4、点估计的局限：为什么单一预测值不够、点估计在回测中的陷阱
做量化这几年，我见过太多人盯着一个数字就兴奋得睡不着觉。
“夏普比率2.5！”、“年化收益35%！”、“最大回撤只有8%！”
嗯，这些数字看着确实漂亮。但我想问一句：你信吗？
说白了，这些单一数值就是点估计。它就像一张照片，只拍下了某个瞬间的样子。但市场是个活物，它每分每秒都在变化。你拿一张静态照片去预测动态过程，不出问题才怪。
点估计是什么？它为什么不够？
点估计，就是用样本数据算出一个具体的数值，来代表某个未知参数。比如你用过去3年的数据算出一个夏普比率1.8，这就是点估计。
但问题来了——这个1.8真的靠谱吗？
核心矛盾：点估计只告诉你“最可能的值”，却完全不告诉你“这个值有多可信”。
举个例子。我有个朋友，用某只股票过去5年的数据跑回测，年化收益做到了42%。他兴奋得差点辞职全职交易。结果呢？实盘三个月，亏了18%。
为什么会这样？因为那5年刚好是那只股票的牛市周期。点估计把运气当成了能力。
我个人习惯，看到任何点估计的第一反应就是：这个数字的置信区间是多少？如果对方答不上来，那这个数字基本可以当噪音处理。
点估计在回测中的三大陷阱
我在项目中遇到过太多被点估计坑惨的案例。总结下来，主要有三个陷阱：
陷阱一：忽视样本波动性
你算出一个夏普比率1.5，觉得不错。但如果你用滚动窗口去算，会发现这个值可能在0.3到2.8之间剧烈波动。
哪个才是真实的？其实都是，也都不是。
避坑指南：我曾经只用一个点估计就决定上线策略，结果回撤超出预期3倍。后来我养成了习惯——任何指标至少看它的5%和95%分位数。
陷阱二：过拟合带来的虚假精度
你调了100组参数，终于找到一组让夏普比率达到2.0的。你觉得自己是天才？
其实你只是把噪声拟合进去了。那2.0的点估计，背后可能是100次尝试中的极端值。
想想看：如果你扔100次硬币，总会有连续5次正面朝上的情况。你会觉得这枚硬币有偏向性吗？不会。但很多人对回测结果就这么干。
陷阱三：忽略分布形态
两个策略的年化收益都是15%，你选哪个？
如果只看点估计，它们一样。但一个策略的收益分布是正态的，另一个是尖峰厚尾的。后者可能在某个月突然亏掉20%。
| 指标 | 策略A | 策略B |
|---|---|---|
| 年化收益（点估计） | 15% | 15% |
| 收益分布形态 | 近似正态 | 尖峰厚尾 |
| 最大回撤（95%置信） | 12% | 28% |
| 实际风险 | 可控 | 极高 |
你看，点估计完全掩盖了这种差异。只看单一数值做决策，就像只看一个人的身高就判断他能不能打篮球——太片面了。
如何突破点估计的局限？
我建议从三个维度入手：
- 区间估计：用置信区间代替点估计。比如不说“夏普1.5”，而是说“夏普1.5，90%置信区间为[0.8, 2.2]”。
- 分布分析：看整个分布形态，而不是只看均值。重点关注尾部风险。
- 稳定性检验：用滚动窗口、不同市场周期去验证，看点估计是否稳定。
一个小技巧：我每次回测完，都会做一次Bootstrap重采样。从原始数据中有放回地抽取1000次，每次算一个点估计。最后看这1000个值的分布——如果分布很分散，说明原始点估计不可靠。
知识体系：点估计的局限与应对
下面这张图，是我自己梳理的框架。它把点估计的问题和解决方案串在了一起：
这张图的核心逻辑很简单：点估计本身不是错，错的是把它当成唯一真理。你想想看，如果医生只告诉你“你的体温是37.2度”，却不告诉你这个温度在什么范围内算正常、测量误差有多大，你敢信吗？
量化交易也是一样的道理。单一预测值只是起点，不是终点。真正的高手，看的是分布、是区间、是稳定性。
嗯，这一章就到这里。记住：别让一个数字骗了你。