探析：量化交易策略回测绩效与实盘表现不一致

由peng1960hong创建，最终由peng1960hong更新于2026-03-03 15:24 被浏览 11 用户

一、引言

在量化投资实践中，策略回测绩效与实盘表现呈现明显偏差已成为股票量化交易的核心痛点，也是每一个量化交易者（机构）的重要关切。中国A股市场政策驱动、散户主导、交易机制复杂等特征，使得这一问题尤为突出。本文基于A股市场特性，针对回测-实盘不一致的现象，参考蒙特卡洛回测与参数平原方法，结合BigQuant平台策略开发、回测与提交模拟的实践，围绕个人量化交易实践过程中策略回测绩效与实盘表现不一致这一问题进行深入探析。

二、 A股 “回测绩效与实盘表现”不一致的现象概览

1. A股全市场量化策略类型

数据来源：由AI根据下列文献在各种自媒体上刊播的主要结论摘要整理归纳而来，数据系估算，仅供了解“不一致”现象参考。

参见参考文献[1] [2] [3] [4]

量化多因子选股策略回测-实盘表现差距

关于选股策略回测-实盘表现差距，转换为因子数量与模型稳定性的关系，学术界与业界已形成广泛共识：理论层面，Bailey et al. (2014) 在经典论文 The Probability of Backtest Overfitting 中提出的 PBO 理论证明，随着测试因子组合数量的增加，发现虚假高夏普策略的概率呈指数级上升。华泰证券金融工程团队在《人工智能选股系列》报告中对此进行了深入的本土化研究：盲目增加特征（因子）数量会引入噪声，导致模型泛化能力显著下降；直接应用 PBO 理论量化了 A 股策略的过拟合风险，证实了随着模型复杂度（因子/参数数量）提升，回测过拟合概率急剧上升，实盘表现往往大幅低于回测预期；在时间序列数据中，复杂的模型若未经严格的时序交叉验证，极易产生“伪阿尔法”。这些研究共同揭示了多因子模型绩效随因子数量增加呈现‘倒 U 型’分布的内在机理：存在一个最优特征子集区间，一旦超越该区间（即因子过载），共线性和噪声干扰将导致实盘夏普比率出现断崖式下跌。

参见参考文献[5] [6] [7] [8]
因子拥挤影响策略实盘表现

**资金同质化：**2025年量化行业规模突破2万亿元，其中80%资金集中在“市值+动量+波动率”等传统因子，导致某中证500指增产品中，前20大持仓股重合度超60%。

**策略趋同：**AI因子挖掘工具普及（如某平台可一键生成10万+因子），机构间因子库重合度从2020年的30%升至2025年的75%，形成“千人一面”的策略生态。

**交易行为共振：**高频量化机构通过算法加速交易，当因子信号反转时，会引发“拥挤因子集中抛售”，例如2025年9月“低波动因子”单日资金流出超300亿元，导致相关股票平均下跌3.8%。

参见参考文献[9]

\

三、回测概述

回测的基本定义

**（1）回测（Backtesting）：**使用历史数据模拟交易策略执行过程，评估其在历史市场条件下的表现。其核心价值在于：

• 验证策略逻辑可行性

• 优化策略参数

• 比较不同策略相对表现

（2）核心观点：回测不是预测未来，而是评估策略在历史数据中的表现。

（3）回测的主要类型

回测的方法多种多样，需要在回测准确度、资源耗费、复杂度等维度进行平衡，任何回测结果皆为统计学意义下对市场未来变化不确定性的评估而不是“预知”，回测绩效与实盘表现误差小、适应当下市场结构、稳定运行、抗干扰能力强的策略才是优秀的策略。

2. 蒙特卡洛回测

将蒙特卡洛回测纳入量化策略研发流程，是从追求“历史拟合优度”转向追求“未来稳健性”的思想转变。该方法不是替代传统回测，而是补充和升级。它通过构建“可能未来”的概率空间，迫使策略开发者关注稳健性而非拟合度，是应对A股高波动、政策驱动、结构突变市场的必要工具。

