参数优化与过拟合 Overfitting

尖峰会塌，高原更稳

只在某个“神奇参数”上特别好、旁边参数都一般，往往是记住了噪音——过拟合。附近一片参数都不错的“高原”更可靠。

留一段数据当考卷

用样本内挑参数，再用从没见过的样本外检验。只有考试也及格，才值得进一步研究。

本课要点

• 过拟合：参数完美贴合历史数据，但在新数据上表现很差。
• 用一段数据优化（样本内），用另一段数据检验（样本外）。
• 稳健的策略在参数附近一片区域都表现不错，而不是只在某个“神奇数字”上有效。

动手试试

下面这些练习可以在本课的互动沙盒里完成：

1. 先看热力图：样本内“最优”的琥珀色格子是哪组参数？它周围的格子颜色如何？
2. 点「放到样本外检验」：尖峰从正收益变成了多少？这和例题里“样本内 +80%、样本外 −20%”是同一种现象。
3. 比较青色虚线框（高原）的样本内外平均：它变差了，但有没有崩？
4. 随手点几个高原区内的格子，再点几个尖峰旁边的格子，看看两段收益的差别。

小测与解析

1. 某参数在样本内收益 +80%，样本外 −20%，最可能的原因是？

答案：过拟合。它记住的是历史噪音。

2. 判断参数是否稳健，应该看？

答案：参数附近的区域是否都表现良好。“高原”比“尖峰”更可靠。

本课术语

• 样本内（In-Sample）：用于优化参数的那段历史数据。
• 样本外（Out-of-Sample）：没有参与优化、专门用来检验策略的那段数据。
• 过拟合（Overfitting）：参数被调得过度贴合历史数据，在新数据上表现很差。