用 Python 揭秘均值回归策略：你的收益从何而来？

2026年重磅升级已全面落地！欢迎加入专注财经数据与量化投研的【数据科学实战】知识星球！您将获取持续更新的《财经数据宝典》与《量化投研宝典》，双典协同提供系统化指引；星球内含 350 篇以上独有高质量文章，深度覆盖策略开发、因子分析、风险管理等核心领域，内容基本每日更新；同步推出的「量化因子专题教程」系列（含完整可运行代码与实战案例），系统详解因子构建、回测与优化全流程，并实现日更迭代。我们持续扩充独家内容资源，全方位赋能您的投研效率与专业成长。无论您是量化新手还是资深研究者，这里都是助您少走弯路、事半功倍的理想伙伴，携手共探数据驱动的投资未来！

引言

如果有人告诉你他的量化策略夏普比率达到 0.86，年化收益 14.6%，你会心动吗？

最近读到一篇有趣的实验文章。作者用 Python 构建了一个回测系统，生成了 1000 个完全基于「噪声」的交易策略，结果最好的那个看起来居然像模像样。这个实验揭示了量化研究中一个非常容易被忽视的陷阱 —— 选择偏差（Selection Bias）。

对于学习 Python、对量化感兴趣的小伙伴来说，这个实验非常值得了解。本文带你一起看看作者是怎么做的，并用 Python 复现核心思想。

实验设计

作者搭建了一个完整的回测流水线，主要参数如下：

• • 候选策略数量：1000 个，全部基于噪声、弱信号或打乱后的数据
• • 股票池：标普 500 中的 101 只大盘股
• • 数据周期：2010 年到 2023 年（来源 Yahoo Finance）
• • 调仓频率：每周再平衡，等权重持有前 30 只
• • 交易成本：10 bps 手续费 + 5 bps 滑点
• • 样本内：2010—2019；样本外：2020—2023

关键设计：这些信号本来就不应该有效。实验目的不是找到好策略，而是看看从一堆噪声里「挑出最好的」会有多么误导人。

让人冷汗直流的结果

1. 中位数夏普 0.67，最高 0.86

1000 个策略里，73 个夏普超过 0.75，但全部都是噪声！更可怕的是，中位数信息比率（相对 SPY）是 -0.37，说明所谓的「收益」基本都是市场 Beta，和策略本身没关系。

2. Best-of-N 陷阱

这是最核心的发现。当你测试的策略数 N 越大，「最佳夏普」就会机械性地升高：

测试数量 N	最佳夏普中位数
10	0.751
100	0.808
1000	0.862

策略本身没变好，你只是搜索得更狠了而已。

3. 样本外性能崩盘

作者拿样本内排名前 20 的策略放到样本外去跑：

• • 样本内平均夏普：1.004
• • 样本外平均夏普：0.478
• • 平均退化 52.4%，无一例外全部下跌

4. 交易成本吃掉了 1/3 的收益

平均夏普被成本拉低 0.303，CAGR 被拉低 6.05 个百分点。

Python 代码案例

下面我们用 Python 简单复现「Best-of-N 陷阱」的核心思想，让大家直观感受一下：

import numpy as npimport matplotlib.pyplot as plt# 设置随机种子，保证结果可复现np.random.seed(42)# 模拟 1000 个完全随机的「策略」# 每个策略生成 10 年的日收益（约 2520 个交易日）n_strategies = 1000n_days = 252 * 10# 生成纯随机收益（均值 0，年化波动 20%）random_returns = np.random.normal(    loc=0,    scale=0.20 / np.sqrt(252),    size=(n_strategies, n_days))# 计算每个策略的年化夏普比率def annual_sharpe(returns):    """计算年化夏普比率"""    mean_daily = returns.mean()    std_daily = returns.std()    return (mean_daily / std_daily) * np.sqrt(252)# 计算所有策略的夏普sharpes = np.array([annual_sharpe(r) for r in random_returns])# 模拟 Best-of-N 现象# 从 1000 个策略中随机抽取 N 个，看看「最佳夏普」如何变化N_levels = [10, 50, 100, 250, 500, 1000]n_simulations = 2000  # 蒙特卡洛模拟次数print("【Best-of-N 选择偏差实验】")print("=" * 40)for N in N_levels:    # 重复 2000 次，每次抽 N 个取最大值    best_values = []    for _ in range(n_simulations):        sample = np.random.choice(sharpes, size=N, replace=False)        best_values.append(sample.max())    # 输出平均最佳夏普    print(f"测试 {N:>4d} 个策略 -> 最佳夏普均值：{np.mean(best_values):.3f}")# 绘制夏普分布直方图plt.figure(figsize=(10, 5))plt.hist(sharpes, bins=50, color='skyblue', edgecolor='black')plt.axvline(np.median(sharpes), color='red', linestyle='--',            label=f'中位数：{np.median(sharpes):.2f}')plt.axvline(np.max(sharpes), color='green', linestyle='--',            label=f'最大值：{np.max(sharpes):.2f}')plt.xlabel('年化夏普比率')plt.ylabel('策略数量')plt.title('1000 个纯噪声策略的夏普分布')plt.legend()plt.tight_layout()plt.show()