终极目标：构建在概率意义上稳健而非历史路径上最优的策略。

（1）蒙特卡洛回测方法分类

（2）蒙特卡洛回测的实施建议

参数平原：策略鲁棒性的微观体现

（1）参数平原（Parameter Plateau）

在策略参数空间中，存在一个宽广区域，其中所有参数组合均能产生相近的优良绩效，这与脆弱的"参数山峰"形成鲜明对比。

（2）如何检测与利用参数平原

**绘制参数敏感性热力图：**寻找连续高绩效区域

平原存在性判据

**宽度：**参数跨度 ≥ 30%（如窗口20→40）

**深度：**绩效波动 < 15%

**连通性：**单连通区域

**实盘部署：**选择平原中心值，监控宽度收缩

**参数平原的价值：**当策略形成参数平原，说明它捕捉到真实市场机制，而非数据噪声。

参见参考文献[12]

四、A股 “回测绩效与实盘表现”不一致的主要原因

数据层：历史数据的“完美幻觉”

（1）幸存者偏差（Survivorship Bias）

**问题：**回测仅使用当前上市股票，剔除已退市、ST、*PT股（如乐视网、长生生物），而这些个股往往是暴跌主力；

**影响：**收益虚高15%–30%，最大回撤被严重低估；

**实证：**中信证券（2024）测试显示，加入退市股后，小盘股策略年化收益从22%降至14%。

（2）前复权陷阱（Look-Ahead in Adjustment）

**问题：**使用前复权价格回测，相当于用未来分红/送转信息调整历史价格；

**影响：**在除权日产生虚假跳空缺口，导致技术指标（如MACD、布林带）发出错误信号；

**正确做法：**使用后复权或原始价格+事件标记。

（3）行情精度失真

**K线聚合误差：**1分钟K线由逐笔成交聚合而成，但回测常假设“收盘价可成交”，忽略盘口滑点；

**Level-2缺失：**未使用十档行情，无法模拟真实挂单成交过程。
模型层：静态假设 vs 动态现实

（1）因子过拟合（Overfitting）

**机制：**在有限历史数据中搜索最优参数组合，将噪声误认为规律；

**表现：**回测夏普 > 2.0，实盘 < 0.8；

参数呈“山峰”而非“平原”（华泰证券，2025）。

（2）因子拥挤（Crowding）

**定义：**大量机构使用相同因子，导致信号同质化，影响策略实盘绩效；

**临界点：**当同一因子使用机构家数 >30，胜率则下降20%（中信建投，2024）；

案例：“小盘+反转”因子拥挤度达62%，引发量化产品集体回撤8.2%（国泰君安，2024）。

（3）AI因子噪声泛滥

**实证：**机器之心（2024）测试1000个AI生成因子，仅7.3%具备经济逻辑，90.2%为噪声；

**根源：**符号回归、遗传规划等算法在无约束下生成“数学巧合”，而非经济机制。
**市场层：**金融系统的“反身性”与“状态漂移”

（1）索罗斯反身性（Reflexivity）

**原理：**策略参与交易 → 改变价格 → 原有规律失效；

**A股例证：**2023年“中特估”行情中，低估值因子因资金涌入自我实现，随后均值回归失效。

（2）市场状态漂移（Regime切换）

回测覆盖单一市场状态（如2020–2021牛市），实盘遭遇新状态（如2022熊市）即失效。

（3）政策黑天鹅

**2023年“减持新规”：**打破小盘股流动性溢价逻辑；

**2025年“高频交易限速令”：**单账户≤300笔/秒，终结极速打板策略。

4. 执行层：理想回测 vs 现实摩擦

（1）交易成本低估

（2）A股特有机制忽略

