OOS预测拼接：金融ML唯一诚实的成绩单
我的掌握程度：
先掌握这个答案
OOS拼接流程：for 每年T：用≤T-1的数据（特征工程→特征筛选→训练全部在段内完成！）→预测T年每日分数→按日期append。最后把拼接的分数序列送入标准因子流水线（分层/组合/成本）。三个ML坑：①重训频率：月度重训通常优于年度（跟上风格）也优于日度（噪声+算力）；②特征筛选也必须段内：全样本选出的特征偷看了未来——最常见的隐蔽泄漏；③跨段换手：重训导致预测跳变→换手尖峰→成本尖峰，需平滑处理（新旧预测加权过渡3-5日）。
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
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。
背景 · 从一个困惑说起
全样本训练再「回测」，本质是让模型考试前背了整本答案册（q-712的旧病）。金融ML的终审只有一种形式：把时间切成段，每段的预测都只来自它之前的岁月——然后把所有「真样本外预测」拼成一条完整曲线。它就是走查验证（q-592）的ML版，但多了三个ML特有的坑。
由此产生的问题
OOS拼接的完整流程是什么？ML特有的三个坑（重训频率/特征库快照/跨段换手）怎么处理？
核心概念
OOS拼接流程：for 每年T：用≤T-1的数据（特征工程→特征筛选→训练全部在段内完成！）→预测T年每日分数→按日期append。最后把拼接的分数序列送入标准因子流水线（分层/组合/成本）。三个ML坑：①重训频率：月度重训通常优于年度（跟上风格）也优于日度（噪声+算力）；②特征筛选也必须段内：全样本选出的特征偷看了未来——最常见的隐蔽泄漏；③跨段换手：重训导致预测跳变→换手尖峰→成本尖峰，需平滑处理（新旧预测加权过渡3-5日）。
为什么需要它
①「唯一」的含义：全样本训练的任何指标都不构成证据——只有拼接曲线能回答「这个系统在真实时间流里会怎样」；②三个坑的普遍性：90%的「ML选股回测」死于坑②（特征筛选泄漏）——它藏在管线最不起眼的一步；③与Purged CV的分工：PKF给研究期的稳健估计（快、多路径），OOS拼接给上线前的终审（慢、唯一路径）——先PKF筛设计，再拼接定生死。
实际应用场景
验收清单：拼接分数的逐年IC表、拼接多空净值、与「全样本训练版」的差距（差距=泄漏量的直观读数）、跨段换手成本明细。
与之前知识的联系
q-592给了协议、q-710给了段内洁净、本题给了ML工程化的最后拼图；阶段9的Kaggle「本地CV与LB一致性」正是同一思想在竞赛场景的变体。到这里，金融ML的「验证纪律」体系完整闭环。
⚠ 常见误解
- 拼接IC 0.05比全样本的0.08差，模型变差了：0.08是掺水的、0.05是干货——低而真是金融ML的美德
- 重训越频繁越跟上市场：重训噪声+换手成本随频率上升；月度是经验甜点而非教条（用实验定）
- 特征筛选用全样本没关系，反正模型是段内训的：筛选=用数据决定「学什么」——它和训练同罪，必须同锁在段内
🛠 本题实践任务
为你的ML项目实现OOS拼接（含段内特征筛选与跨段平滑），输出：逐年IC表+拼接多空净值+与全样本版的差距量化。这份「诚实成绩单」是阶段8毕业项目的核心交付物。
💡 提示（先自己想5分钟再看）
跨段平滑：new = 0.7*new_pred + 0.3*old_pred，持续3日过渡；成本按换手单列。
✅ 验收标准
三件交付物上GitHub。面试讲项目时，先讲拼接协议再讲数字——顺序本身就是专业度的宣言。
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（走查验证、Purged CV、预测到组合），再用案例、公式和代码帮助理解。此功能需要先启用服务。