參數最佳化與過度擬合 Overfitting
把參數調到歷史上「最好」，往往只是記住了雜訊。樣本外測試才是真正的考驗。
還沒想好？先看看第一課（免註冊）「多指標共振」。
文字版講解 · 指標實戰與回測 第 4 課「參數最佳化與過度擬合」
把參數調到歷史上「最好」，往往只是記住了雜訊。樣本外測試才是真正的考驗。
尖峰會塌，高原更穩
只在某個「神奇參數」上特別好、旁邊參數都一般，往往是記住了雜訊——過度擬合。附近一片參數都不錯的「高原」更可靠。
留一段資料當考卷
用樣本內挑參數，再用從沒見過的樣本外檢驗。只有考試也及格，才值得進一步研究。
試得越多，越要小心
在同一段資料上試了幾百組參數，最好的那組很可能只是運氣最好，這叫資料窺探。儘量少調參，優先選擇邏輯說得通、附近參數也都不錯的設定。
本課要點
- 過度擬合：參數完美貼合歷史資料，但在新資料上表現很差。
- 用一段資料最佳化（樣本內），用另一段從沒用過的資料檢驗（樣本外）。
- 穩健的策略在參數附近一片區域都表現不錯（高原），而不是只在某個「神奇數字」上有效（尖峰）。
- 試的參數組合越多，越容易碰巧找到好看的結果，樣本外檢驗就越重要。
動手試試
下面這些練習可以在本課的互動模擬裡完成：
- 先看熱力圖：樣本內「最優」的琥珀色格子是哪組參數？它周圍的格子顏色如何？
- 點「放到樣本外檢驗」：尖峰從正報酬變成了多少？這和例題裡「樣本內 +80%、樣本外 −20%」是同一種現象。
- 比較青色虛線框（高原）的樣本內外平均：它變差了，但有沒有崩？
- 隨手點幾個高原區內的格子，再點幾個尖峰旁邊的格子，看看兩段報酬的差別。
小測驗與解析
- 1. 某參數在樣本內報酬 +80%，樣本外 −20%，最可能的原因是？
- 答案：過度擬合。它記住的是歷史雜訊。
- 2. 判斷參數是否穩健，應該看？
- 答案：參數附近的區域是否都表現良好。「高原」比「尖峰」更可靠。
- 3. 你在同一段資料上試了 500 組參數，挑出最好的一組。下一步最該做的是？
- 答案：用沒參與最佳化的樣本外資料檢驗它。試得越多，越容易碰巧撞上好結果；只有沒見過的資料才能檢驗它是不是運氣。