Nothing found. Try a different query.
8 つのバックテストエンジンを、まったく同一のパラメータスイープでベンチマークした — 150k バー、80 通りの HMA クロス、取引数のパリティを 2707 に固定。最も人気のあるイベント駆動フレームワークのうち 2 つが、手書きの pandas ループより遅い結果になり、一方でベクトル化/コンパイル済みエンジンは同じ作業を約 13,000 倍高速に実行した。人気ライブラリが償却するようには決して設計されていなかった、バーごとのオーバーヘッドの研究。
デフレーテッド・シャープレシオは勝利した戦略の値段を付ける。PBOはその戦略を選んだサーチの値段を付ける。Combinatorially Symmetric Cross-Validationは1000x200のパフォーマンス行列に対してC(16,8) = 12,870通りの訓練/テスト分割を実行し、こう問う：インサンプルの勝者はアウトオブサンプルで下位半分に落ちるか？ほとんどの人が見逃す落とし穴——PBOの帰無仮説は1ではなく0.5だ。200個のゼロエッジ戦略において、インサンプルの最良年率シャープレシオ1.98はアウトオブサンプルで0.06まで崩壊し、PBO = 0.476：コイン投げであり、完全な過学習だ。本物のエッジ（年率シャープレシオ2.38）を仕込むとPBOは0.001まで下がり、インサンプルの3.73はアウトオブサンプルの2.34まで生き残る。純粋なランダムウォーク上の移動平均グリッドにもアウトオブサンプルのスキルはない——60個の行列にわたって平均したPBOは0.463で、統計的に帰無仮説と区別がつかない——そして1つの代表的な行列では、その蜃気楼が鮮やかに現れる：最良インサンプルシャープレシオ2.33は、アウトオブサンプルの中央値-0.22まで崩壊し、PBO 0.573、63%の確率で損失となる。
numbaのバックテストカーネルを一行一行Rustに移植し、4通りの方法でプロセス境界越しに呼び出した。等価性ゲートは最後のトレードまでPnLが完全一致することを確認する。1.2 MBの価格系列全体をUnixソケット経由で送るコストは約2 ms——ジョブ全体の約0.1%。同じペイロードをJSONでエンコードすると生バイトの1348倍のコストがかかり、コンボごとのチャッティな呼び出しはデータを80回再送し、バーごとの呼び出しパターンは2.0秒のジョブに対して2.1秒もの純粋なIPCコストを支払うことになる。境界そのものは安い——税金はどう越えるかにある。
パラメータサーチは幸運を製造する機械である。純粋なノイズ——真のエッジがゼロの戦略1,000個——の上で、最良の年率シャープレシオは平均1.63に達し、素朴な有意性検定は100%の確率で「発見」を宣言する。私たちは制御された既知の正解を構築し、デフレーテッド・シャープレシオ、Harvey-Liuヘアカット、Whiteのリアリティチェックが誠実さを取り戻すことを示す：偽発見は1.000から0.001-0.057まで下がり、ノイズ天井を超える本物のエッジは検出力~1で維持される——そして生のDSRが過剰にデフレートし、判定を1つではなく有効試行数推定量の帯全体で読む必要がある、現実の落とし穴（相関したグリッド）が1つある。
「最良の」戦略を探すには、まず「最良」を定義しなければならない——そしてそのスカラーが密かに勝者を選んでいる。既知のエッジを仕込んだ合成データ（600シード、T=2000、閾値80通り）において、素朴な1トレードあたりシャープレシオは宝くじを王座に据える：56%のシードでエクスポージャー5%未満の勝者を選び、57%で退化する——最も極端なシードでは、8回のトレードがインサンプルでシャープレシオ21.09を記録し、アウトオブサンプルでは0.13まで崩壊する。誠実な修復はほとんど退屈なものだ：タイムライン全体で測定すればよく、これは決して退化しない（アウトオブサンプル1.71）。トレード数（conf_k）による縮小とエクスポージャーの下限は1トレードあたりの指標を事後的に補修できるが、完全に修復してもフルタイムラインのシャープレシオに追いつくだけで（1.70 対 1.71）、決してそれを上回ることはない。バックテストの中のグッドハートの法則、制御された既知の正解とともに。
バックテストを静かに水増しする微妙な先読みリーケージを対象にした、制御実験による検証。本物のエッジがゼロでも、同一バー約定は純粋なノイズから年率Sharpe +14.8を作り出す。1バー分のインジケーター先読みでも+4.8。リーケージの分類、実測された規模、そして損失を出す前に各リーケージを検出する方法。
同一の80コンボ・パラメータスイープを5通りに実装し、すべてが同一のPnLを生成することを検証：pandas rolling.applyは69.9秒、numpyは3.1秒、numbaは2.0秒、並列numbaは0.23秒 — Apple M2 Maxでハードウェアを一切変えずに測定された298倍の高速化、そして有能なベクトル化ベースラインと比べても約13倍。各段が何をもたらすか、なぜGPUが欠けているピースではないのか、そして大量パラメータ探索における本当のボトルネックがどこにあるのか。