凌晨兩點，寶安某老舊小區狹窄的書房裡，螢幕的冷光映照著林晨專注的臉。
他盯著剛剛執行完畢的程式輸出，眉頭微皺。系統自動下載美股資料時果然遇到了問題——雅虎財經 API 返回的某些歷史資料格式不一致，導致 pandas 在解析時丟擲了型別錯誤。
“邊界條件……”林晨低聲自語，手指在鍵盤上敲擊。
他花了半小時修改資料預處理模組，增加了更魯棒的型別轉換和異常值處理。修復完成後，系統順利載入了過去五年標普 500 指數成分股的日線資料，總計超過六十萬條記錄。
但真正讓他陷入思考的，是另一個問題。
過去一週的實盤執行加上新整合的傳統技術指標，現在他的決策系統裡已經有三十七個特徵維度。從移動平均線到波動率指標，從成交量變化到市場情緒代理變數，系統在每次預測前都要處理這些海量資料。
“太多了”。林晨靠在椅背上，揉了揉發酸的眼睛。
他想起以前做跨境電商系統時的一個教訓：當時為了追求功能全面，他們在訂單處理模組里加入了十幾個校驗規則和異常處理流程。結果系統變得臃腫不堪，每次新需求都要考慮與舊邏輯的相容性，最終不得不重構。
程式碼可以騙人，但邏輯不會。
林晨點開 Jupyter Notebook，新建了一個檔案。他決定用 XGBoost 來做一次徹底的特徵重要性分析——這是他在學習機器學習課程時掌握的工具，一種基於梯度提升樹的演算法，能直觀地展示每個特徵對模型預測的貢獻程度。
“先看看哪些特徵在真正起作用”。
他匯入資料，開始編寫程式碼。首先將三十七個特徵標準化處理，然後劃分訓練集和測試集。XGBoost 模型的引數需要仔細調優：學習率不能太高，否則容易過擬合，樹的最大深度要控制，子取樣比例要設定……
窗外遠處的城中村漸漸安靜下來，只有遠處偶爾傳來貨車的轟鳴聲。林晨完全沉浸在程式碼的世界裡，一行行指令在螢幕上流淌。
三小時後，模型訓練完成。
林晨執行特徵重要性分析函式，螢幕上生成了一張橫向條形圖。三十七個特徵按照重要性得分從高到低排列，結果讓他有些意外。
排名前五的特徵分別是：20 日波動率、相對強弱指標(RSI)的 14 日均值、布林頻寬度、成交量的 5 日變化率、以及 CD 柱狀圖的趨勢。
這些都在預料之中。
但往下看，從第十名開始，特徵的重要性得分斷崖式下跌。第二十名之後的那些特徵——比如某些特定週期的移動平均線交叉訊號、成交量加權價格的一些衍生指標——重要性得分幾乎為零。
“也就是說，系統裡超過一半的特徵，對預測的貢獻微乎其微”？林晨喃喃道。
他重新運行了幾次分析，每次隨機劃分不同的訓練測試集，結果都高度一致。那些他花了不少時間從金融文獻裡找來的“經典指標”，在機器學習模型眼裡，大部分都是噪聲。
林晨沒有馬上刪除這些低重要性特徵，而是做了另一個實驗：他用重要性排名前十五的特徵重新訓練了一個模型，然後用完整的測試集進行評估。
結果讓他愣住了。
精簡後的模型，在測試集上的準確率不僅沒有下降，反而從原來的 61.3% 提升到了 63.8%。更重要的是，模型的泛化誤差顯著降低——在模擬 2022 年熊市資料的壓力測試中，新模型的回撤控制得更好。
“少即是多……”林晨盯著螢幕上的數字，忽然笑了。
這是一種奇妙的頓悟時刻。在過去十年的程式設計師生涯裡，他習慣了“功能越多越好”的思維模式。做電商系統時要支援幾十種促銷規則，做後臺管理時要覆蓋所有可能的查詢條件。複雜度在不知不覺中累積，直到系統變得難以維護。
而現在，機器學習模型用冰冷的資料告訴他：很多時候，精簡才是高效。
林晨站起身，走到窗邊做了幾個伸展動作。凌晨四點的鵬城，天空是深藍色，幾顆星星在雲隙間隱約可見。樓下早餐鋪的燈光已經亮起，蒸籠冒著白氣——這座城市永遠有人比你以為的更早開始新的一天。
