过拟合交易策略：了解概念与风控

过拟合交易策略是一个对过去市场变动解释得过于精确的模型或规则集。它并非捕捉可重复的优势，而是捕捉历史数据中的噪声、怪异现象和一次性模式。结果在回测中看起来可能很出色，但当相同规则遇到新的市场数据时可能会失败。

教育说明：本文仅供教育用途，不构成财务、投资、法律或税务建议。Finelo 不推荐任何证券、策略、平台或交易。投资与交易存在风险，包括本金可能亏损。请通过官方来源或合格的专业人士核实当前规则、费用、产品条款及适合性。

Finelo 提供金融教育，而非金融或投资建议。本指南面向正在构建或评估算法化、基于指标或基于规则的策略的初学者与早期实践者，提供实用方法以判断回测是否值得信赖。

本文主要参考了 QuantConnect 的回测与研究文档，作为研究工作流程和回测实践的主要官方参考。

交易中“过拟合”的含义

当一个策略被调整得与过去的数据非常契合，以至于不再代表耐久的市场关系时，就会发生过拟合。它可能在历史样本上拟合得非常好，但那往往只是因为规则围绕着该特定样本而成形。

一个简单的思维实验有助于理解。想象你正在测试一个移动平均交叉系统。你在数千种短期与长期窗口组合中搜索，直到某一对在十年回测中表现极佳。结果可能令人信服：高收益、有限回撤和平滑的权益曲线。但该对参数可能仅仅因为匹配了那个特定十年窗口中的一些异常序列而有效。若在后来的年份中测试，表现可能会下降，因为这些规则捕捉的是历史噪声而非稳定优势。

过拟合并不限于复杂的机器学习系统。若简单的指标策略经过反复调整以改善历史结果，也可能出现过拟合。你调整、过滤和重新测试得越多，最终版本反映过去样本而非可重复模式的概率就越大。

为什么在算法交易中过拟合很重要

算法交易使用计算机程序根据预定义规则生成信号或执行交易。这些规则可以很简单，例如移动平均交叉，或很复杂，例如多因子模型。

自动化使测试高效且可重复，但也增加了过拟合的风险。研究者可以快速测试数千种变体：不同的指标、回溯期、过滤器、出场规则和资产集合。若缺乏纪律，很容易仅选择历史上表现最好的结果，而没有意识到所选策略大多是偶然拟合的。

以研究为先的方法有助于降低该风险。在测试之前，写下该信号可能有效的原因是有用的。原因可以是经济的、行为的、统计的或结构性的，但应在优化开始之前陈述。这并不能证明策略有效，但为判断回测是在检验假设还是仅在寻找偶然结果建立了基线。

对初学者而言，实际含义很直接：

• 在学习阶段从简单且可解释的规则开始。
• 在测试前记录信号可能有效的理由。
• 保留未触碰的数据，直到最终评估时再用。
• 将早期结果视为教育性实验而非证据。

算法交易可能放大损失也放大收益，因此应将强劲的回测视为仍需仔细验证的假设。

策略可能过拟合的常见迹象

没有单一警示标志可以证明策略已过拟合。但若出现以下几种模式，应加强审查。

常见警示包括：

• 在未见过的数据上表现崩溃。策略在样本内有效，但在真实的样本外期间表现很差。
• 利润来自少数交易。若大部分收益依赖于少数异常交易，策略可能不如表面指标所示的健壮。
• 权益曲线异常平滑。几乎没有回撤的回测对于所交易的市场可能不现实。
• 微小参数变化导致结果大幅波动。若将回溯期从 20 天改为 21 天就显著改变收益，说明该优势可能脆弱。
• 规则在反复测试后变得更复杂。增加的过滤器可以改善历史结果，同时降低未来可靠性。
• 测试忽视成本或滑点。在考虑成本前看起来盈利的策略在现实执行假设下可能无法存活。

这些迹象并不自动意味着策略毫无价值。它们表明证据较弱，需要更强的验证才能将结果视为可靠。

对任何回测可执行的简单检查

实用的过拟合审查不需要从高级统计学开始。若干基本检查可以揭示策略是否足够稳定，值得进一步研究。

1. 使用未触碰的留出期

保留一个开发期间未使用的连续时间窗口。不要在该窗口上选择参数、添加过滤器或在策略版本间做选择。仅在策略规则固定后才进行评估。

这个最终测试通常称为样本外测试。它不能消除过拟合，但可以显示策略是否能超出用于构建它的数据进行泛化。

2. 审查交易日志

不仅看总体收益。检查单笔交易并询问：

• 收益是否分布在许多交易中？
• 是否有一笔交易或一个短期解释了大部分结果？
• 亏损是否与策略声明的逻辑一致？
• 策略在不同市场环境下是否表现不同？

一个有许多适度贡献者的策略通常比依赖少数极端赢家的策略更易解释。

3. 测试参数敏感性

略微更改每个关键参数，查看结果是否仍然合理。例如，如果策略使用 20 天回溯，比较 18、19、21 和 22 天等相近值。

目标不是找到更好的设置，而是观察策略是否依赖于单一精确值。健壮的想法通常在合理的参数范围内表现相似。

4. 包含现实成本

交易成本、费用和滑点会大幅影响回测，尤其是高换手率策略。忽视成本可能使弱策略看起来很强。

原文的关键点依然成立：回测是必要的但不完美的。通过谨慎处理数据、现实的交易假设和严格的样本外评估，回测更有用。

5. 使用视觉合理性检查

查看权益曲线和回撤模式。问自己该结果是否对于所交易的市场和策略类型看起来合理。视觉审查本身不足以决定一切，但它可以揭示突然的跳跃、长期不活跃或可疑地平滑的表现。