标签： #过拟合

最小方差对冲的标准做法是对一堆候选工具做 OLS 回归、用残差当『已对冲』收益。但当你有 200 个对冲工具、只有 150 天样本、且大部分工具只是噪声时，OLS 会过拟合到样本内 R²=1.0、样本外 R²=−322。本文用 numpy 从零实现 PCA 降维对冲：只取承载真实信息的几个主成分，残余方差从 OLS 的『虚高 100% 对冲』回到诚实的 99%，样本外 R² 稳在 0.97。附完整 Python 与三张真实计算图。

网格搜索调策略参数是暴力枚举，参数一多组合数指数爆炸；随机搜索省了枚举却盲目乱撞。贝叶斯优化换个脑子：每跑一次回测都是一次昂贵采样，它用高斯过程（GP）在已跑过的点上拟合一个『代理曲面』连同不确定度，再用采集函数（EI）权衡『去已知的好区域深挖』和『去没探过的区域碰运气』，把下一次回测的算力花在最值得试的参数上。本文从零手写 GP 代理 + EI 采集，在一个多峰目标上对比贝叶斯优化 vs 随机 vs 网格的收敛速度——同样逼近全局最优，贝叶斯优化用的回测次数是网格的零头。最后拆穿最致命的坑：在验证集上优化超参本身就是一种过拟合，优化得越狠样本外亏得越惨（中阶）。

手工构造因子是『人想公式、数据验证』，遗传编程反过来：把因子表达式编码成树（叶子是特征、内部节点是算子），用交叉互换子树、变异随机替换、锦标赛选择淘汰弱者，让公式在 IC 适应度的驱动下自己进化。本文纯 Python 实现极简 GP 引擎：600×100 合成面板埋入非线性真结构 mom*exp(-|vol|)-0.5*rev，进化 25 代后找到 (mom - rev)，验证集 IC 0.098——超过最强单因子（0.078）、逼近真实结构上限（0.105），而且简约压力把树从平均 6.1 节点压到 3.8，没有膨胀成垃圾。但要害在最后一图：500 个随机公式在纯噪声特征上搜索，训练 IC 被『迄今最优』推着单调上涨到 0.018——数据挖掘偏差意味着 GP 天生是过拟合机器，防御靠简约压力+验证集早停+多种子重跑看表达式是否稳定（中阶）。

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）。

回测跑出 1.5 的夏普很爽，但它真的不是运气吗？经典 t 检验在收益非正态、自相关、样本短时会严重失真。本文用 iid bootstrap 重抽样,在「零假设=无 alpha」下重建夏普的分布,直接算出 p 值:真 alpha 策略 p=0.015 当场现形、纯噪声策略 p=0.47 无所遁形。并附功效分析与四类真实陷阱(中阶)。

当因子数量超过有效样本，OLS 会把噪声因子也装进模型。本文用一段 100 因子 / 10 真因子的合成面板，亲手走完 LASSO(ℓ1) 与弹性网络(ℓ1+ℓ2) 的系数路径、真因子恢复、样本外 IC 与多空组合，所有数字与配图由文末代码真实生成。

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。

量化因子模型最怕三件事：样本少、过拟合、分布漂移。本文从零实现 MLP 与逻辑回归，演示高斯噪声增强、SMOTE 式混合与 FGSM 对抗训练如何把测试准确率与对抗鲁棒性一起拉起来，并诚实列出会踩的真实陷阱。