对抗过拟合：从时序交叉验证谈起华泰人工智能系列之十四
创建于 更新于
摘要
本报告系统比较了传统K折交叉验证与时序交叉验证两大模型调参方法在机器学习公共数据集及全A选股数据集上的表现。实证表明，时序交叉验证能有效避免传统方法在时序数据上的过拟合，选择更"简单"模型，提升模型泛化能力及选股策略收益稳定性。关键图表11-14和35显示，时序交叉验证在复杂学习器XGBoost上测试表现更优，单因子分层回测及组合策略回测亦验证时序交叉验证策略获得更高收益并控制回撤风险[pidx::0,pidx::12,pidx::20,pidx::26]
