判斷交易員（或策略）的獲利究竟來自技術還是一時運氣，有一套高度體系化且嚴謹的評估方法。
分析交易次數（Sample Size）與收益分佈:
p-value（p值檢驗）： 在零假設（Null Hypothesis，即「該交易員無預測能力，勝率純屬隨機拋硬幣」）下，計算出現當前獲利結果的概率。如果 p<0.01，代表只有不到 1% 的概率是靠運氣，技術顯著成立。
t-統計量（t-statistic）： 檢驗平均超額收益是否顯著大於零。一般要求 t>2.0（甚至高頻交易要求 t>3.0），樣本數（交易筆數）越多，需要的獲利時間跨度越短即可驗證；相反，若一年只做 5 筆交易，即使全賺，統計學上也無法排除運氣。
收益歸因分析（Performance Attribution）:
偽技術（靠 Beta）： 某交易員一年賺了 30%，但歸因分析發現他只是重倉了高 Beta 的半導體股，而同期半導體指數漲了 35%。這說明他沒有技術，只是乘了市場風格的東風（Beta Exposure）。
真技術（純 Alpha）： 某交易員在市場對沖掉方向性風險（Delta 中性）後，依然能在扣除槓桿與風格因子暴露後獲得穩定正收益。
蒙地卡羅模擬（Bootstrapping & Monte Carlo）:
將交易員過去所有的交易收益率打亂順序，進行數萬次隨機重組與重新抽樣，生成數萬條「平行宇宙」中的收益曲線。
如果該交易員在 95% 以上的隨機重組宇宙中都能保持盈利，說明策略具有極高的穩健度（Robustness）。
如果打亂順序後有大量宇宙出現嚴重暴雷，說明之前的獲利高度依賴特定時間順序的運氣。
有些交易員看似勝率極高、收益曲線完美，但本質上是在Selling Tail Risk，評估Sortino Ratio（只考慮下行風險）以及最大回撤（Max Drawdown）。如果收益曲線極度平滑但潛在下行空間無限，基金會判定為運氣。
「數據挖掘（Data Mining）」帶來的假陽性問題：如果同時測試了 1,000 個策略，就算全都是隨機垃圾策略，統計上也必然會有 50 個策略（5%）表現極佳。
採用 Harvey-Liu 框架 或 Deflated Sharpe Ratio (DSR) 指標。DSR 會將「交易員嘗試過多少次失敗策略」納入考量。如果一個交易員換了 100 個模型才找到一個賺錢的，該模型的夏普比率（Sharpe Ratio）會被大幅折降，歸類為運氣。
沒有留言:
張貼留言