统计过拟合为什么是量化交易里最危险的隐形杀手

很多量化研究员都经历过同一种剧情：策略在回测里像一条几乎完美的上升曲线，Sharpe 很高，回撤又很低，于是大家自然会把这种“漂亮”当成有效性的证明。但一旦进入实盘，策略却很快开始持续亏损。最可怕的地方在于，这种失败通常不是因为逻辑完全错误，而是因为研究过程在不知不觉中把历史噪音包装成了看似精密的规律。研究者看到的不是坏模型，而是一个极其优秀、却建立在样本巧合之上的假模型。

统计过拟合之所以危险，是因为它不需要复杂的 AI 模型才会发生。只要你在反复调参数、筛信号、换窗口、改过滤条件、比较不同因子组合，你就已经在做隐蔽的多重检验。多次尝试本身就意味着，你迟早会在大量随机结果里找到一个看起来“非常显著”的答案。这也是为什么很多人明明很认真、很努力，依然会被回测欺骗。问题并不只是技术不成熟，而是研究流程天然容易奖励那些对历史最贴合的结果。