在股票量化投资中，避免模型过拟合的方法主要包括以下几点：

合理划分数据集：

将数据集分为训练集、验证集和测试集，确保模型不仅在训练数据上表现良好，也能在未见过的数据上保持良好的表现。这有助于评估模型的泛化能力。

简化模型：

适当减少模型的参数数量，避免构建过于复杂的模型。简单的模型结构通常更容易泛化，减少对训练数据的过度拟合。

正则化技术：

使用正则化方法如L1正则化（Lasso回归）或L2正则化（Ridge回归），对模型参数进行约束，防止模型过度拟合训练数据。

交叉验证：

采用滚动窗口交叉验证或K折交叉验证等方法，系统地评估模型在不同数据集上的表现。这可以帮助发现模型在不同市场条件下的稳定性和泛化能力。

增加数据多样性：

通过数据增强技术扩充训练样本，提高模型的泛化性能。例如，可以对数据进行不同的变换或添加噪声，以模拟不同市场环境下的数据分布。

综合使用这些方法，可以有效减少量化投资中模型的过拟合风险，从而提高模型在真实市场环境中的表现。