Spurious Predictability in Financial Machine Learning
创建于 更新于
摘要
本文提出并验证了一套“可使工作流被证伪”的审计框架：通过五类人工构造的无预测性或置换性参照环境，对完整端到端 ML/回测流程进行严格的 walk-forward 验证以筛除泄露或流程性伪信号，并在通过审计的情况下量化选择性膨胀（以绝对幅度差 ΔZ 为主、并辅以稳定化 BIF）以衡量样本内优化与可实现的样本外证据之间的差距 [page::0][page::7][page::5][page::10]
