蒙特卡洛回测 · monte carlo bootstrap backtest
回测的本质是：拿历史交易序列，按时间顺序累加收益，算夏普。问题是——历史只有一种顺序。但未来的交易顺序是随机的，同样的交易换个顺序，夏普可能差很多。
举个极端例子：你的策略有 100 笔交易，其中 10 笔大赚、10 笔大亏、80 笔小赚。如果大赚集中在前期，资金曲线一路向上，夏普 2.5；如果大亏集中在前期，资金曲线先腰斩再爬回来，夏普可能 0.5。同样的交易，不同顺序，夏普差 2 倍。哪个才是"真实"的夏普？
答案是：都不是。真实的夏普是一个分布。蒙特卡洛就是生成这个分布：把交易序列随机打乱重排，算每次的夏普，重复几千次，得到夏普的分布和置信区间。这才是策略"稳健性"的真实写照。
下面模拟一个策略，原始回测夏普 2.0。点"重采样"看蒙特卡洛把交易打乱后的夏普分布——直方图越窄说明策略越稳，越宽说明越靠运气。看 95% 置信区间和你的 2.0 的关系。
蒙特卡洛回测有两种主要做法，回答不同问题：
把回测的交易序列随机重排，算每次夏普。回答："同样的交易换个顺序，夏普会变多少？"——测路径依赖。
从交易分布里有放回抽样，组成新序列。回答："如果交易分布不变但样本变了，夏普会变多少？"——测样本稳定性。
直接对每日收益做 bootstrap。更简单，但忽略了交易结构。
按块（如 5 天一块）抽样，保留自相关。金融收益有自相关，普通 bootstrap 会低估方差。
实战建议：用块 bootstrap。金融收益有自相关（今天涨明天可能还涨），普通 bootstrap 假设独立，会低估方差、高估置信度。块 bootstrap 保留块内自相关，置信区间更真实。块长度一般取 5-10 天。
另一个关键：置信区间窄 ≠ 策略好。窄只说明"结果稳定"，但稳定的可能是稳定地亏。还要看均值的符号和大小——均值正且区间下限也正，才是真稳健。