ML回测最容易犯的错？
我的掌握程度：
先掌握这个答案
全样本训练后"回测"（应走查训练）；标准化用全样本统计量；特征里有未来。
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 · 把验证流程当作模型的一部分
训练选股模型或使用另类数据时，先保证训练过程没有接触预测时不可得的信息。
- 定义每个样本的特征可得时间和标签覆盖区间，再按预测场景设计时间切分。
- 归一化、缺失填充、特征选择和调参只在训练集拟合；重叠标签要按实际区间purge。
- 用朴素基线和多段滚动样本外比较，报告成本、稳定性、漂移与全部实验次数。
使用边界
- 排行榜或验证集反复用于挑模型后也会过拟合；留一份最终测试集。
- 随机切分不是所有问题都禁止，但金融未来预测必须尊重时点和标签重叠，说明验证目标。
核心答案（速览）
全样本训练后"回测"（应走查训练）；标准化用全样本统计量；特征里有未来。
🛠 本阶段共用练习 · 把验证流程当作模型的一部分
将标签期改为5日，画训练、验证、测试时间轴；列出一个只在训练集fit的标准化流程，并定义一个朴素基线。
💡 提示（先自己想5分钟再看）
定义每个样本的特征可得时间和标签覆盖区间，再按预测场景设计时间切分。 归一化、缺失填充、特征选择和调参只在训练集拟合；重叠标签要按实际区间purge。 用朴素基线和多段滚动样本外比较，报告成本、稳定性、漂移与全部实验次数。
✅ 验收标准
5日标签清除[5,6,7,8,9]；验证和测试不参与fit，报告基线对照与至少三段样本外表现。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（起点概念），再用案例、公式和代码帮助理解。此功能需要先启用服务。