用「訊號分桶 × 前瞻報酬」驗指標：小心重疊樣本與倒 U 陷阱

日期：2026-05-30 情境：用日頻情緒／部位訊號（以台股 Put/Call ratio 為例）驗證對指數期貨的預測力

TL;DR

把一個訊號分桶、看各桶未來 N 日報酬，是驗證指標預測力最直觀的方法。但兩個陷阱會讓你看到根本不存在的 edge：

倒 U，不是單調：訊號的前瞻報酬常在某個「甜蜜點」見頂，再往極端走反而崩 —— 別假設「訊號越極端越強」。
重疊樣本（overlapping returns）：極端訊號值的日子常時間群聚在同一段行情，前瞻視窗彼此重疊，等於把同一段漲幅重複計數，把長天期平均灌爆。剔除後 edge 往往消失甚至轉負。

結論：信短天期 + 大樣本桶，對小桶的亮眼數字存疑，逐筆看不要只看平均。

背景

驗證一個市場情緒／部位訊號是否有預測力，最常見也最該先做的，就是「分桶 × 前瞻報酬」：把每天依訊號值丟進不同桶，算各桶之後 +5/+10/+20/+60 個交易日的平均報酬與勝率，再跟全樣本基準比。

本文用 Put/Call ratio（選擇權 put/call 成交量比，常被當作多空情緒／法人部位的代理）對台股指數期貨近月收盤做例子（樣本 2018–2026，約 2000 個交易日）。但結論對任何 sentiment / positioning / z-score / factor 訊號都適用。

方法

對每個交易日 i：

forward_return(i, h) = (close[i+h] - close[i]) / close[i] * 100

依訊號值分桶，對每桶聚合 mean、勝率（>0 比例）、樣本數 n，並列出全樣本基準當對照。光看絕對報酬沒意義，要看「比基準好多少」。

發現一：倒 U —— 在甜蜜點見頂，過了就崩

可信的短天期欄（+5d / +10d，樣本最多、視窗重疊最少）長這樣：

訊號桶（P/C）	n	+5d 平均(勝率)	+10d 平均(勝率)
110–130	576	+0.53% (52%)	+1.04% (53%)
130–150	363	+1.22% (61%)	+2.19% (65%)
150–170	153	+0.10% (48%)	+0.46% (51%)
170–200	79	+0.47% (47%)	+1.35% (65%)
全樣本基準	2043	+0.64% (54%)	+1.28% (57%)

報酬與勝率一路爬到 130–150 見頂，過了 150 直接崩成擲銅板（150–170 的 +5d 勝率只剩 48%）。

這非常符合直覺也符合機制：若 P/C 代表多單部位，適度偏多（130–150）= 趨勢健康延續；極端偏多（150+）= 部位已擠到滿、短期續漲空間被透支。訊號的最佳操作區間不是極端值，而是中段甜蜜點。 很多人把「訊號爆表」當最強買點，剛好做反。

陷阱二：重疊樣本把長天期報酬灌爆

最極端的桶（P/C ≥ 200）看起來像「第二個高峰」：

+5d 平均 +4.77%、勝率 100%、+60d +16.0%   ← 看起來無敵

但逐筆攤開就現形（n 只有 6–7，且嚴重群聚）：

2018-01-16   +60d  -5.4%   ← 孤立
2019-04-10   +60d  -4.1%   ← 孤立
2020-03-18   +60d +19.9%  ┐
2020-04-15   +60d +23.9%  ├ 同一次危機反彈，被算了 3 次
2020-05-20   +60d +45.2%  ┘
2026-02-11   +60d +16.6%

6 個樣本裡有 3 個是同一段危機 V 型反彈，它們的 +60 日前瞻視窗彼此高度重疊，等於拿同一段漲幅重複計數三次。把這個 cluster 拿掉，孤立樣本的 +60d 是 −5.4% / −4.1% / +16.6%，平均只剩 +2.4%（反而低於基準 +7.7%）。

也就是說：那個亮眼的 +16% 幾乎全是一段危機反彈撐出來的假象，長天期根本沒有可靠 edge。 短天期（+5d）因為視窗短、重疊少，結論比較站得住，但 n=6 仍是雜訊等級。

這正是學界講的 overlapping returns bias：重疊報酬會機械性地累積自相關（autocorrelation），讓「look-back / look-forward 越長、訊號看起來越強」，而這個單調遞增的假象換成非重疊樣本就會大幅減弱。正自相關還會膨脹檢定統計量的變異數，導致顯著性被高估。

怎麼自保

做法	為什麼
✅ 逐筆攤開看，不要只看平均	平均會被少數重疊樣本帶走
✅ 把時間群聚的當「一個 episode」	同一段行情的 N 天不是 N 個獨立樣本
✅ 優先信短天期（+5/+10d）+ 大樣本桶	視窗重疊最少、n 最大、最接近獨立
✅ 對小桶（n<幾十）的亮眼數字一律存疑	極端訊號天然樣本少且群聚
✅ 永遠和全樣本基準比，不看絕對值	+16% 聽起來很多，但要問「比 buy-and-hold 好嗎」
✅ 想嚴謹就用非重疊樣本，或 Newey-West / Hansen-Hodrick 修正自相關	還原真實顯著性

學到的事

訊號 edge 通常是倒 U，不是單調遞增 —— 找「甜蜜點」而不是「越極端越好」，這直接決定進場／加碼門檻該設在哪。
金融前瞻報酬的觀測值天生不獨立 —— 重疊視窗 + 序列自相關，使小樣本 + 時間群聚 = 假顯著。「n=6 但其實是 3 個 episode」這種要當心。
長天期報酬最容易被污染 —— 視窗越長、重疊越多，越容易被同一段大行情灌爆；短天期相對乾淨。
平均是會騙人的 —— 同樣 6 個樣本，含 cluster 是 +16%、剔除是 +2.4%，結論完全相反。先逐筆看再下結論。
分桶分析的價值在「形狀」不在「絕對值」 —— 倒 U 的形狀（哪裡見頂、哪裡崩）比任何單一數字都可靠，因為它跨大樣本桶成立。

參考資料

How Overlapping Returns Inflate Measured Time Series Momentum (MDPI, J. Risk Financial Manag.) — 直接證明重疊報酬機械性灌大動能訊號，換非重疊樣本後單調 look-back 曲線就崩
Biases in long-horizon predictive regressions (Journal of Financial Economics) — 長天期預測回歸的系統性偏誤
Overlapping observations and the Britten-Jones approach (City Research Online, PDF) — 重疊觀測的自相關如何讓常用檢定低估信賴區間
Why Most Backtests Fail: Overfitting, Look-Ahead Bias, and Data Snooping (Frontier Ledger) — 回測常見偏誤的實務整理