量化策略的过拟合风险识别与样本外验证方法.docxVIP

量化策略的过拟合风险识别与样本外验证方法

一、量化策略过拟合的核心内涵与生成逻辑

（一）过拟合的核心定义与表现特征

过拟合原本是机器学习领域的概念，指模型在训练集上表现优异，但在测试集上表现不佳的现象，应用到量化投资领域，就是指策略在历史回测（样本内）中展现出极高的收益水平和极低的风险，但在新的市场环境（样本外或实盘）中绩效大幅缩水的情况。量化领域知名学者洛佩兹·德·普拉多在其著作《金融机器学习》中对过拟合的本质做了清晰的阐述：过拟合的核心是策略学习到了历史样本中的随机噪声而非真实的市场信号，策略的样本内绩效高估程度，与策略的复杂度、数据的噪声水平以及测试的策略数量正相关（洛佩兹·德·普拉多，