标签： #交叉验证

机器学习的所有教科书保证都建立在一句话上：样本独立同分布。金融标签把这句话踩得粉碎——「持有 25 天」意味着相邻样本共享 96% 的价格路径，500 个样本实测平均并发 6.66 个、平均唯一度仅 0.147，有效样本量只剩 73.7 个。后果是袋外评估彻底失灵：在完全不可预测的随机游走上，持有期 1 天时 OOB 只虚高 0.9pp，持有期 80 天时 OOB 报 0.607 而真样本外 0.492，凭空造出 11.5pp——重叠让「袋外」样本不再袋外。López de Prado 的两件解药：唯一度加权把每个样本的话语权降到它真正携带的信息量，序贯自助在抽样时优先挑不重叠的样本（实测抽样内唯一度提升 7.6%、重复抽中从 34.9 降到 27.5）。控制变量实验最能说明问题：训练段埋一个只在密集重叠簇里成立的伪信号，等权训练下它的特征重要性 0.633 碾压真信号的 0.193、样本外 t 值只有 1.33；换成唯一度加权后伪信号掉到 0.154、真信号升到 0.464、t 值 3.95——只改了样本权重，别的一行没动。三盆冷水：唯一度加权治重复计票不治前视偏差、纯噪声特征下不会凭空变出 alpha、序贯自助 O(n²) 开销在万级样本上要用近似（高阶）。

金融 ML 的标签常向前看，普通 KFold 打乱会把近重复样本留进训练、靠抄作业刷出虚假高分。本文用 López de Prado 的 purge+embargo 逼出诚实的样本外，并附完整 Python。