收缩的夏普比率：校正选择偏差、回测过度拟合和非正态性-研究论文

随着近年来大型金融数据集、机器学习和高性能计算的出现，分析师可以对数百万（如果不是数十亿）另类投资策略进行回测。 回测优化器搜索能够最大化策略的模拟历史性能的参数组合，从而导致回测过度拟合。 性能膨胀的问题超出了回测。 更普遍的是，研究人员和投资者倾向于只报告积极的结果，这种现象被称为选择偏差。 不控制特定发现中涉及的试验数量会导致过度乐观的性能预期。 收缩夏普比率 (DSR) 修正了业绩膨胀的两个主要来源：多重测试下的选择偏差和非正态分布的回报。 这样做时，DSR 有助于将合法的实证结果与统计侥幸分开。