量化概念 14：过拟合与样本外（回测越漂亮，越要警惕）

回测年化 40%，实盘一年后只剩 5%——这种情况在量化里太常见了。问题往往不是策略不好，而是回测本身骗了你：策略在历史数据上过拟合了。

什么是过拟合

过拟合（overfitting），是模型把历史数据里的噪声当成了规律背下来。历史数据里除了真实的规律，还有大量偶然——某只股票恰好连涨、某个时段恰好风格占优。参数越多、尝试越多，模型就越能把每个偶然都"解释"得严丝合缝，代价是失去对未来数据的泛化能力。

类比学生考试：背答案的学生，题目一模一样时满分，换道题就垮；学方法的学生，单次可能不是最高分，但换什么题都能做。回测过拟合，就是背答案。

回测为什么容易过拟合

参数搜索。在历史数据上试几千组参数，挑表现最好的那组。几千次尝试里，总会有几组"碰巧"很漂亮——那不是规律，是运气。试的次数越多，找到的"最优参数"越像噪声。

因子挖掘。批量测试几百个因子，总有几个在历史上有不错的 IC。这里面大部分是多重比较带来的假发现——数据里总有东西"看起来"有效。

样本太少。规律需要足够样本才能显现。数据点少、参数多时，任何复杂模型都能把历史拟合得完美，但拟合的是噪声。

样本外：真正的检验

防过拟合的核心工具是样本外验证（out-of-sample）：把数据按时间切开，前一段（样本内，约 70%）用来开发策略、调参数；后一段（样本外，约 30%）留着，开发过程中完全不看，最后才跑一次。

样本外的意义在于：它没有被你的开发过程污染。样本内做得多漂亮都可以是背答案，样本外才是"换道题"的考试。

关键在于一次。样本外跑完发现不好，回头调参数再跑——第二次跑的时候，样本外已经变成样本内了，你看到的又是"背过的答案"。

怎么防过拟合

• 样本外验证：开发时不碰，最后一次性验证
• 参数要少：参数越少，能"背"的东西越少，过拟合空间越小
• 可解释：说得清为什么有效——有故事支撑的因子，比纯搜索出来的可信
• 看稳健性：最优参数附近是"平原"（参数微调结果基本不变）还是"尖峰"（只有那一个点好）——尖峰几乎一定是过拟合
• 警惕漂亮曲线：样本内年化 40% 配样本外 5%，落差本身就是过拟合的信号

常见误区

• 反复用样本外调参：看过一次的样本外就不再是样本外，等于没验证
• 参数越多越好：复杂度和样本量必须匹配，A 股的历史样本撑不起太多参数
• 只看样本内：样本内人人漂亮，分水岭在样本外
• 样本外差一点就"再调调"：连续多次试探之后，任何结论都不可信了

小结

过拟合是把历史噪声当规律背下来，参数搜索和因子挖掘是它的两个主要温床。防它的核心是样本外验证：开发时不碰、最后一次性跑。样本内年化和样本外落差太大，先怀疑策略过拟合，别急着给参数找借口——回测越漂亮，越要警惕。