10 小模型与样本外检验¶

目标：正确设计金融时间序列训练和评估。前置：数据、因子。

核心概念¶

线性模型、树模型和小型神经网络可将特征映射为收益预测、概率或排名。模型复杂度只是一个维度，数据质量、标签时点与执行约束通常更重要。预测任务、训练窗口、特征可得时间和更新频率都要固定。

按时间划分训练、验证、测试；标准化、缺失处理和特征选择仅在训练数据拟合。若标签跨越多个交易日，分割边界要隔离重叠标签，避免把未来结果泄漏到训练中。滚动验证每次只使用决策日期之前已到期样本。

均方误差 = 所有(预测值-真实值)²的平均。两条预测2%、0%，实际1%、1%，误差平方平均为0.0001；较小预测误差并不保证扣成本后的交易获利。

例如先训练1月至6月，验证7月至8月，测试9月至10月。若观察测试结果后重新选参数，这段测试就参与了调参，需要另设未使用样本或如实称为研究回顾。

随机打乱所有金融日期、全数据标准化、只报告最好模型、未记录随机种子/版本。Agent理由流畅也不是模型预测正确的证据，最终需检查引用、样本外效果与风险执行。

练习：使用全年度均值标准化，再只训练上半年，是否泄漏？

答案：是。下半年的分布进入了上半年变换。应在训练段拟合变换，再原样应用于后续区间，滚动时同样只使用过去信息。