第19讲：过拟合的危险 (The Dangers of Overfitting)

过拟合(Overfitting)指模型在训练数据上表现优异，但在新数据上表现显著下降的现象。其本质是模型过度捕捉了训练数据中的噪声和偶然模式，而非真实的数据生成规律。

核心公式揭示本质：

y_{observed} = f(x)_{true} + \varepsilon

其中ε代表噪声项。过拟合模型实际上是在拟合 $f(x)_{\text{true}} + \varepsilon$ 的复合结构。

过拟合的典型特征：

模型复杂度与数据量的失衡（样本量N < 特征数P）
在训练集上的错误率显著低于测试集
参数对数据微小变化极度敏感

一、过拟合的三大经典示例#

1.1 示例1：多项式回归的阶数陷阱#

code

import numpy as np
import matplotlib.pyplot as plt

# 生成带噪声的二次曲线数据
np.random.seed(42)
x = np.linspace(0, 2, 20)
y_true = 2 * x**2 - 3*x + 1
y = y_true + np.random.normal(0, 0.5, len(x))

# 拟合不同阶数的多项式
degrees = [1, 2, 10]
models = [np.poly1d(np.polyfit(x, y, d)) for d in degrees]

# 可视化对比
xx = np.linspace(-0.5, 2.5, 200)
plt.figure(figsize=(12,6))
plt.scatter(x, y, c='red', label='Observed Data')

for i, (d, model) in enumerate(zip(degrees, models)):
    plt.plot(xx, model(xx), label=f'Degree {d} ({"过拟合" if d==10 else "适拟合" if d==2 else "欠拟合"})')

plt.ylim(-2, 5)
plt.legend()
plt.xlabel('X'), plt.ylabel('Y')
plt.title('模型复杂度对拟合效果的影响');

关键洞察点

欠拟合：无法捕捉数据的基本趋势（R²低）
适拟合：平衡模型复杂度与数据模式
过拟合：完美拟合噪声，失去泛化能力

1.2 示例2：金融数据中的伪相关性#

数据获取与处理

code

import yfinance as yf
import pandas as pd

# 获取多资产历史数据
symbols = ['PG', 'PEP', 'MCD', 'ATHN', 'DOW']
start = '2013-01-01'
end = '2015-01-01'

data = yf.download(symbols, start=start, end=end)['Close']
data.columns = symbols  # 简化列名处理

模型对比分析

code

from statsmodels.api import OLS

# 单变量回归
X_single = data[['PEP']]
y = data['PG']
model_single = OLS(y, sm.add_constant(X_single)).fit()

# 多变量回归（包含伪相关变量）
X_multi = data[['PEP', 'MCD', 'ATHN', 'DOW']]
model_multi = OLS(y, sm.add_constant(X_multi)).fit()

# 结果对比
print(f"单变量模型R²: {model_single.rsquared_adj:.3f}")
print(f"多变量模型R²: {model_multi.rsquared_adj:.3f}")

样本外验证

code

# 获取新时间段数据
new_data = yf.download(symbols, start='2015-01-01', end='2017-01-01')['Close']
new_data.columns = symbols

# 预测新数据
X_new_single = new_data[['PEP']]
X_new_multi = new_data[['PEP', 'MCD', 'ATHN', 'DOW']]

pred_single = model_single.predict(sm.add_constant(X_new_single))
pred_multi = model_multi.predict(sm.add_constant(X_new_multi))

# 计算样本外R²
from sklearn.metrics import r2_score
r2_single = r2_score(new_data['PG'], pred_single)
r2_multi = r2_score(new_data['PG'], pred_multi)

print(f"\n样本外表现：")
print(f"单变量模型R²: {r2_single:.3f}")
print(f"多变量模型R²: {r2_multi:.3f}")

1.3 示例3：滚动窗口的动态陷阱#

窗口长度选择实验

code

# 获取麦当劳股价数据
mcd = yf.download('MCD', start='2010-01-01', end='2020-01-01')['Close']

# 定义滚动策略函数
def rolling_strategy(series, window=30, z_entry=1, z_exit=0.5):
    rolling = series.rolling(window)
    zscore = (series - rolling.mean()) / rolling.std()

    position = 0
    portfolio = pd.Series(0, index=series.index)

    for i in range(len(series)):
        if zscore[i] > z_entry:
            position = -1  # 做空
        elif zscore[i] < -z_entry:
            position = 1   # 做多
        elif abs(zscore[i]) < z_exit:
            position = 0  # 平仓
        portfolio.iloc[i] = position

    returns = portfolio.shift() * series.pct_change()
    return returns.cumsum()

