◢ 回測 - 參數最佳化的迷思（附程式碼） ◣
找到「歷史報酬率」好的策略很簡單
但是找到「未來報酬率」好的策略非常難。
為什麼？
原因在於做了過多的參數枚舉與優化，當樣本數夠大，自然會有極端的數據產生，就像是夜路走多了會碰到鬼，人多必有白癡，樹多必有枯枝，就像是量子力學中，波函數坍縮成我們所處的現實，代表著均值，但在極端的多重宇宙樣本中，你也有可能是總統，代表著眾多巧合下的極端事件。
本文用口語的方式，帶你瞭解如何判斷過擬合的演算法
牛頓從蘋果落地的現象，發現了萬有引力，F=ma，因為實驗的雜訊很小（風、熱能散失等等），才能有經典、簡潔的公式，然而把牛頓的實驗，換到財經領域時，可能就不是這麼管用了，當我們在建模時，價格的雜訊遠大於規律
我們很有可能是優化雜訊，而非優化價格的規律！
要怎麼辨別這兩者的不同呢？
我們可以先從直觀的角度出發，究竟歷史上成功的偉人，Bill Gates、Steve Jobs、Elon Musk，這些科技巨擘，他們之所以能夠有今天的成就，是一連串的巧合，還是他們有一些人格特質，促使他們的成功？另一個極端的例子，假如今天某人中了樂透彩而一夕爆富，那很明顯，他很可能是多重宇宙中，非常成功的一個版本，但他的成功，可能並非來自他的人格特質，而是來自運氣。運氣跟命運，看似哲學，但跟策略過擬合有著極大的關連！
模型的過擬合，就像是簽樂透彩，只要參數夠多了，總會中獎。所以策略績效好，究竟是不是運氣好？最重要的關鍵，就是要確保「實驗是有效的」。如何定義實驗是有效的呢？
我們提供了兩篇文章，讓你瞭解防止 overfitting 的方法：
👉避免過擬合的演算法介紹：
https://pse.is/overfitting1
👉演算法的實驗以及程式碼：
https://pse.is/optimization2
深入淺出的介紹，
製作精良的代碼，
需要你多多按讚分享，好東西讓好朋友知道！
#python
#backtesting
#optimization
