第01章
过拟合的本质
什么是过拟合 · 交易中的表现 · 与欠拟合对比 · 为何交易模型容易过拟合
核心概念诊断
第02章
数据泄露
未来数据定义 · 泄露场景(归一化/特征/标签) · 检测方法
数据风险
第03章
训练/验证/测试集划分
时序划分原则 · 滚动窗口 · 扩展窗口 · 避免未来信息泄露
数据划分时序
第04章
交叉验证 · 时序应用
普通K折问题 · TimeSeriesSplit · Purged Walk-Forward CV
交叉验证时序
第05章
特征选择与降维
特征数量影响 · 过滤/包裹/嵌入式 · PCA & t-SNE
特征工程降维
第06章
正则化技术
L1(Lasso) · L2(Ridge) · Elastic Net · Dropout · 参数调优
正则化L1/L2
第07章
早停法 Early Stopping
原理 · Keras/TF实现 · 耐心值设置 · 模型保存策略
训练技巧防止过拟合
第08章
模型复杂度控制
参数数量 · 容量控制 · 奥卡姆剃刀 · 选择合适复杂度
模型设计原则
第09章
集成学习方法
Bagging(随机森林) · Boosting(XGB/LGBM) · Stacking · 减少过拟合
集成鲁棒性
第10章
数据增强
时序增强(加噪/扭曲) · GANs · SMOTE · 注意事项
数据合成
第11章
贝叶斯方法
贝叶斯神经网络 · 正则化 · 不确定性估计 · 优势
贝叶斯不确定性
第12章
标签噪声处理
噪声来源 · 标签清洗 · 鲁棒损失函数 · 标签平滑
标签鲁棒
第13章
样本权重与类别平衡
不平衡问题 · Focal Loss · 加权损失 · 重采样
不平衡权重
第14章
特征工程 · 过拟合防范
高基数特征 · 分箱陷阱 · 时序特征构造 · 稳定性评估
特征工程陷阱
第15章
超参数调优与过拟合
网格搜索风险 · 随机搜索 · 贝叶斯优化 · 嵌套交叉验证
调参最佳实践
第16章
回测中的过拟合陷阱
回测过拟合 · 多重测试偏差 · 数据窥探 · Deflated Sharpe Ratio
回测偏差
第17章
Walk-Forward Analysis
原理 · 实现步骤 · 参数更新 · 过拟合防范
分析稳健
第18章
模型监控与退化检测
性能监控 · 分布漂移(PSI/KS) · 预警 · 重训练策略
监控漂移
第19章
对抗验证
原理 · 实现 · 检测数据泄露 · 特征筛选
对抗验证
第20章
置换特征重要性
原理 · 实现 · 与过拟合关系 · 特征筛选
可解释性重要性
第21章
学习曲线分析
绘制 · 偏差/方差诊断 · 指导改进 · 过拟合检测
诊断可视化
第22章
权重衰减与学习率调度
权重衰减原理 · 衰减策略(Step/Cosine/ReduceLROnPlateau) · 协同
优化调度
第23章
批量归一化与层归一化
BN原理 · 交易模型应用 · LN · 对过拟合影响
归一化训练稳定
第24章
注意力机制与Transformer过拟合
自注意力正则化 · 多头Dropout · 防范技巧
注意力Transformer
第25章
LSTM/GRU · 过拟合防范
RNN正则化 · 循环Dropout · Zoneout · 梯度裁剪 · 序列长度
RNN正则化
第26章
GANs在数据增强中的应用
合成交易数据 · 条件GANs · TimeGAN · 稳定性与过拟合
GAN增强
第27章
迁移学习与预训练模型
金融迁移 · 预训练选择 · 微调 · 减少过拟合原理
迁移预训练
第28章
模型可解释性与过拟合
SHAP · LIME · 特征重要性 · 透明模型 vs 黑箱
可解释性诊断
第29章
实战案例：股票价格预测
完整案例 · 过拟合检查清单 · 常见错误与解决方案
实战案例
第30章
综合策略与最佳实践
完整框架 · 开发流程 · 团队协作 · 持续迭代
策略最佳实践