过度拟合在统计学和机器学习中是个重要概念，尤其在量化策略领域。拟合是训练模型以匹配训练数据，而过度拟合发生在模型过度依赖训练数据，导致在新数据上的表现不佳。这常源于参数调优过度，如增加或修改参数以优化回测结果。过度拟合的迹象包括特殊筛选阀值、复杂参数和有限适用范围。解决方法包括扩大数据集和应用正则化等防止过训练的技术。
过度拟合最初是统计学数据挖掘领域中的概念，如今在机器学习、量化策略领域里有着重要地位。
首先，什么是“拟合”？拟合指在训练集上训练模型，使模型的预测结果和已知数据相符。通俗地讲，拟合就是指定一个量化策略模型。
当一个量化策略模型在确定了基本投资框架和交易规则后，还需要将策略中的参数进行细调和优化，进一步提高收益并降低波动率，在这个细调优化的过程中，就容易发生“过度拟合”。
参数调优是优化的主要方法之一，其中包括调整参数值和增减参数数量。比如将原参数“亏损15%止损”调整为“亏损10%止损”，增加参数“上穿25日均线买入”等，如果在参数设置调整后，该策略模型的回溯测试表现更好，那么就会保留这个新的参数设置。
然而，当这个根据样本数据进行参数调优后的策略模型，在对样本外的数据进行测试时效果并不佳，这就是过度拟合。专业概念上讲，过度拟合就是指在调试一个复杂策略模型时，使用或调整了过多参数，导致根据回测样本训练出来的模型对样本外的数据预测效果很差。简单而言，策略模型在拟合后，回溯测试表现很好，但到了实盘执行就不灵了。
我们将产生过度拟合的
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
