1. 过拟合概述

1.1 什么是过拟合

过拟合（Overfitting）是指模型在训练数据上表现极好，但在未见过的新数据上表现显著下降的现象。在量化回测语境下，过拟合意味着策略被过度调整以匹配历史数据中的噪声和偶然模式，而非捕捉真正的市场规律。

过拟合的本质是模型复杂度超过了数据所包含的信号量。当策略参数过多、回测周期过短或优化次数过多时，模型会开始拟合随机波动，导致回测绩效虚高，实盘绩效崩塌。

1.2 过拟合在量化回测中的危害

过拟合是量化策略开发中最隐蔽、最具破坏性的陷阱之一。它直接导致“回测很美，实盘很惨”的经典悲剧。

• 虚假信心：过拟合策略在回测中展示出极高的夏普比率、最大回撤控制和胜率，让开发者误以为发现了“圣杯”，从而投入真金白银。
• 资金损失：实盘交易中，过拟合策略无法适应真实市场动态，往往在短时间内产生远超回测的亏损。
• 时间浪费：开发者在错误的方向上持续优化，耗费数月甚至数年精力，最终一无所获。
• 归因错误：过拟合使得开发者无法区分真正的alpha和统计噪声，阻碍策略迭代和改进。

1.3 过拟合的直观例子

为了更清晰地理解过拟合，我们来看一个经典的曲线拟合例子。

场景：假设我们有10个历史数据点，代表某只股票过去10天的收盘价。我们想用一个多项式模型来拟合这些价格，并预测第11天的价格。

• 欠拟合（Underfitting）：使用一次线性模型（直线），无法捕捉数据中的波动，训练误差和测试误差都很大。
• 正常拟合（Good Fit）：使用三次多项式，较好地捕捉了主要趋势，同时保留了泛化能力。
• 过拟合（Overfitting）：使用九次多项式，完美穿过每一个数据点，训练误差为零，但曲线剧烈震荡，在第11天的预测值完全偏离真实趋势。

1.4 量化回测中过拟合的典型表现

在量化策略开发中，过拟合有以下几种典型表现，开发者应保持警惕：