欠拟合和过拟合方向相反:模型连训练用的历史数据都解释不好,信号本身就缺乏有效性,这是比过拟合更先要解决的问题。
识别特征有几个。回测阶段的表现就很平庸,收益和基准拉不开差距;增加模型复杂度后表现明显改善,说明原来的表达力不够;把因子拆开单看,每个都对收益没什么解释力。出现这些情况,先别急着调参数,要往源头查。
常见原因有三类。一是信息量不足,因子数量太少或者质量不高,模型没有可学的规律,解决办法是补充有效因子,而不是把现有因子反复组合。二是约束过紧,过滤条件、风控规则设置得太严,把大部分信号都拦掉了,可以适当放宽再观察触发频率的变化。三是数据问题,因子值计算有误、缺失值被硬填、复权口径不统一,都会让模型看到的是被破坏的规律,这种情况下模型再复杂也没用,先修数据。
和过拟合的区别要分清:过拟合是训练好测试差,欠拟合是训练本身就不行,两者的对策相反。欠拟合往丰富信息、放宽约束的方向走,过拟合往精简参数、加强验证的方向走。判断不准的时候,最简单的检验是把数据分成两段分别跑,两段都差的偏向欠拟合,一段好一段差的偏向过拟合,先定性再动手。
QMT量化选股规则,因子有效性与共线性控制说明
QMT量化轮动全流程,风格识别与信号验证步骤
QMT量化交易回测怎么看?过拟合问题如何识别?
问一问流程:
1.提交咨询
2.专业一对一解答
3.免费发送短信回复