目录

过度拟合：回测 99% 胜率的策略，为何实盘亏得底朝天？

什么是过度拟合？看这个 “股市算命” 的例子

过度拟合的 3 种典型 “伪装”，新手最容易中招

1. 参数 “精准到离谱”

2. 因子 “多到看不懂”

3. 回测曲线 “光滑如镜”

如何检测过度拟合？3 个 “照妖镜”

1. 样本外测试：用 “新卷子” 检验

2. 参数扰动：看策略 “抗揍能力”

3. 交易逻辑检验：能不能 “说人话”

避免过度拟合的 “三不原则”

1. 不用 “过少数据” 开发策略

2. 不追求 “极致收益”

3. 不忽视 “常识判断”

---

深圳某量化工作室的小张，最近开发出一个 “神策略”：回测过去 5 年数据，胜率 99%，年化收益超 500%。他兴奋地投入 10 万实盘，结果 3 个月亏了 7 万。更诡异的是，每次回测都完美盈利，但实盘就是不赚钱 —— 这就是典型的 “过度拟合”，量化交易里最隐蔽的 “温柔陷阱”。

过度拟合就像给历史数据 “量身定制” 衣服，穿在过去的身上刚刚好，穿在未来的身上却处处别扭。今天我们就拆穿这个陷阱的 3 种伪装，教你如何避开它。

什么是过度拟合？看这个 “股市算命” 的例子

米切尔团队做过一个极端实验：用某股票过去 100 天的收盘价，拟合出一个 “预测模型”。他们加入了 “当天是否下雨”“上证指数末位数字” 等无关因子，最后得到一个公式：

次日收盘价 = 今日收盘价 ×1.02 + （下雨？0.03：0） - （上证指数末位是 3？0.01：0）

回测时，这个模型对过去 100 天的预测准确率高达 98%。但用它预测未来 10 天，准确率瞬间跌到 52%，和抛硬币差不多。这就像给历史数据 “算卦”，看似精准，实则毫无逻辑。

过度拟合的本质是 “把噪音当信号”。股市波动里，有真正的规律（比如低估值股票长期跑赢），也有随机噪音（比如某一天因为大户平仓导致的涨跌）。过度拟合的策略，会把这些噪音当成必须遵守的规则，就像把偶然路过的飞鸟当成导航路标。

过度拟合的 3 种典型 “伪装”，新手最容易中招

1. 参数 “精准到离谱”

某策略的买入条件是 “5.37 日均线金叉 21.89 日均线”，回测显示这个参数组合收益最高。但稍微调整一下，比如 5.38 和 21.90，收益就暴跌 —— 这明显是为历史数据 “削足适履”。

正常的有效策略，参数应该有 “容错空间”。比如双均线策略，5 日和 20 日好用，6 日和 22 日也应该差不多，就像鞋子大一点小一点都能穿，只有小脚鞋才必须精确到毫米。

2. 因子 “多到看不懂”

小张的策略里有 23 个因子，包括 “董事长生日月份”“股票代码是否含 7” 等奇葩条件。他解释说 “因子越多越精准”，但实际上，过多的因子会让策略变成 “历史数据的复制品”。

就像用 100 个参数画一条直线，最后画出的其实是和历史数据完全重合的折线，看起来完美，却失去了预测能力。米切尔的标准是：“能用 3 个因子说清的策略，绝不用第 4 个。”

3. 回测曲线 “光滑如镜”

正常策略的回测曲线应该有波动，就像山路有起伏。但过度拟合的策略曲线，可能连续 3 年没有回撤，甚至每月都盈利 —— 这在真实市场里几乎不可能，就像现实中没人能每次考试都考 100 分。

某平台曾曝光一个 “伪策略”，回测 5 年收益曲线是 45 度角上升，没有任何回调。后来发现，开发者在代码里偷偷加了 “未来数据”，相当于考试时偷看答案，成绩再好看也没用。

如何检测过度拟合？3 个 “照妖镜”

1. 样本外测试：用 “新卷子” 检验

把数据分成 “训练集”（比如 2018-2022 年）和 “测试集”（2023 年），用训练集开发策略，再用测试集验证。如果测试集收益比训练集低 50% 以上，很可能是过度拟合。

就像用前 5 年的高考题复习，最后得用今年的新题检验。米切尔团队要求：样本外收益不能低于样本内的 60%，否则坚决放弃。

2. 参数扰动：看策略 “抗揍能力”

把策略参数上下调整 10%，比如把 5 日均线改成 4.5-5.5 日，如果收益变化很大，说明策略很脆弱。而 robust 的策略，参数轻微变动不会影响核心效果。

这就像检验鸡蛋质量，好鸡蛋从 1 米高掉下可能没事，坏鸡蛋稍微碰一下就碎。某多因子策略在参数扰动测试中，收益波动不超过 10%，后来实盘表现稳定；而另一个策略波动超过 40%，实盘 3 个月就失效了。

3. 交易逻辑检验：能不能 “说人话”

问自己一个问题：“这个策略赚钱的逻辑是什么？” 如果答案是 “我不知道，但回测就是赚钱”，那大概率是过度拟合。

有效的策略一定有清晰的逻辑，比如 “低 PE 股票被低估，长期会回归”“趋势形成后会延续一段时间”。就像一个能说清赚钱门路的生意，才值得投入；说不清的，可能是骗局。

避免过度拟合的 “三不原则”

1. 不用 “过少数据” 开发策略

用 100 天数据开发的策略，就像只看 10 场比赛就判断球员水平，很容易出错。至少要用 3 年以上的数据，经历过牛熊周期，才能过滤掉短期噪音。

2. 不追求 “极致收益”

开发策略时，别总想着 “怎么让回测收益更高”，而是 “怎么让策略更稳健”。就像找对象，与其找 “完美到不真实的”，不如找 “有缺点但靠谱的”。

米切尔团队会故意在策略里加 “容错机制”，比如把止损线从 10% 放宽到 12%，牺牲一点回测收益，换更大概率的实盘存活。

3. 不忽视 “常识判断”

如果策略说 “每月最后一个周五必涨”，或者 “股票代码含 6 的表现更好”，哪怕回测再好也别信 —— 这些违背常识的规律，本质是随机噪音。

就像没人会相信 “打喷嚏时买股票必赚”，量化策略也得符合基本的市场逻辑，才能穿越牛熊。

小张后来简化了策略，去掉奇葩因子，只保留 “低波动 + 高股息” 两个核心逻辑，虽然回测年化收益从 500% 降到 15%，但实盘 6 个月盈利 8%。“原来慢就是快，接受不完美，反而能走得更远。”

下一篇，我们来聊聊量化交易的 “最后一公里”—— 实盘时遇到的突发情况该怎么处理？网络断了、系统崩了、策略失灵了，这些危机时刻该如何应对？