同樣是 Sharpe 1.5，在山寨幣上跑出來的可信度低一個量級。本文用有效樣本、試驗預算、相關性折算三張表，算出加密市場把選擇偏誤與多重測試放大了多少。

同一支 Sharpe 1.8 的策略，校正後可能剩 1.2，也可能剩 0。本文拆解七件回測校正工具的分工、串接順序，以及它們共用卻幾乎沒人算對的那個輸入：有效試驗次數。

你只跑了三十次回測，有效試驗次數卻可能是一百萬。本文拆解選擇偏誤潛入量化回測的六個入口，每個入口給機制、自我偵測方法與試驗次數的計數規則。

Walk-Forward 過關的策略還是會賠錢，多半死在市場結構性風險上。本文拆解五種驗證流程測不出來的斷裂：regime 轉換、規則變更、流動性折舊、策略擁擠與尾部相關性。

掃 2,000 組參數，挑出樣本內 Sharpe 2.1 的冠軍。這組參數在樣本外落到全體候選中位數以下的機率是多少？答不出這個數字，回測報告的證據力就停在「曲線看起來很棒」的層次。這個數字有正式名稱：PBO（Probability of Backtest Overfitting，回測過擬合機率），出自 Ba…

未平倉的三個層次：量、結構、失效條件 期貨未平倉（Open Interest）常被當成「多空力道」的溫度計，數字…

掃 200 組參數，最好那組的 p 值是 0.008。這個數字能信嗎？先算一筆帳：就算 200 組彼此獨立、底層全部是雜訊，「至少出現一個 p ≤ 0.008」的機率大約是八成。你手上這個看起來很顯著的數字，是雜訊的正常產出，不是訊號的證據。

比特幣 ETF 資金流為什麼會失真——三層機制拆解 單日淨流出兩億美元，隔天媒體標題就寫「機構資金逃離比特…