林晨重新開啟訓練日誌和回測報告，一行行程式碼、一個個引數地檢查。突然，他的目光停留在訓練集和測試集的劃分方式上。
為了追求“漂亮”的回測結果，他在劃分資料時，採用了簡單的“前80%資料訓練，後20%資料測試”方法。但股票資料具有很強的時間序列特性，這種劃分可能導致模型在測試集上“看到”了訓練集末尾的趨勢延續，從而給出虛假的優秀表現。
更深入檢查後，他發現了一個致命問題：在特徵工程階段，他無意中使用了一些“未來資料”。
比如，他計算了股價的20日移動平均線作為特徵，但在處理時，沒有嚴格避免資料洩露——在某個時間點，模型“看到”了包含該點之後資料的移動平均值。這在回測中不會報錯，因為所有資料都是已知的，但實盤中，你不可能知道未來的平均值。
“過擬合……”林晨喃喃吐出這個詞。
在機器學習中，過擬合指模型過度適應訓練資料中的噪聲和特定模式，導致在未見資料上表現糟糕。他的模型，就像一個只會背誦歷年考題答案的學生，一旦遇到新題型，就束手無策。
而金融市場的“新題型”每天都在出現。
林晨感到一陣懊惱，但更多的是警醒。他太急於求成了，被回測的漂亮數字迷惑，忽略了量化交易中最基本的陷阱。
他關掉交易軟體，開啟一個新的Python指令碼。這次，他要從頭構建更嚴謹的驗證流程：
嚴格避免任何形式的資料洩露，確保每個時間點的特徵只使用該點之前的資訊。
採用“滾動視窗”回測：用過去N年的資料訓練，測試接下來一年的表現，然後視窗滾動，模擬模型在歷史中逐步演進和實戰的過程。
加入更多的正則化手段（Dropout、L2正則化），防止模型過度複雜。
使用K折交叉驗證的變體，評估策略的穩定性。
在模擬環境中加入交易成本、滑點、限價單成交機率等更真實的約束。
敲擊鍵盤的聲音在寂靜的房間裡迴盪。林晨完全沉浸其中，忘記了時間，也暫時忘記了賬戶虧損帶來的焦慮。他正在解剖自己的錯誤，這個過程痛苦但必要。
深夜十一點，蘇婉輕輕推開書房門，端來一杯熱牛奶：“還沒休息”？
林晨抬起頭，眼睛有些發紅，但眼神清明：“遇到一個關鍵問題，在調整”。
“順利嗎”？ “不順利，但找到方向了”。林晨接過牛奶，溫度正好，“我的模型之前犯了錯，現在知道怎麼改了”。
蘇婉看著他專注的神情，沒有多問，只是說：“別熬太晚”。
“嗯，很快就好”。
門重新關上。林晨喝了一口牛奶，溫熱的感覺從喉嚨蔓延到胃裡。他看向螢幕上正在重新執行的驗證程式碼，這一次，回測曲線不再那麼“完美”了——年化收益率降到28%，最大回撤增加到18%，夏普比率也回落到2.0左右。
但這些數字，反而讓他感到踏實。
因為這是經過更嚴格檢驗後，更接近真實的數字。金融市場沒有聖盃，任何聲稱能在回測中持續獲得超高收益的策略，大機率都藏著過擬合的幽靈。
“程式碼可以騙人，但邏輯不會”。林晨想起自己常說的話，苦笑了一下，“但人會被漂亮的回測曲線騙”。
他儲存了所有修改，將最佳化後的策略重新部署到模擬環境，設定執行24小時，觀察其在更長曆史週期中的表現。
關機前，他最後看了一眼實盤賬戶：-12.3%。
這個虧損，成了他AI量化之路上的第一個深刻烙印。但它買到了一個千金難換的教訓：在金融市場，過去的表現永遠不能保證未來的結果。真正的智慧，不是完美擬合曆史，而是在不確定性中尋找穩健的泛化能力。
而泛化能力的背後，是對資料、對市場、對人性深刻的敬畏。
