所有選擇權指南
模型能解釋歷史卻敗給下一期的原因閱讀約15分鐘
偏誤—變異權衡與金融模型過度擬合
理解預測偏誤、估計變異、不可約雜訊、模型複雜度、時間序列驗證、資料窺探、回測過度擬合與金融模型治理
由 Mark 撰寫 · 官方資料列於文末
直接解答
偏誤—變異權衡把系統性模型不吻合造成的預測誤差，與模型對訓練樣本敏感而產生的誤差分開。過度擬合是模型或策略把樣本特有的雜訊誤當成可重複結構。金融研究反覆回測，又面對市場狀態轉換，使兩個問題格外嚴重
預測誤差有多個來源
對固定輸入x使用平方損失時，預期測試誤差可分為偏誤平方、估計器變異與不可約條件雜訊
偏誤比較假想訓練樣本之間的平均擬合預測與真正條件平均值
變異衡量擬合預測隨訓練樣本改變的幅度，並不是市場報酬本身的變異
高偏誤會遺漏持久結構
過度僵化的模型可能忽略非線性報酬、交互作用、時間變化或重要風險因子
訓練與測試誤差都可能偏高，加入有根據的結構或更合適的特徵可降低系統誤差
若模型一直預測錯誤的量，或目標與決策不一致，低變異也不代表成功
高變異會學到偶然細節
靈活模型可能擬合不會重現的離群值、雜訊、市場微結構假象與一次性狀態模式
訓練誤差下降，結果卻會隨重抽樣、視窗、隨機種子或細微設定而劇烈改變
正則化、部分匯聚、簡化特徵、增加有效樣本與模型平均可降低變異，但也可能增加或保留偏誤
複雜度不只是參數數量
搜尋範圍、特徵建構、停止規則、超參數調整與研究者反覆修改，都會增加實際靈活度
現代模型未必呈現簡單的U形誤差曲線，但插值或雙降現象並不會消除驗證風險
真正相關的複雜度是整個適應性研究流程，包括最終報告沒有展示的所有淘汰模型
金融驗證必須尊重時間
隨機分割資料列可能洩漏重疊標籤、未來標準化、成分股變動與鄰近市場狀態的資訊
應使用時間順序留出、走勢前推評估、標籤重疊時的禁運期，以及測試前已固定的交易成本
表現應在不同時期、資產、合理成本、執行延遲與擾動下保持穩定，而不只是一次回測為正
資料窺探會放大錯誤發現
嘗試大量策略而只報告最佳者，會單純因選擇而美化其夏普比率、t統計量或回撤
White的Reality Check及相關多重檢定方法，在各自假設下處理搜尋眾多替代方案的問題
最終留出集只有在從未查看時才有幫助；反覆查看會把它變成另一個訓練集
治理必須記錄研究路徑
記錄每個測試過的假設、特徵、資產範圍、視窗、成本與否決，避免低估實際試驗次數
分開探索與確認，可行時預先登記關鍵測試，並要求經濟機制與明確失敗情境
報告表現分布、信賴範圍、週轉率、容量、尾部損失，以及由研究到實盤的衰減
常見問題
什麼是偏誤—變異權衡？
它是限制性假設造成的系統性預測誤差，與擬合樣本特有變動而產生的不穩定之間的權衡
什麼是金融模型過度擬合？
它是學到能改善歷史回測，卻無法推廣到未來決策的雜訊或一次性結構
為何金融研究不宜隨機分割訓練與測試資料？
時間依賴、重疊標籤、前處理與狀態鄰近性，都可能使未來資訊跨越分割界線
最終留出集能防止所有回測過度擬合嗎？
不能。它只在一直未被查看時有幫助，也無法修補龐大隱性搜尋、狀態轉換、不實成本或錯誤目標
資料來源與延伸閱讀
把這個概念應用到一份期權
選擇合約和目標，讓價格、時間與波幅假設在同一份分析中清晰呈現
分析我的期權