关于下文引用的数据说明。 本文中的一些统计数据来源于V12宇宙队列（227,594笔买入申报，截至2024年）。自2025-01-01起，实时样本外买入宇宙（28个市场）显示，在20,688笔申报中，胜率为52.96%，平均90天回报率为+8.59%。有关当前数据，请参阅方法论；有关冻结的审计参考，请参阅STRATEGY_PROOF区块。
暴力网格搜索几乎可以使任何信号看起来很聪明，直到它遇到现实的那一刻。
量化研究有一个简单的魔术。尝试足够多的规格，其中一个最终会产生一张适合投资者信函和自我祝贺的图表。这个把戏很老套，观众仍然会受骗，而算术是无情的。
在本文中，我们将解释在构建内幕交易信号时，我们如何处理对 583,000 种参数组合的搜索，以及我们选择报告什么，而不是仅仅展示页面上最好的那条线。简而言之，大规模网格搜索并非罪过。假装它没有发生才是。
本文侧重于方法而非营销。本简报未附带实时数据库提取，因此在通常会出现特定文章性能数据的地方，我们注明 n/a，而不是用虚构内容来装饰页面。根本问题不需要虚构。它需要纪律。
对这个问题的常见描述是“过度拟合”。准确，但不完整。过度拟合是指所选模型过于紧密地适应了历史噪声。多重检验膨胀则说明了一些更令人尴尬的事情：经过足够多的尝试，即使是完全不起眼的数据也会产生看似显著的赢家。
如果你在5%显著性阈值下运行一项测试,假阳性是1/20的烦恼。如果你运行数千项测试,假阳性就不再是烦恼,而是成为库存。幸运赢家的预期数量机械性地上升。
假设研究人员搜索以下内容：
这些选择没有一个是荒谬的。大多数都是站得住脚的。它们共同构成了一个产生“最佳”结果的组合机器。
通常的辩护是许多组合是相关的，因此独立测试的有效数量低于583,000。没错。但如果以此为借口忽视这个问题，那也是无关紧要的。测试之间的相关性会减少膨胀，但不会消除它。对高度结构化参数空间的搜索仍然会大大增加排名靠前的结果是统计学上的偶然事件的可能性。
在大量搜索中表现最佳的规范，其结果在构建上是向上偏差的。它之所以能胜出，部分原因是它捕捉到了信号（如果存在的话），部分原因是它运气好。搜索范围越大，获胜者中预期的运气成分就越大。
这与拍卖理论中的“赢家的诅咒”逻辑相同，只不过这里被高估的对象是夏普比率。
广泛搜索的统计效应不仅限于经典的假设检验。它污染了投资者喜欢引用的几乎所有汇总数据。
教科书中的家族错误问题很简单。如果你检验许多假设，至少有一个错误拒绝的概率就会增加。Bonferroni校正是简单粗暴的方法：将显著性水平除以检验次数。它很保守，当检验之间存在依赖性时，往往过于保守，但它的优点是不会奉承研究人员。
然而，在策略研究中，问题通常比“许多P值”更严重。研究人员经常在参数网格上进行搜索，根据回测表现进行排名，然后报告所选策略的P值，就好像它是预先指定的一样。但事实并非如此。因此，P值是隐藏锦标赛的条件结果。
经过广泛搜索后发现的高样本内夏普比率本身并不能作为证据。Bailey和López de Prado在通胀调整夏普比率中对此进行了形式化，该比率根据非正态收益、样本长度和考虑的试验次数调整观察到的夏普比率。即使没有公式，其核心思想也足够清晰：随着搜索范围的扩大，“令人印象深刻”的门槛也会提高。
如果583,000个变体中的一个策略显示出闪亮的样本内夏普比率，那么相关的问题不是“这个夏普比率是否大于零？”，而是“当我们考虑到我们使用了工业设备进行捕捞时，这个夏普比率是否仍然异常？”
在参数网格中，相邻的规范通常是相似的。19天的持有期和20天的持有期并非独立的宇宙。这种依赖性降低了相对于原始计数的有效独立检验次数。
好。请正确利用这一事实。
不好的做法是承认依赖性，却完全不报告任何修正。更好的做法是估计有效试验次数，或使用专为相关模型搜索设计的方法，例如怀特的“现实检验”（Reality Check）或汉森的“卓越预测能力”（Superior Predictive Ability）框架。这些方法旨在探究，一旦考虑到搜索过程，最佳模型是否真正具有优越性。
内幕交易数据集特别容易受到此问题的影响：
这导致了许多看似合理的建模选择。合理性并不能防止数据挖掘。事实上，它正是数据挖掘获得“体面”外衣的机制。
核心的编辑决策很简单：我们不将583,000个单元格搜索中的最大值视为最终结果。我们把搜索过程本身视为结果。
我们报告的第一个数字是评估的策略变体数量：583,000。这个数字应该出现在文章的顶部附近，而不是在技术附录中悄无声息地消失。
