量化策略回测过拟合诊断与解决

📚 共计 30 章节

过拟合的本质：为什么回测漂亮实盘却亏钱？

揭开回测与实盘鸿沟的底层逻辑，理解过拟合的第一性原理

核心概念认知

过拟合的数学定义：偏差-方差权衡与泛化误差分解

从数学视角拆解过拟合，掌握偏差-方差权衡精髓

数学基础理论

参数数量陷阱：策略参数越多越容易过拟合

参数数量与过拟合的正相关性，警惕维度灾难

参数优化陷阱

数据窥探偏差：反复回测同一段数据带来的幻觉

多次回测同一数据导致的统计谬误与虚假信号

数据偏差心理

未来函数：策略中隐藏的“时间穿越”问题

识别并避免使用未来数据，保证回测真实性

未来函数实战

幸存者偏差：只看到活下来的股票带来的误导

幸存者偏差如何扭曲回测结果，如何修正

数据偏差选股

前视偏差：不经意间使用了未来信息

前视偏差的常见来源与检测方法

未来信息诊断

过拟合的统计检验：夏普比率与最大回撤的置信区间

用统计工具量化过拟合风险，评估策略稳定性

统计检验夏普

过拟合的图形诊断：学习曲线与验证曲线绘制

通过可视化曲线直观判断过拟合程度

可视化诊断

过拟合的量化指标：过拟合概率（PBO）的计算

使用PBO指标定量评估策略过拟合风险

量化指标PBO

过拟合的量化指标：方差膨胀因子（VIF）在策略中的应用

VIF检测因子共线性，降低过拟合风险

过拟合的量化指标：策略的“自由度”与“有效参数”估计

估计策略真实复杂度，避免参数冗余

自由度复杂度

交叉验证基础：K折交叉验证在时间序列中的变体

时间序列交叉验证的特殊设计与实现

交叉验证时间序列

交叉验证进阶：组合交叉验证与滚动窗口验证

更稳健的验证方法：组合CV与滚动窗口

进阶滚动窗口

正则化方法：L1/L2正则化在策略参数优化中的应用

L1/L2正则化抑制过拟合，提升泛化能力

正则化方法：早停法（Early Stopping）防止过度训练

早停法原理及在量化策略中的使用技巧

早停训练控制

正则化方法：Dropout在量化因子组合中的类比应用

Dropout思想在因子选择中的创新应用

模型集成：Bagging与随机森林在策略生成中的抗过拟合效果

集成学习降低方差，提升策略鲁棒性

Bagging随机森林

模型集成：Boosting与Stacking的过拟合风险控制

Boosting/Stacking的过拟合风险与应对策略

BoostingStacking

特征选择：过滤法、包裹法与嵌入法在因子筛选中的实践

三大特征选择方法在因子筛选中的对比

特征选择因子

特征降维：PCA与t-SNE在减少因子维度中的应用

降维技术压缩因子空间，降低过拟合

参数优化：网格搜索与随机搜索的过拟合陷阱

传统搜索方法的过拟合风险与改进思路

网格搜索陷阱

参数优化：贝叶斯优化与遗传算法的抗过拟合优势

智能优化算法如何平衡探索与利用

贝叶斯遗传算法

参数优化：Walk-Forward Optimization（滚动优化）实战

滚动优化流程与过拟合防御实战

Walk-Forward实战

样本外测试：如何正确划分训练集、验证集与测试集

科学划分数据集，避免信息泄露

样本外划分

样本外测试：蒙特卡洛模拟与置换检验评估策略显著性

通过模拟检验策略是否真正有效

蒙特卡洛置换检验

样本外测试：跨品种与跨周期验证策略鲁棒性

多维度验证策略的泛化能力

跨品种鲁棒性

实战案例一：一个均线策略的过拟合诊断全流程

完整演示均线策略过拟合诊断步骤

实战案例二：一个多因子选股模型的过拟合修复过程

多因子模型过拟合修复全流程解析

实战多因子

课程总结：建立量化策略过拟合防御体系的最佳实践

构建系统化过拟合防御框架，持续迭代