基于深度强化学习的量化交易策略在A股市场的过拟合风险与稳健性检验——回测与实盘对比 .docxVIP

PAGE2

基于深度强化学习的量化交易策略在A股市场的过拟合风险与稳健性检验——回测与实盘对比

摘要

量化交易策略的泛化能力是金融科技领域的核心议题，深度强化学习模型在历史数据回测中表现优异，但实盘环境中常因过拟合而失效。本文聚焦A股市场，系统研究深度强化学习交易策略的过拟合风险与稳健性检验方法。

研究围绕“回测优异表现能否转化为实盘稳健收益”这一核心问题展开。第一章阐明研究背景与方法论依据；第二章梳理国内外量化交易与过拟合检验的研究脉络；第三章界定过拟合风险、泛化能力等核心概念，构建理论分析基础；第四章深入解析过拟合问题的生成机制与内在矛盾；第五章阐释市场周期转换对策略泛化的作用逻辑；第六章提出基于多周期交叉验证的稳健性检验理论框架；第七章总结研究发现并提出实践启示；第八章反思研究局限并展望未来方向。

核心结论表明：深度强化学习策略在单一市场周期训练下普遍存在显著过拟合，夏普比率从回测到实盘平均衰减42.7%；采用多周期交替训练与样本外检验可有效提升泛化能力，实盘夏普比率衰减控制在15%以内。本文为量化交易策略的稳健性评估提供了理论框架与实证依据。

关键词：深度强化学习；量化交易；过拟合风险；稳健性检验；A股市场

第一章绪论

1.1研究背景

金融科技浪潮正深刻重塑资产管理行业格局。截至2024年，全球量化对冲基金管理规模突破1.2万亿美元，其中采用机器学习技术的策略占比