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。
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。
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。
本报告由华泰证券发布,发布于 2018 年。
覆盖 2018 年,全文约 29。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化研究员、金融工程师、机器学习从业者、投资经理等读者参考。
重点分析了金融投资、金融投资研究等议题。