Optuna 调出的 Sharpe 是幻觉：嵌套 Walk-Forward 实测拆穿回测过拟合
PtrPomorski · x · 2026-09-27
量化 ML 常见陷阱：用 Optuna 对策略 Sharpe 做超参搜索，得到的亮眼数字往往只是拟合了回测样本本身，而非找到了可泛化的模型。
作者构建了一个刻意简单的实验来度量这一差距：
- 数据：SPY 日线，2005-01-03 至 2026-09-18，共 5,397 行特征；目标为次日收益率回归，特征仅取截至当日收盘信息，无前视偏差
- 模型与信号：sklearn 的 HistGradientBoostingRegressor，预测值 >0 做多、否则空仓
- 特征：12 个常规因子——多周期收益率、波动率、动量、z-score、RSI 等，即业界常见配置
- 成本：每次换仓单边 5bps（约往返 10bps），且在所有被优化和报告的 Sharpe 中内生计入，而非事后补加
- 对比：朴素路径上的 Optuna TPE（35 trials）vs 嵌套 walk-forward（每层内循环 25 trials），并与同窗口的 SPY 买入持有做对照
核心结论：朴素调参得出的 Sharpe 往往“好得不像话”，而带成本的真实样本外嵌套检验才是可信的业绩口径。方法论本身比特征工程更值得讲故事。
「研究」频道最新
- 研究者做免费开源站带你精读爱因斯坦 1905 四篇论文 — doodlestein · 2026-09-27
- 统计 11.9 万篇顶会论文:年录用从 968 涨到 19003 — angelaqdai · 2026-09-27
- 3000 人研究：能用 AI 后，敢说「我不知道」的人从 44% 跌到 3% — The Decoder · 2026-09-27
- Bagel 微调版一个模型搞定检测、OCR、深度图与分割 — mostlyired12 · 2026-09-27
- Blanche Minerva 列五步流水线，反驳「LLM 只是下一个词预测」 — BlancheMinerva · 2026-09-27
- 业内推测:模型设计能力零样本跃升源于设计数据与RL管线 — menhguin · 2026-09-27