因為數學式沒辦法顯示只能用截圖的就麻煩大家體諒了

完整文章

如何用組合式淨化交叉驗證 (CPCV) 避免回測過度擬合

如果你有一堆隨機數字，這些數字基本上是常態分布的（也就是說，大部分數字集中在中間），你可以用一個數學公式來估算這些數字中最多的一個大概是多少。這在數學和金融領域有很多應用。

現在，假設有個研究人員在市場上測了很多策略。即使這些策略實際上沒有真正的優勢（也就是說，他們表現得像隨機數字），我們還是會發現一個看似表現很好的策略。

通常的回測方式（WF回測）有個問題：它會過度依賴少數幾個數據點，導致結果非常不穩定。這會讓研究人員選擇錯誤的最佳策略，即使那個策略實際上並不優越。

因此，我們需要更好的模型評估方法，像是FWER、偽陽性率（FDR）和回測過度擬合機率（PBO），強烈建議要看一下這幾個連結討論。

交叉驗證（CV回測）嘗試解決這個問題，它會在多個數據集上訓練和測試策略。但這還不夠，因為它仍然只從一條“路徑”（也就是一組特定的數據）來評估每個策略。

這就是組合式淨化交叉驗證（CPCV）派上用場的地方。它不僅僅從一條路徑來評估，而是考慮多條路徑，從而更全面地了解策略的表現。

CPCV的優點是它會減少錯誤地選擇表面上好但實際上不好的策略的風險。當你有足夠多的“路徑”或數據集時，CPCV能讓你更準確地估計一個策略的真實表現。

研究或評估投資策略，使用CPCV會是一個好主意，因為它可以幫你更準確地找出真正有用的策略，並避免因為過度擬合而做出錯誤的選擇。

這樣，我們就能減少不準確結果。這對解決回測過度擬合，也就是金融統計學中最重要的未解問題，具有重要意義。

完整文章