**T+1限制：**当日买入次日才能卖出，导致日内信号无法执行；

**涨跌停约束：**涨停买不进、跌停卖不出，回测常假设“可成交”；

**最小交易单位：**1手=100股，小仓位无法精确调仓；

**BigQuant实证（2024）：**加入三大摩擦后，动量策略年化收益从28%→19%。

（3）执行延迟

**网络延迟：**API下单到交易所撮合平均50–200ms；

**行情延迟：**L2行情推送延迟100–500ms；

**影响：**在快速行情中，信号发出时价格已变。

认知层：世界观的根本错位

（1）线性静态系统观 vs 动态市场

错误假设：“历史会重复” → 市场是可预测的机器；

**真实本质：**市场是复杂非线性适应系统（Complex Adaptive System），参与者行为不断改变市场的结构与状态。

（2）回测目标错位

**伪目标：**最大化回测收益；

**真目标：**最小化实盘与回测的差距。

（3）验证方法缺陷

**传统回测：**一次性优化所有参数 → “考试前看答案”；

**正确方法：**Walk-Forward Analysis（滚动样本外测试） + 蒙特卡洛回测（概率空间验证）。

参见参考文献[13] [14] [15] [16] [17]

\

五、BigQuant平台策略回测与实盘验证

BigQuant平台主要策略有两类：多因子策略与择时策略，其中多因子策略又分为线性模型、机器学习模型、其他模型，回测方式主要采用历史回测、时间序列交叉验证（滚动训练）的方式进行回测，可以使用网格搜索、贝叶斯、参数平原等方式对策略参数进行寻优，根据之前对于量化交易策略回测问题的讨论继续展开下面的讨论。在前述的蒙特卡洛回测方法的视角下，我们在BigQuant平台上所做的历史回测（包括我们习惯的选股数量50只的回测）、时间序列交叉验证（滚动训练）回测，这些回测的“随机路径样本”数量远远低于蒙特卡洛回测（专著与文献都提及其随机回测路径样本数不得低于10000），因此，BigQuant平台的策略回测绩效与实盘表现经常出现差异，然而，这种差异常常是回测绩效优于实盘表现。

策略实盘的反身性

首先，对策略实盘后对市场本身的影响通过“反身性”这个概念加以进一步讨论（如图1：策略反身性理解示意图），作为一个个人量化交易者，这个影响基本可以忽略不计，但是，某些策略因子使用者数量增加到一定的阈值，或者交易者利用某个策略交易量超过一定的阈值，这时，这个策略的实盘就会影响市场进而影响该策略在后续实盘的绩效。
回测、实盘与时间、调仓周期

我们需要理解机器学习模型训练集、预测集、验证集与实盘之间的关系（如图2：机器学习模型策略的时间示意图），对于线性模型只需要把训练集时间+预留数据时间+预测集时间合并在一起就可以纳入相同的时间尺度进行考察。

**（1）训练集开始日：**以自然日计；

**（2）训练集结束日：**以自然日计；

（3）XT **训练集时间：**训练集开始日~训练集结束日期间所有交易日；

**（4）JT 数据预提取时间：**以交易日计，数值大于因子算式与过滤条件里最大前置天数，数据与训练集部分重合，在BQ平台上数据抽取模块（DAI）选项“历史数据向前取的天数（自然日）”相当于这个时间，缺省值为90天（这个数值非常重要，对于策略回测绩效与实盘表现有重要影响，下面有更进一步的验证）；

**（5）预测开始日：**BQ平台以自然日计，实际运算始于开始日之后最近的交易日，最开始的这个交易日也是这个策略在这一时间段内的第一个调仓日，后续的调仓日以该调仓日为其他调仓日计算的起点；

（6）预测结束日：BQ平台以自然日计，可以是当前，实际运算终于结束日之前最近的调仓日;

