测试夏普比率或信息比率重要性的正确方法是什么？夏普比率将基于各种股票指数，并且可能有可变的回溯期。
我看到描述的一种解决方案只是应用学生 t 检验，将 df 设置为回溯期的长度。
由于以下问题，我对应用上述方法犹豫不决：
- 我相信 t 检验对偏度很敏感，但是股票回报率通常是负偏度的。
- 使用对数回报计算的平均回报小于使用简单回报计算的平均回报。我认为，与基于对数回报的夏普比率相比，基于简单回报的夏普比率更有可能注册为显着，但基础资产回报在技术上是相同的。
- 如果回溯期很小（即样本量很小），t 检验可能是合适的，但在什么阈值下使用不同的检验才有意义？
我的第一个倾向是避免使用 Student-t 分布，而是创建一个基于非对称功率分布的测试，我读过它已被证明是股票市场回报的非常接近的近似值，允许控制峰度和偏度。
我的第二个倾向是查看非参数测试，但由于使用经验有限，我不确定从哪里开始以及要避免哪些陷阱。
我是不是想多了这个问题，我的担忧无关紧要吗？
