标签： #变量选择

你有 500 个因子、2000 个样本，直接全量回归——回测里 R² 漂亮，样本外一塌糊涂。这不是数据问题，是自由度把噪声当成了信号。Lasso 用 L1 惩罚把系数逐个压到 0，弹性网络再补一道相关性缓冲，把「几百个因子」压成「十几个真有信息量的少数」。本文用合成的多因子面板（仅 15 个真信号 + 成组相关）从零跑出系数路径、稀疏度阶梯与 OOS R² 对比，并诚实披露：L1 解决的是过拟合，不是帮你印钞（高阶）。

你有 600 个因子、30 个经济含义分组，但只有 6 个组真有信号——普通 Lasso 会把整组零碎系数逐个挑出来，破坏分组结构、也难解释。稀疏组 Lasso(SGL) 用「先组级、再组内」的复合 L1 惩罚，把变量选择变成「整组进/整组出」+「组内精炼」两步。本文用高维(N<P)合成面板从零实现 SGL 的 FISTA 近端梯度求解，5 折交叉验证选 λ，对照 OLS/Lasso/GroupLasso：OLS 样本外 R² 崩到 −3.58（过度记忆），SGL 拉回 +0.18，并找回 86% 真信号组的系数，附完整 Python 与四类真实陷阱（高阶）。