（7）ST 预测集时间：预测开始日~预测结束日期间所有交易日，其中涵盖的交易日天数需大于ST ；

**（8）FT 验证集时间：**BQ平台以自然日计，开始时间可以是自然日、交易日、调仓日，可以通过预测集的调仓日与调仓周期推算出最近的那个新调仓日，并在这个新调仓日开始验证，使得验证集的绩效曲线可以与预测集完全对齐并延续；

**（9）实盘开始日：**BQ平台以自然日计，大于验证结束日或直接从验证开始日开始实盘（BQ平台的提交模拟），同样，也可以根据预测集或验证集的调仓日与调仓周期推算出最近的那个新调仓日作为实盘开始日，使得实盘的绩效曲线与预测集或验证集对齐并延续的概率增大；

（10）推断：

其一，JT落入XT，重叠部分的样本不会产生未来函数，可能产生数据隐形泄露；

**其二，**从预测开始日之后的任何一个调仓日开始到当前，回测的结果可以保证相同时间段内的选股标的具有明确的一致性或一致性的概率较大；

**其三，**在调仓日介入实盘，策略收益曲线完全可能对齐回测标收益曲线；

**其四，**推测，时间上保证 ST+FT+YT < XT ,这个期间的策略复现预测时间段”因子+过滤 ”优化之后策略绩效的概率大于 ST+FT+YT >XT 时间段。
BigQuant平台策略回测验证

（1）基本假设与实验设计

**假设1：**训练集构建策略，预测集测试策略，验证集验证策略（当作实盘模拟），数据样本皆为事后获取；

**假设2：**人为可控的策略回测（BQ平台）与实盘因素：因子算式、调仓周期、回测起始时间、选股数量、实盘开始时间（验证集开始时间）、历史数据向前取的天数、开始日期绑定交易日、结束日期绑定交易日，验证集期间市场所有变化的结构与表现在开始验证那一刻视作未知的不确定；

**假设3：**在验证集期间，当人为可控的策略回测（BQ平台）与实盘因素不变的前提下，验证集与预测集的绩效趋同的概率取决于：验证集与预测集市场变化的结构与表现的相似度或差异度；

**假设4：**在验证集回测绩效与实盘表现不一致，可以通过观察：预测开始日\~验证结束日与验证开始日\~验证结束日在验证集期间的选股结果的一致性将人为可控的因素全部设置为“确定因素”。

**验证设计：**选择不同模型（线性、机器学习）策略，针对不同策略（具体见策略代码共享链接）划定预测集、验证集的时间区间，在提供的策略代码上设置影响选股结果一致性较大的因子（含有或不含有），调仓周期5天，选股数量1或50只，历史数据向前取的天数：90天（缺省设置）与其他合理天数，不勾选：保留向前所取天数的数据，运行这组设置的策略代码，将选股结果放入千问进行比对。

（2）策略回测验证结果

线性模型策略-低频因子1~4 回测验证策略代码：小盘股线性选股策略-实验.ipynb

https://bigquant.com/codesharev3/77894f87-10e2-4dcd-921b-66527a39474b

线性模型策略-低频因子-1

**调仓周期：**5天，**选股数量：**1只，因子+过滤条件：含有m_ta_ema( *, N) 算子

**历史数据向前取的天数：**90天（缺省设置），**不勾选：**保留向前所取天数的数据，**预测集：**2024-01-01~2026-02-25，**验证集：**2024-05-08~2026-02-25

结果： 共同日期88 个 | 一致：85/88（96.59%）| 不一致：3/88（3.41%）

线性模型策略-低频因子-2

**调仓周期：**5天，**选股数量：**50只，因子+过滤条件：含有m_ta_ema( *, N) 算子

**历史数据向前取的天数：**90天（缺省设置），**不勾选：**保留向前所取天数的数据，**预测集：**2024-01-01~2026-02-25，**验证集：**2024-05-08~2026-02-25

结果： 共同日期88 个 | 一致：56 /88（63.64%）| 不一致：32/88（36.36%%）

线性模型策略-低频因子-3

**调仓周期：**5天，**选股数量：**1只，

因子+过滤条件：不含m_ta_ema( *, N) 算子，将“小盘股线性选股策略-实验”特征表达式模块“因子与过滤条件”里m_ta_ema( *, N) 算子替换为m_ta_sma( *, N)

