🎯 今日核心问题
- 「回测年化 30%」这句话,在什么条件下等于「实测会亏钱」?
- 参数从 2 个增加到 6 个,过拟合风险翻了几倍?
📖 精读提纲
【一】过拟合的数学根源:搜索即拟合噪声
过拟合不是「不小心」,而是搜索的必然结果。只要你在同一份历史数据上反复试验 100 组参数,取表现最好的那一组,你就是在对这份历史数据的随机波动做拟合——即使你的策略毫无经济逻辑,也能搜出一条漂亮的曲线。
举个具体数字。假设你做一个双均线策略,参数是(快线周期, 慢线周期),快线取 5/10/15/20/25/30,慢线取 20/30/40/50/60/70,共 36 组组合。A股 2010 至 2024 共约 3400 个交易日。在这 36 组里挑夏普最高的,通常能得到年化 20% 以上;而把同一组参数原封不动挪到 2025 年的样本外,年化常常掉到 0 附近甚至为负。这不是策略失效,是它从来就没有效过。
更真实的场景:有人展示一个科创板动量策略,回测 2020-2023 年化 34%、夏普 1.8。你把参数从 20 日动量换成 21 日、22 日、19 日,年化立刻变成 8%、-5%、12%。参数敏感说明模型拟合的是噪声,不是信号。真正稳健的策略,参数邻域内表现应该是一块高原,而不是一根针尖。
【二】自由度与样本量的关系
一个粗略但实用的经验法则:每增加 1 个可调参数,你需要的独立样本数至少翻倍。日频数据有严重的自相关,3400 个交易日扣除重叠窗口后,真正独立的信息量可能只相当于 150 到 300 个独立观测。这意味着:
- 调 1-2 个参数:300 个独立样本勉强够;
- 调 4-6 个参数:已经进入危险区,年化虚高 10 个点很正常;
- 调 10 个以上参数(含选股条件、止盈止损、仓位规则):几乎必然过拟合,回测数字失去参考价值。
A股还要额外考虑一个残酷事实:2015 年股灾、2016 年熔断、2018 年单边熊市、2020 年疫情急跌、2022 年地产链下杀、2024 年 1 月微盘股流动性危机——六个截然不同的市场状态。如果你只用 2019-2021 这三年(成长股大牛市)调参,参数就只在这三年有效:那几年「动量+高波动」因子表现极好,同一套参数到 2024 年 1 月微盘股杀跌时,单周回撤 15%。
【三】实战应用:参数稳健性检验与组合式验证
不要问「最优参数是多少」,要问「这一片参数区域是否整体有效」。具体三个动作:
一是做参数热力图。把快线 × 慢线的全组合年化画成矩阵,看高分是否连成一片。如果最高分是孤立的 1 个格子,周围全是负数,直接放弃。
二是取中位数参数而非最优参数。在全组合中选择年化处于 60 到 70 分位、且邻域(上下左右各 1 格)平均表现也在前 30% 的那组参数。宁可少赚 3 个点,换一个不脆弱的模型。
三是降自由度。把 6 个参数压到 2 到 3 个,或者把参数固定成经济上有意义的整数(比如「20 日」对应一个月,「60 日」对应一个季度)。逻辑先行的参数,比数据挖掘出来的参数抗跌得多。
【四】常见误区
- ❌ 反复调整参数直到回测曲线好看。这个循环每转一次,样本外表现就衰减一次。
- ❌ 把「回测夏普 > 2」当成质量证明。A股公募量化产品实盘夏普超过 1.5 的都不多,你的个人回测夏普 2.5 大概率是漏了成本或者过拟合。
- ❌ 用全部历史数据调参,然后说「我用全样本验证过了」。全样本既是训练集又是测试集,验证无效。
- ❌ 参数微调后持仓完全换了一批股票,却仍以为策略没变——这说明模型不稳定。
💻 代码示例
import numpy as np
import pandas as pd
# a) 构造一段「纯噪声」价格序列:真相应为 0 收益
np.random.seed(42)
n = 2500
ret = np.random.normal(0, 0.02, n) # 随机游走,无任何规律
price = pd.Series(100 * np.exp(np.cumsum(ret)))
def backtest_ma(price, fast, slow):
ma_f = price.rolling(fast).mean()
ma_s = price.rolling(slow).mean()
pos = (ma_f > ma_s).astype(int).shift(1).fillna(0)
r = price.pct_change().fillna(0) * pos
ann = (1 + r).prod() ** (252 / len(r)) - 1
sharpe = r.mean() / (r.std() + 1e-9) * np.sqrt(252)
return ann, sharpe
# b) 3600 组参数搜索:在噪声上「发现规律」
fasts = [5, 10, 15, 20, 25, 30]
slows = [20, 30, 40, 50, 60, 70]
results = []
for f in fasts:
for s in slows:
if f >= s:
continue
ann, shp = backtest_ma(price, f, s)
results.append({"fast": f, "slow": s, "ann": ann, "sharpe": shp})
df = pd.DataFrame(results).sort_values("ann", ascending=False)
print("最优 5 组(全部来自噪声):")
print(df.head(5).to_string(index=False))
# 典型输出: 年化 8%~14%,夏普 0.6+,但真实期望收益是 0
# c) 稳健性检验:最优参数的邻域表现
best = df.iloc[0]
neighbors = df[
df.fast.between(best.fast - 5, best.fast + 5) &
df.slow.between(best.slow - 10, best.slow + 10)
]
print(f"\n最优参数: fast={best.fast}, slow={best.slow}, "
f"年化={best.ann:.2%}")
print(f"邻域 5 组平均年化={neighbors.ann.mean():.2%}, "
f"标准差={neighbors.ann.std():.2%}")
# 邻域标准差 > 5% 说明这是一根「针尖」,不是「高原」
# d) 真正该用的判定:多市场状态的样本外
def oos_check(price, fast, slow, split=0.7):
k = int(len(price) * split)
ann_in, _ = backtest_ma(price[:k], fast, slow)
ann_out, _ = backtest_ma(price[k:], fast, slow)
return ann_in, ann_out
ann_in, ann_out = oos_check(price, int(best.fast), int(best.slow))
print(f"\n样本内年化={ann_in:.2%} 样本外年化={ann_out:.2%} "
f"衰减={ann_in - ann_out:.2%}")
✏️ 今日动手
1) 把上面的噪声实验跑一遍,记录最优参数的年化。再换一个随机种子重跑,看最优参数是否变了——如果每次都变,你就亲眼看到「过拟合=拟合噪声」了。
2) 拿你第二周写的某个单因子策略,做一次参数热力图:持有期取 5/10/20/40 日,分组数取 3/5/10。把年化矩阵打印出来,判断是高原还是针尖。
3) 定一条硬规则写进代码:参数只在 70% 样本内选定,剩下 30% 只允许看一次。
🔖 明日预告
明天算钱:佣金、印花税、滑点、冲击成本。一个日频、持有 5 天、全仓换手的策略,光是摩擦成本每年就能吃掉 8 到 12 个点的收益——很多「年化 25%」的策略,扣完成本只剩 12%。