研究評析 · López de Prado

López de Prado, 重現與評析

從零開始重現並大規模延伸 Marcos López de Prado 的方法，涵蓋加密貨幣、美國股票與外匯，每一項實證主張都以 Deflated Sharpe Ratio 把關

這是一個從零開始建立的重現與延伸計畫，圍繞 Marcos López de Prado 在 Advances in Financial Machine Learning 及其相關論文中的方法展開，資訊驅動的 K 線、分數階差分、金融標記與交叉驗證、ensemble 與特徵重要性、投資組合建構、因果因子、預測性特徵，以及押注規模設定。每項研究先在受控的基準上重現原始主張，接著在涵蓋加密貨幣、美國股票與外匯的真實、計入完整成本、無前視偏誤的資料上大規模重跑，並以 Deflated Sharpe Ratio 對每一項實證結論把關。

誠實的主線很簡單： 幾乎沒有任何結果能在任何地方通過 deflated 顯著性 ，而這正是 López de Prado 的核心論點，同時他的若干 方法論 主張卻能乾淨地重現：活動時鐘確實使尾部變薄、分數階差分確實保留了記憶性、bagging 確實能在 boosting 無法奏效之處實現泛化，而一個混淆因子確實能憑空製造出一個因子。這些是方法論上的結果，而非獲利上的結果，全程都是以此方式呈現。