运行后你会发现：测试的策略越多，「看起来最好」的那个就越漂亮，但本质上它们都是噪声。

给 Python 量化新手的几点启示

1. 1. 小心样本内表现：漂亮的回测曲线可能只是过拟合到了历史数据上的噪声。
2. 2. 关注信息比率（IR），而不只是夏普：长仓策略的夏普大部分来自市场 Beta，IR 才能反映真正的「Alpha」。
3. 3. 记录每一次尝试：测试了多少个参数、多少个变体，都要老老实实记下来。N 越大，幸存者偏差越严重。
4. 4. 务必做样本外验证：最好用 Walk-Forward 滚动验证，不要只切一刀。
5. 5. 永远不要忘记交易成本：实验中成本吃掉了 1/3 的收益，实盘只会更狠。
6. 6. survivorship bias（幸存者偏差）也要考虑：用当前的标普 500 成分股回测，本身就剔除了那些被踢出去的「失败者」。

总结

这个实验最有价值的不是某个具体策略，而是它用 1000 次实验告诉我们：当你在足够大的搜索空间里寻找「好结果」时，运气一定会给你一个看起来很美的答案。

对于刚入门 Python 量化的同学，与其追求一个夏普 1.0+ 的「圣杯策略」，不如先把回测框架的严谨性、样本外验证、交易成本建模这些基本功打扎实。好的研究流程比好的回测结果重要得多。

记住一句话：The numbers are real. The alpha isn't.（数字是真的，超额收益是假的。）

参考文章

1. 加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

2026年全面升级已落地！【数据科学实战】知识星球核心权益如下：

1. 1. 双典系统赋能：获赠《财经数据宝典》与《量化投研宝典》完整文档，凝练多年实战经验，构建系统化知识框架；
2. 2. 量化因子日更教程（2026重磅新增）：每日更新「量化因子专题教程」，配套完整可运行代码与实战案例，深度拆解因子构建、回测与优化全流程；
3. 3. 量化文章专题教程库：300+篇星球独有高质量教程式文章，系统覆盖策略开发、因子研究、风险管理等核心领域，内容基本每日更新，并配套精选学习资料与实战参考；
4. 4. 量化投研实战课程：赠送《AKQuant-入门及实战》《PyBroker-入门及实战》视频课程，手把手教学，快速掌握量化策略开发技能；
5. 5. 财经数据支持：定期更新国内外财经数据，为策略研发提供精准、可靠的数据基础；
6. 6. 顶尖学者与行业专家分享：年度邀请学术界博士与业界资深专家开展前沿论文精讲与实战案例分享，不少于4场，直击研究前沿与产业实践；专家直连答疑：与核心开发者及领域专家实时互动，高效解决投研实战难题；
7. 7. 专业社群与专属福利：加入高质量交流社群，获取课程折扣及更多独家资源。

星球已沉淀丰富内容生态——涵盖量化文章专题教程库、因子日更系列、高频数据集、PyBroker实战课程、专家深度分享与实时答疑服务。无论您是初探量化的学习者，还是深耕领域的从业者，这里都是助您少走弯路、高效成长的理想平台。诚邀加入，共探数据驱动的投资未来！

好文推荐