2018华泰证券人工智能系列：时序交叉验证防止过拟合｜机器学习调参策略

报告摘要

机器学习模型在时间序列数据中常因过拟合导致策略失效。本报告首次系统对比传统K折交叉验证与时序交叉验证，揭示传统方法在时序数据中存在的‘未来信息预测历史’作弊行为。核心发现：时序交叉验证在测试集表现更优，尤其适用于XGBoost等复杂模型，能显著提升选股策略的收益稳定性。报告给出完整的调参方法论，并展示在A股全市场回测中的实证效果。适合量化研究员、金融工程师、投资经理和机器学习从业者，帮助解决时序数据调参难题，避免过拟合风险。

📋 报告目录

1. 本文研究导读
2. 过拟合问题与交叉验证
3. 模型的参数和超参数
4. 欠拟合和过拟合
5. 交叉验证