過度擬合是什麼？量化研究最常見的錯覺

在量化研究裡，最危險的事情之一，不是你完全找不到訊號，而是你以為自己找到了很強的訊號，結果那只是歷史資料中的巧合。

這個問題就叫做：過度擬合（Overfitting）。

過度擬合可以怎麼理解？

如果用一句話說，過度擬合就是：模型或策略太貼合過去資料，連雜訊都一起學進去了。

它在歷史回測裡看起來很漂亮，但一到新資料或真實市場上，就容易失效。

為什麼量化研究特別容易過度擬合？

因為量化研究很容易做很多次嘗試。

例如你可能會反覆調整：

• 回看期間
• 排名方式
• 門檻值
• 再平衡頻率
• 標的池條件
• 過濾規則

如果每次都根據回測結果來微調，最後很可能不是找到真正有效的規律，而是把歷史剛好發生的細節刻進策略裡。

過度擬合長什麼樣子？

常見的訊號包括：

• 回測績效好得不自然
• 小改一點參數，結果就差很多
• 只在某段期間特別有效
• 換個市場就不成立
• 沒有清楚經濟邏輯支持

如果一個策略看起來太完美，通常就值得特別懷疑。

為什麼這麼危險？

因為過度擬合最大的問題，不只是回測失真，而是它會讓研究者產生錯誤信心。

你可能會以為：

• 自己找到了 Alpha
• 策略風險可控
• 真實上線也能複製歷史報酬

但實際上，你只是把歷史雜訊包裝成了一個看起來很聰明的策略。

常見造成過度擬合的原因

1. 試太多參數

參數越多、搜尋空間越大，就越容易在歷史資料中撞到看起來很好的結果。

2. 沒有樣本外檢驗

如果你所有設計、調參與驗證都在同一段資料上進行，回測結果通常會被高估。

3. 缺乏經濟邏輯

如果一個訊號只是因為統計上看起來有效，但你說不出它為什麼可能存在，那它很可能只是巧合。

4. 不斷「修到漂亮為止」

每次看到不理想的結果就加一個條件、換一個門檻，最後很容易把策略修成只適合歷史的樣子。

怎麼降低過度擬合風險？

沒有任何方法能完全杜絕過度擬合，但可以大幅降低風險。

常見做法包括：

• 保持模型簡單
• 先有假設，再驗證資料
• 做樣本外測試
• 看不同期間是否穩定
• 看不同市場是否仍成立
• 做敏感度分析，檢查參數是否過於脆弱

真正值得信任的策略，通常不是最複雜的，而是即使在合理擾動下，結果仍然大致成立。

量化研究者該有的心態

做量化時，一個很重要的能力是：不要急著相信漂亮結果。

你要不斷問自己：

• 這是訊號，還是雜訊？
• 這是邏輯，還是巧合？
• 這是可重複的規律，還是歷史特例？

小結

過度擬合是量化研究中最常見、也最容易讓人掉進去的錯覺。

它提醒我們，回測的目的不是找最美的曲線，而是找最可能在未來仍然成立的邏輯。

對研究者來說，真正的專業不是把策略調到最好看，而是有能力辨認：哪一些結果只是資料剛好配合你而已。