第87章 加入验证集（1/2）

请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。

凌晨两点，城中村的出租屋里只有键盘敲击声和机箱风扇的低鸣。

林晨盯着屏幕上那行刺眼的亏损数据，已经整整复盘了三个小时。6.1万——这是他优化模型后投入实盘的剩余资金。一周时间，从7万到6.1万，12%的跌幅像一记闷棍敲在头上。

但奇怪的是，此刻他心里没有恐慌，反而异常冷静。

“代码可以骗人，但逻辑不会”。他低声重复着自己的口头禅，鼠标在历史K线图上缓缓移动。

问题就出在验证环节。

之前的模型在回测中表现完美，是因为他用了全部历史数据来训练，又用同样的数据来验证——这就像让学生既用课本复习，又用同一本课本考试，考满分不代表真会了。一旦遇到没见过的题目（新的市场行情），立刻露馅。

这就是机器学习里臭名昭着的“过拟合”。

林晨关掉交易软件，打开PyChar。屏幕上是他过去一个月写的量化系统代码，三千多行，像他亲手搭建的积木城堡。现在，他得拆掉一部分，重新设计地基。

“训练集、验证集、测试集…”他念叨着这三个机器学习最基本的概念，在草稿纸上画图。

传统的做法是把数据随机分成三块：70%训练，15%验证，15%测试。但金融数据有个致命特点——时间序列依赖。今天的股价受昨天影响，不能像图片分类那样随机打乱顺序。

“得用时间序列分割”。林晨在搜索引擎里输入这几个字。

凌晨三点，他找到了解决方案：滚动窗口交叉验证。

原理很简单——假设你有2010年到2023年的数据，先用2010-2015年训练，用2016年验证；然后用2010-2016年训练，用2017年验证…以此类推，像一扇窗户在时间轴上滚动。这样既尊重了时间顺序，又能充分验证模型在不同时期的泛化能力。

理论懂了，实现起来又是一堆坑。

林晨的代码原本是直接用trai_split函数随机分割，现在要重写数据加载模块。他泡了杯浓茶，开始敲代码。

def ti_series_cv_split(data, tra_years=5, val_years=1):

时间序列滚动窗口分割

data: 按时间排序的DataFra

返回: [(tra_idx, val_idx)] 列表

splits = []

start_idx = 0

while start_idx + tra_years + val_years ＜= len(data):

tra_end = start_idx + tra_years

val_end = tra_end + val_years

tra_dices = list(raart_idx, tra_end))

val_dices = list(rara_end, val_end))

splits.append((tra_dices, val_dices))

start_idx += 1 # 每次滚动一个时间单位

return splits

写完后，他跑了一遍测试。用A股沪深300指数2010年到2023年的日线数据，设置5年训练1年验证，程序生成了8组不同的训练-验证组合。

“这样应该够了”。林晨揉了揉发酸的眼睛。

但验证集只是第一步。真正的考验在样本外测试——用模型完全没见过的、最新的数据进行最终评估。

林晨做了个决定：把2023年全年数据留出来，作为最终的测试集。用2010-2022年的数据做滚动交叉验证，选出在多个验证期表现最稳定的模型参数，最后再用2023年的数据看真实效果。

这个流程，专业量化机构叫“Walk-Forward Analysis”（向前步进分析），是避免过拟合的黄金标准。

凌晨四点，程序开始运行。

屏幕上的进度条缓慢移动，每一次滚动窗口分割，模型都要重新训练一次。8组验证，意味着要训练8次模型。林晨那台三年前的游戏本风扇狂转，CPU温度飙升到85度。

他起身走到窗边。城中村的凌晨很安静，远处偶尔有外卖骑手的电动车驶过。楼下那家潮汕粥铺已经亮起灯，准备早市的食材。

半年前，他还在跨境电商公司加班到这个时候，为了一个促销活动页面。现在，他为一个验证流程的代码熬夜。

身份变了，但那种沉浸在心流状态的感觉，没变。

一个小时后，程序跑出第一轮结果。

本章未完，点击下一页继续阅读。