枢轴点回测得到平均每笔0.2R，并不表示真实期望精确等于0.2R。Bootstrap通过对历史样本重采样，观察期望值、胜率和回撤可能落在哪个区间。原7月20日页面没有样本，本页说明使用边界。

先确定重采样单位

逐笔随机抽样默认交易彼此独立；若同一天或同一趋势中的交易相关，应按日期、周或市场阶段做区块重采样。单位选择会明显影响不确定性，必须写进方法。

区间比单点估计更诚实

重复抽样后可报告期望值、利润因子和回撤的中位数及分位区间。若大部分区间跨过零，历史正收益证据较弱，不应只展示原始样本的最好数字。

Bootstrap不能创造未见行情

重排或重复历史交易不会自动包含未来制度变化、极端跳价或更差流动性。压力测试仍需单独加入成本和故障情景，不能把统计区间当作全部风险边界。

避免在同一数据上反复筛选

如果先试数百组参数再对最佳结果做Bootstrap，区间仍会低估选择偏差。参数选择、样本外验证和重采样各解决不同问题，不能互相替代。

报告样本数、抽样次数、随机种子、分组方式和缺失数据处理，保证结果可复现。对交易很少的策略，扩大抽样次数不会增加原始信息量，应继续积累前向数据。

置信区间覆盖的是所选模型和历史样本下的不确定性，不是未来收益保证。市场制度、费用或数据源改变后，旧区间需要重新估计，并与新版本分开。

回撤等路径指标对交易顺序敏感，逐笔独立Bootstrap可能破坏真实聚集性。优先采用能保留日期或状态结构的区块方法，并报告区块长度敏感度。

多重检验见参数挑选风险，滚动验证见Walk-forward，蒙特卡洛见交易顺序模拟。