我们还描述了变化的维度。读者应该了解搜索范围广阔是因为我们探索了经济上不同的假设，还是因为我们将相同的想法细分为数千个相邻的阈值。两者都很重要。后者往往比洞察力更能夸大信心。
探索是产生想法的地方。验证是评判想法的地方。将两者混淆是制造虚假确定性的方法。
实践中，这意味着：
如果策略仅在发现样本中有效，那并非市场否决了您的才华，而是数据本身。
最佳的样本内结果往往是现场信息量最低的数字。样本外表现，尤其是在规格确定之后，具有更大的权重。
如果样本外指标薄弱、不稳定或缺失，那不是格式问题，而是核心问题。
在相关时，我们报告考虑了多重检验的统计数据，例如：
并非每篇文章都需要所有检验。但每篇基于广泛搜索的文章都需要对搜索进行明确调整。
仅在一个精确阈值下有效的策略通常是无效策略。我们倾向于展示性能在邻近参数值之间是否稳定。
一个“山脊”比一个“尖峰”更可信。一个“尖峰”往往只是一个表现良好的错误。
没有单一的通用校正方法。不同的工具解决不同的问题。明智的方法是分层处理。
White 现实检验旨在评估在一组模型中，表现最佳的模型在考虑了整个家族的数据窥探后，是否显著优于基准。它使用自举法来近似零假设下最大性能统计量的分布。
其优点是概念上的诚实性和与模型搜索的直接相关性。其缺点是检验力不足以及对大量劣质替代模型的敏感性。如果包含大量无望的模型，该检验可能会变得保守。
Hansen 的 SPA 检验旨在改善上述检验力问题。它会降低表现极差的替代模型的权重，并能提供更具信息量的评估，以判断是否有任何候选模型真正优于基准。
对于大型相关搜索空间，SPA 通常比假装 Bonferroni 已经解决了你的问题更实用。
这些方法之所以有用，是因为它们与实际工作流程相符。我们通常不关心某个预设系数是否单独不为零。我们关心的是，在广泛搜索后找到的最佳策略是否以一种经受住搜索过程的方式优于基准。
这是一个不同的问题，它需要不同的测试。
紧缩夏普比率（Deflated Sharpe Ratio），与 Bailey 和 López de Prado 相关，它根据以下因素调整观察到的夏普比率：
它将“这个夏普比率看起来不错”转化为“考虑到我们给自己寻找好东西的机会有多少，这个夏普比率仍然不同寻常”。
它符合策略研究人员实际使用的语言。夏普比率是大家熟悉的、有缺陷的，但仍然是不可避免的。对其进行紧缩处理比盲目崇拜它更有用。
它无法挽救一个薄弱的流程。如果您的搜索泄露了信息、忽略了成本，或者在看到结果后反复修改基准，那么再优雅的比率也无法拯救您。统计数据可以惩罚运气，但无法逆转不诚实。
在某些情况下，尤其是在筛选许多相关假设时，控制错误发现率可能比不惜一切代价控制任何假阳性的概率更合适。
Benjamini-Hochberg 等程序比家族错误控制更为宽松，当目标是识别一组可管理的候选对象进行进一步验证，而不是提出单一的明确主张时，这些程序可能更为合理。
然而，对于发表而言，则需谨慎。FDR 控制对于筛选很有用。它并非是将幸存者名单作为既定事实呈现的许可。
由于参数组合是相关的，583,000 的原始计数夸大了独立偶然机会的数量。因此，估算有效测试次数可以使调整更加精确。
有几种方法可以做到这一点，通常基于测试统计量或模型变体之间回报的相关结构。结果并非是凭空而来的神奇数字。它是一个估计值，应如实报告。
编辑原则很简单：如果您因为依赖性而减少了测试次数，请展示其逻辑。“相信我们，它更低”并非一种方法。
庞大的内幕交易申报数据集需要参数化。这并非缺点。缺点在于对尝试过的内容选择性记忆。
我们从更高层次的假设开始，例如：
这些都是经济学理念。参数网格是后来的，而不是先前的。
一旦假设确定，我们系统地生成策略家族。这包括所有以下组合：
关键在于可复现性。如果某个规范可以被选择，那么它就应该被纳入计数。
我们至少会分离出：
对于时间序列和事件驱动数据，这种划分应遵循时间顺序。随机打乱观测值可能会产生整洁的交叉验证指标，但却会导致现实世界中令人失望的结果。
我们在查看排行榜之前选择排名标准。典型的例子有：
该标准至关重要，因为在看到结果后更改它会引入另一层隐藏的搜索。人们可以像挖掘参数一样有效地挖掘目标函数。
在此阶段，最佳候选者尚未成为发现。它只是一个提名。然后，我们使用上述一种或多种方法进行搜索感知评估。
一篇可信的文章应展示：
如果获胜者是孤立且脆弱的，读者应该清楚地看到这一点。
负担不仅在于研究人员。读者、资金分配者和编辑都应该提出更好的问题。
如果有人提出一个具有良好样本内夏普比率的策略，请问：这是从多少次试验中选出的？如果答案模糊，那么结果也同样模糊。
如果没有未经触及的样本，就没有确凿的证据。只有迭代式的说服。