# 测试不同窗口长度
windows = [20, 50, 100]
results = pd.DataFrame({f'{w}d': rolling_strategy(mcd, w) for w in windows})

# 可视化结果
results.plot(figsize=(12,6))
plt.title('不同滚动窗口长度的策略表现')
plt.ylabel('累计收益');

关键发现

短期窗口（20天）在训练期表现优异
长期窗口（100天）样本外稳定性更好
最优参数存在显著时变特征

二、过拟合防御体系构建#

2.1 第一道防线：模型复杂度控制#

奥卡姆剃刀原则：在同等解释力下选择最简单模型
正则化技术：Lasso (L1) 和 Ridge (L2) 正则化对比

Lasso (L1)：

\min \left( \sum(y_i - \hat{y}_i)^2 + \lambda \sum|\beta_j| \right)

Ridge (L2)：

\min \left( \sum(y_i - \hat{y}_i)^2 + \lambda \sum\beta_j^2 \right)

其中 $y_i$ 为实际值， $\hat{y}_i$ 为预测值， $\lambda$ 为正则化参数， $\beta_j$ 为模型参数。第一项为损失函数，第二项为正则化项。

2.2 第二道防线：验证方法论#

按时间留出验证（Chronological Hold-out）：

code

split = int(len(X) * 0.7)
X_train, X_test = X.iloc[:split], X.iloc[split:]
y_train, y_test = y.iloc[:split], y.iloc[split:]

时间序列交叉验证：

code

from sklearn.model_selection import TimeSeriesSplit, cross_val_score

# gap 应至少覆盖特征回看窗口或标签的前瞻重叠区间
tscv = TimeSeriesSplit(n_splits=5, gap=5)
scores = cross_val_score(model, X, y, cv=tscv)

随机拆分和普通 K-Fold 会让模型在未来样本上训练、再回到过去评估。若标签使用未来多日收益且彼此重叠，还应按标签跨度扩大 gap，或采用 purge/embargo 规则。标准化、缺失值填充和特征选择也必须放进 Pipeline，在每个训练折内单独拟合。

2.3 第三道防线：信息准则#

AIC（赤池信息准则）：

$\text{AIC} = 2k - 2\ln(L)$

其中k为参数个数，L为似然函数值
BIC（贝叶斯信息准则）：

$\text{BIC} = \ln(n)k - 2\ln(L)$

n为样本量，惩罚项更强

三、实战练习：构建抗过拟合交易策略#

3.1 练习1：参数稳定性测试#

code

# 定义参数网格
param_grid = {
    'window': range(10, 101, 10),
    'z_entry': np.linspace(0.5, 2, 5),
    'z_exit': np.linspace(0.2, 0.8, 4)
}

# 执行网格搜索
best_params = {}
best_score = -np.inf

for window in param_grid['window']:
    for entry in param_grid['z_entry']:
        for exit in param_grid['z_exit']:
            # 在训练期计算收益
            train_ret = rolling_strategy(mcd[:'2015'], window, entry, exit).iloc[-1]

            # 在验证期测试
            valid_ret = rolling_strategy(mcd['2016':'2018'], window, entry, exit).iloc[-1]

            # 综合评分（训练收益 * 验证收益）
            score = train_ret * valid_ret

            if score > best_score:
                best_score = score
                best_params = {'window': window, 'entry': entry, 'exit': exit}

print(f"最优参数：{best_params}")

3.2 练习2：滚动窗口walk-forward分析#

code

# 初始化参数存储
params_history = []

# 时间窗口滚动
for year in range(2010, 2020):
    train_data = mcd[str(year-3):str(year)]
    test_data = mcd[str(year):str(year+1)]

    # 参数优化（简化示例）
    best_window = ...  # 优化逻辑

    # 测试期表现
    test_ret = rolling_strategy(test_data, best_window).iloc[-1]
    params_history.append({'year': year, 'window': best_window, 'return': test_ret})

# 分析参数稳定性
pd.DataFrame(params_history).plot(x='year', y='window', kind='bar');

四、过拟合诊断工具包#

4.1 学习曲线分析#

code

from sklearn.model_selection import learning_curve

train_sizes, train_scores, test_scores = learning_curve(
    estimator=model,
    X=X,
    y=y,
    cv=5,
    scoring='r2'
)

plt.plot(train_sizes, np.mean(train_scores, axis=1), label='Train')
plt.plot(train_sizes, np.mean(test_scores, axis=1), label='Test')
plt.xlabel('Training Size')
plt.ylabel('R² Score')
plt.legend();

4.2 特征重要性检验#

code

from sklearn.inspection import permutation_importance

result = permutation_importance(model, X_test, y_test, n_repeats=30)

sorted_idx = result.importances_mean.argsort()
plt.boxplot(result.importances[sorted_idx].T,
            vert=False, labels=X.columns[sorted_idx])
plt.title("Permutation Importance");

五、高频陷阱与破解之道#

陷阱1：p 值崇拜

错误：认为所有显著变量都应纳入模型
破解：结合经济意义与统计显著性

陷阱2：滚动优化幻觉

错误：不断优化参数适应最新数据
破解：设定参数更新频率和稳定性检验

陷阱3：幸存者偏差

错误：使用当前存活的股票构建历史组合
破解：使用生存偏差修正数据库