位被清掉

5分鐘快速檢測法

把所有特徵往後 lag 一根 bar 重跑回測：

  • 健康策略：衰減2-4成（訊號有時效性）
  • 洩漏策略：直接崩掉（Sharpe從4掉到0或轉負）
  • 衰減幅度異常巨大本身就是紅旗

金句

「感覺本身就是你的 sense overfitting。程式那邊你還能寫個 lag 測試去抓它，你自己這邊沒有測試可以跑。」