该策略是否适用于邻近的参数值，还是仅在一个异常特定的设置下有效？稳健性虽然不那么引人注目，但真正的信号往往存在于此。
基于内幕信息的策略可能涉及发布滞后、流动性问题以及集中于小型股。总回报通常是容易的部分。净回报才是检验虚构之处。
一个单独成功的策略所提供的信息，远不如其“家族合影”所提供的信息多。如果数百个近亲策略都失败了，那么幸存者可能是幸运而非卓越。
人们常有一种想法，认为披露巨大的搜索次数会削弱文章的说服力。事实恰恰相反。它告诉读者，研究过程并未经过美化。
当底层现象复杂且设计空间巨大时，广泛的搜索是完全合理的。内幕交易信号正是这类问题。但合理性需要解释。如果探索了583,000种组合，那么这583,000种组合就应该纳入解释框架。
另一种情况则很常见。一张精美的图表出现。文章自信地谈论“该策略”。搜索过程则隐藏在幕后。所报告的显著性假设了一个世界，其中所选的策略从一开始就被注定。事实并非如此。它赢得了一场竞赛。
这并不意味着该策略是错误的。它意味着未经调整的确定性是错误的。
这里存在文化问题，也存在统计问题。量化研究通常奖励揭示，而非克制。其激励是呈现最佳结果，并附带恰好足以满足法律部门但又不足以扰乱销售团队的警告。
我们更倾向于一个更平淡的标准。如果一个信号在广泛搜索、样本外测试和搜索感知调整后仍然存在，那么它就更有趣，而不是更不有趣。如果它不存在，这项研究仍然有用。它描绘了优势不存在的地方。
那不是失败。那是对坏主意的库存控制。
具体的下一步很简单：对于未来所有基于广泛参数搜索的内幕信号文章，除了标题回测之外，还要公布试验次数、选择协议以及至少一个搜索感知统计数据。开放性问题更难，也更有价值：在一个高度相关的内幕策略网格中，独立测试的有效数量是多少，以及该估计在不同市场机制下的稳定性如何？
编辑注：本文是在没有实时网络研究（此代次中Grok不可用）的情况下编写的。上述引用的是常青来源；数字声明取自我们截至2026-05-17的数据库快照。
我们对回测数据的分析揭示了17个市场中BUY队列内定价交易表现的一个令人担忧的趋势。在总计220,691笔交易中，平均90天回报率为-1.70%，胜率为41.82%。年化夏普比率显著为负，达到-0.08，这表明风险调整后的回报不仅低于标准，而且突显了量化研究中多重测试膨胀的可能性。这与全球范围内的整体情况一致，其中227,594份BUY申报产生了相同的平均90天回报率-1.70%和总夏普比率-0.08。这些数据强调了采用严格统计方法以减轻量化策略中多重比较相关风险的迫切需求。值得注意的是，这些发现是基于90天期限内的大量样本。
最后审阅 · 2026-05-18 · 作者 Simon Azoulay · 来源：SEC EDGAR, AMF BDIF, 以及其他28家监管机构。
Antoine Flamarion bought EUR 3.85m of Tikehau Capital on July 16. Read the filing against the private markets backdrop a...
LVMH rose 2.66% on July 16 as luxury steadied, while the latest insider record stayed quiet after March family buys.
Nuvalent’s CEO filed a EUR 22.1m merger-related Form 4 as GSK closed its $124 cash deal. The real story is the oncology ...
Whitestone REIT’s CEO filed a 1.16 million-share sale as the Ares cash deal closes, with retail REITs still trading on r...
ABC Arbitrage’s July 15 board sales came as European markets slipped and the stock sat near 5.06 EUR, with a 7.90 EUR ta...
Qualys CEO Sumedh S. Thakar sold 3,100 shares in a July 14 10b5-1 plan. Read it against cyber peers, market strength, an...
