回测过拟合怎么看出来？参数最优化之后该做的三件事

你把参数扫了一轮，回测曲线漂亮到让你想直接按 live trading——年化 120%、最大回撤 8%、胜率 62%。 接下来大概率会发生的事：实盘第一个月就吃掉回测三年净利的一半。这不是坏运气，是「过拟合」 （overfitting）留下的收据。

这篇不评论你用哪个策略逻辑——逻辑本身可能没问题，问题往往出在参数怎么挑的、用哪段数据挑的。 给你三件事，都是最优化按下去之后、把策略搬上实盘之前该做的验证，一件都不能省。

先讲清楚：过拟合到底把「什么」配给「什么」

过拟合的机制很直接：你在同一段历史数据上，同时做「选策略」与「调参数」两件事， 最后挑到的那一组，本质上是对这段历史的噪音拿到满分——不是对市场的 结构性行为拿到满分。

把数据想成一张考卷。你先看完考卷再回头挑答题方法，考出来当然全对——但那不能推论你 下一张考卷也会这样。过拟合的核心就是这个：你用未来看过的数据回头挑参数，然后用同一份 数据验证挑得对不对，整个流程里没有任何信息在告诉你这组参数对「没见过的数据」有没有效。

第一关：把数据切开，最优化只能碰 in-sample

最基本、也最常被跳过的动作：数据一开始就切两块。一块给你随便玩—— 参数怎么调、指标怎么加、规则怎么改都可以；另一块锁起来，最优化跑完那一刻才第一次 拿出来看。这块不能参与任何选择，一旦拿出来看过就报废，不能再用。

这里有个很容易骗自己的做法：你把 out-of-sample 拿出来看，发现不理想，回头改参数， 再看一次。这个当下 OOS 就报废了——它已经被最优化流程间接碰过， 跟本来的 in-sample 没有本质差别。看第二次的 OOS 不叫 out-of-sample，叫另一段 in-sample。

想避开这个陷阱，可以再切第三块叫 hold-out：整个开发过程完全不碰， 策略要交付给实盘那天才第一次看。这块小一点没关系（15% 到 20%），它的作用是给你 「这组参数在真的没见过的数据上长什么样」一个诚实的参考。

第二关：walk-forward — 让「最优化」变成一直发生的事

切一次 in-sample／out-of-sample 有个弱点：你只验证了「用前 70% 挑的参数， 在后 30% 上还有效」这一个切点。市场如果换了个模式，你这组挑三年前数据调出来的 参数，可能三年来都在慢慢失效，你只是还没发现。

walk-forward 的想法很单纯：把数据切成很多小段，每段都跑一次「用前面 N 个月调参数、 用接下来 M 个月验证」，然后把「验证段」全部拼起来当成一条连续的样本外曲线。 这条曲线比较接近「真的照这个流程做的话，这几年会拿到什么」。

walk-forward 有个副产品同样重要：每个窗口挑到的「最佳参数」是什么？如果十个窗口挑到十组差很多的值，那不是这个策略敏感——是这个策略没有真的规律， 只是每次都在配当下那段噪音。反过来，十个窗口挑到差不多的参数，那才是真的抓到什么。

第三关：参数敏感度 — 你挑到的是山峰还是山脊？

同样一组回测拿到 Sharpe 2.1，可能是两种很不一样的东西：山峰—— 你刚好挑到那唯一的高点，任何一个参数挪一格数字就掉到 Sharpe 0.5；山脊—— 你周围一片参数都在 Sharpe 1.8～2.1，挪一格还是差不多。第一种是过拟合的教科书范例， 第二种才是可以搬上实盘的东西。

把「参数 vs 绩效」的 3D 热图画出来看是最直观的做法。真的有规律的策略，图看起来会是 一片缓坡；过拟合的策略看起来是几根尖刺。这一步不需要新工具，用你已经在跑的最优化 结果自己画。

顺带一提：数据量够不够支撑你调的参数个数

参数愈多，过拟合愈容易——这句话几乎是常识，但少有人讲具体门槛。这里列一个粗略的 经验值，来自机器学习的一般原则（不是交易独有）：每多一个要调的参数，你需要的独立 样本数会加倍成长。把「回测跑过的交易笔数」当成样本数来估：

如果你的策略跑三年只成交 40 笔，却在调 5 个参数，那不是「策略太挑」——是数据量根本 不够让你分辨「真的有效」与「刚好配到」。这种情况下，唯一有意义的动作是换更高频的 timeframe、或把参数个数砍到 2 个以内。

三关都过了：实盘上线前的最后两步

就算前面三关全过，也不建议直接开正常仓。上线之后的两件事同样关键：

• 先开 1/3 或更小的仓位跑一到两个月。回测会漏算的东西——真实成交延迟、滑点、部分成交、交易所偶尔的拒单——只有实盘会告诉你。
• 纪录每一笔回测 vs 实盘的偏差。同一根 K 棒的信号、实际成交价、以及最终 PnL 有没有系统性偏离回测预期。
• 设定一个停止线：实盘累积亏损超过 X% 或连续 N 笔偏离回测，就先停下来检查——不要等到已经吃完 3 个月才发现不对。
• 要把仓位放大之前，用实盘这一到两个月的数据再跑一次walk-forward验证。这是最诚实的一份 out-of-sample 数据。

仓位怎么从小开始加大，跟策略逻辑是两回事，属于资金管理的问题。这一段可以另外看 Kelly 公式与仓位大小 那篇，那边有讲「半 Kelly」为什么是实务常用的折衷。

这三关都帮不了你的事

讲完做得到什么，也该讲清楚做不到什么——这是这篇最容易被误解的地方。walk-forward 与参数敏感度都是「同一个市场环境」的验证， 它们对付不了下面这几种东西：

诚实的一段：把回测数字放在该有的位置

这篇本身没有贴任何具体的策略回测数字，是刻意的——没有标的、期间、参数、样本外设定 一起附上的绩效数字，不管数字多漂亮，读者拿去做决策都是危险的。过去绩效不代表未来表现，这句话在回测结果上尤其成立： 回测是模拟，不是实单纪录。

如果你要在自己的文章、Twitter 或给付费订阅者的信号里放回测结果，最低限度该附上： 标的（例如 BTCUSDT.P）、时间范围（例如 2023-01 至 2025-12）、 参数组（不要只写「经最优化」）、有没有 walk-forward、以及一句「这是模拟结果， 不代表实盘获利」。少一个都会让别人没办法判断这份绩效值不值得跟。

这也是为什么建议在做量化之前先看 散户怎么开始做量化交易 那篇——里面有一整段在讲「年化 500% 不是 overfitting 就是还没崩」，可以当这篇的姐妹篇。

常见问题