阶段6回测基础●●●●●

回测过拟合：为什么"历史完美"是危险信号

我的掌握程度：

q-507精讲

先掌握这个答案

机制：历史数据=真信号+噪声。回测优化器分不清两者——它忠实地拟合噪声（"只有三连阴后才买入"这种规则十有八九是给噪声定制的西装）。信息论直觉：数据的信息量有限，规则越复杂（参数越多、条件越多），可解释它的"合理模型"越多——完美拟合=必然过拟合。四防御：①少规则少参数（奥卡姆剃刀：参数≤3个的朴素策略更可能存活）；②参数敏感性（好策略的参数高原，孤峰=过拟合，q-085）；③样本外纪律（留一段从未参与任何决策的数据，最后碰一次）；④DSR折减（按尝试次数N打折，q-510）。防御边界：①②治"复杂度"、③治"选择偏差"、④治"多重检验"——组合使用而非单选。

先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。

从理解到使用

每一笔收益都要有可执行时间线

打印数据截止时间、信号时间、订单时间、成交时间和持仓收益区间。收盘信号不能乘当天完整收益；次日开盘成交也不能无条件拿到整个close-to-close收益。用原始价格判断可成交性，并纳入停牌与涨跌停。

本阶段实战方法 · 回测先过时序、成交与成本三道关

把信号变成策略收益时，每笔收益必须能追溯到当时能下出的订单。

画出时间线：数据可得→算信号→下单→成交→持仓收益；收盘信号不能倒用当天完整收益。
明确交易价格、T+1可卖数量、停牌涨跌停、仓位上限和实际成交量约束。
同时报告毛/净收益、换手、最大回撤、基准和样本外结果；对滑点与费率做压力测试。

使用边界

简单shift(1)只解决部分时序问题；次日开盘成交还要区分隔夜和日内收益。
成本应按成交金额与买卖方向计提；0.15%是教学情景，不是统一市场费率。

不懂的术语：过拟合（Overfitting）回测（Backtest）

背景 · 从一个困惑说起

q-502防住了"偷看未来"，但还有更隐蔽的敌人：不偷看任何一天数据，只是反复修改规则直到历史表现好看——每一次"优化"都在向历史噪声妥协。最终你得到的不是市场规律，而是历史的自画像。

由此产生的问题

回测过拟合的机制（信息论视角：规则复杂度vs数据信息量）？四个实用防御（少规则/敏感性/样本外/DSR）各自的边界？

核心概念

为什么需要它

①统计必然性：试错式研究下，回测虚高不是"可能"而是数学必然（最高分策略的期望夸大程度随N增长）——防御是纪律不是运气；②职业分水岭：能识别并抵御"再调一下会更好"的诱惑，是从业余到专业的最后一关；③与ML过拟合同源：阶段8的九信号体检是它的模型版——一条思想贯穿两条战线。

实际应用场景

实操守则：写下假设→固定参数→跑一次→记录（好坏都算数）→换下一个假设；"就改一点点再跑一次"前默念DSR：N又+1了。

与之前知识的联系

q-510的DSR是定量工具、q-085（阶段1）的实验日志是行为工具、本题是认知框架——三层防线；q-713（阶段8）把同一斗争推进到ML。

⚠ 常见误解

我没有偷看数据所以没过拟合：过拟合不需要"偷看"——反复试错本身就是对历史的隐性拟合
样本外验证一劳永逸：样本外被看过一次就"污染"一分（你会忍不住按它调整）——终极样本外要像弹药一样省着用
简单策略赚太少、复杂策略赚得多：市场不奖励复杂；复杂度是你在为噪声付账——先问参数有没有必要性证明

🤖 AI导师

导师会先检查你的前置知识（前视防御、多重检验），再用案例、公式和代码帮助理解。此功能需要先启用服务。