收缩估计量
收缩估计量根据数据支持的不足程度，将观测到的比率按比例拉向一个中性先验。对于胜率，加入 k 个胜率为 50% 的伪样本：收缩后胜率 =（盈利次数 + 0.5k）/（样本数 + k）。当 k = 10 时，三战三胜会变成约 62%，而不是 100%；随着样本增加，它会收敛到原始比率。
含义
收缩估计量将观测到的比率与先验相融合。对于胜率，最简单的形式是加入 k 个胜率为 50% 的伪样本：收缩后胜率 =（盈利次数 + 0.5k）/（样本数 + k）。当 k = 10 时，三战三胜变为 8/13 ≈ 62%，而不是 100%；当样本达到 300 个时，先验几乎不起作用。这种估计是有意偏向先验的，因为否则在小样本上就会错得离谱。
收缩与 Wilson 下界解决的是相关的问题：收缩修正点估计，下界描述其周围的不确定性。两者结合使用——正如 Quantum Algo 脚本中按品种统计的做法——就能确保工具无法显示数据无法支撑的漂亮数字。
这一思路具有普遍性：将板块收益向大盘收缩、将球员赛季初的平均成绩向联盟水平收缩——只要小样本可能产生极端值，收缩就是修正手段。
如何在图表上识别
- 选择一个先验（胜率取 50%）和强度 k（伪样本数）。
- 计算（盈利次数 + 先验 × k）/（样本数 + k）。
- 报告收缩后的比率；注意随着样本增加，它会收敛到原始比率。
实战示例
某个背离类别在新图表上 5 次中赢了 4 次。原始胜率：80%。以 k = 10 收缩后：(4 + 5) / (5 + 10) = 60%。仪表盘显示 60% 并标注“n = 5”，只有当该类别不断证明自己时，这个数字才会上升。
在图表上查看，深入阅读
常见问题
收缩是在作弊吗？
恰恰相反：它防止工具宣称数据无法支撑的优势。在 n 很小时，原始比率才是误导性的那个。
我应该使用多大的 k？
交易统计中使用 8 到 20 个伪样本；k 越大越保守。
数据增多后，收缩会消失吗？
会——当样本达到数百个时，先验几乎不起作用。
哪些脚本使用了它？
所有报告按品种胜率的 Quantum Algo 工具都使用了它，包括 Event Probability Engine，该工具将其与重叠校正和 Wilson 下界结合使用。