**历史数据向前取的天数：**90天（缺省设置），**不勾选：**保留向前所取天数的数据，**预测集：**2024-01-01~2026-02-25，**验证集：**2024-05-08~2026-02-25

结果： 共同日期88 个 | 一致：88/88（100.00%）| 不一致：0/88（0.00%）

线性模型策略-低频因子-4

**调仓周期：**5天，**选股数量：**50只，

因子+过滤条件：不含m_ta_ema( *, N) 算子，将“小盘股线性选股策略-实验”特征表达式模块“因子与过滤条件”里m_ta_ema( *, N) 算子替换为m_ta_sma( *, N)

**历史数据向前取的天数：**90天（缺省设置），**不勾选：**保留向前所取天数的数据，**预测集：**2024-01-01~2026-02-25，**验证集：**2024-05-08~2026-02-25

结果： 共同日期88 个 | 一致：56 /88（63.64%）| 不一致：32/88（36.36%%）

机器学习模型策略-低频因子1~4 回测验证策略代码：SR-中证2000策略-实验.ipynb

https://bigquant.com/codesharev3/108f1346-a67c-415a-875f-bde1d60797e7

机器学习模型策略-低频因子-1

**调仓周期：**5天，**选股数量：**1只，

**因子+过滤条件：**含有m_ta_ema( *, N) 算子，

**历史数据向前取的天数：**90天（缺省设置），**不勾选：**保留向前所取天数的数据，**预测集：**2025-01-01~2026-02-25，**验证集：**2025-04-21~2026-02-25

结果： 共同日期43 天个 | 一致：39 /43（90.70%）| 不一致：4/43（9.30%）

机器学习模型策略-低频因子-2

**调仓周期：**5天，**选股数量：**50只，

**因子+过滤条件：**含有m_ta_ema( *, N) 算子，

**历史数据向前取的天数：**90天（缺省设置），**不勾选：**保留向前所取天数的数据，**预测集：**2025-01-01~2026-02-25，**验证集：**2025-04-21~2026-02-25

结果： 共同日期43 天个 | 一致：0 /43（0.00%）| 不一致：43/43（100 %）

机器学习模型策略-低频因子-3

**调仓周期：**5天，**选股数量：**1只，

**因子+过滤条件：**不含m_ta_ema( *, N) 算子，

**历史数据向前取的天数：**160天，**不勾选：**保留向前所取天数的数据，**预测集：**2025-01-01~2026-02-25，**验证集：**2025-04-21~2026-02-25

结果： 共同日期43 天个 | 一致：43 /43（100%）| 不一致：0/43（0.00%）

机器学习模型策略-低频因子-4

**调仓周期：**5天，**选股数量：**50只，

**因子+过滤条件：**不含m_ta_ema( *, N) 算子，

**历史数据向前取的天数：**160天，**不勾选：**保留向前所取天数的数据，**预测集：**2025-01-01~2026-02-25，**验证集：**2025-04-21~2026-02-25

结果： 共同日期43 天个 | 一致：30 /43（69.77%）| 不一致：13/43（30.23%）

线性模型策略-高频因子回测验证策略代码：海通高频因子实验-1 （这项验证未提供策略代码链接，以减少文章的篇幅，读者可以随意找一个高频因子策略按照相似参数予以验证）

**调仓周期：**5天，**选股数量：**50只，

**因子+过滤条件：**不含m_ta_ema( *, N) 算子，

**历史数据向前取的天数：**90天（缺省设置），**不勾选：**保留向前所取天数的数据，**预测集：**2024-01-01~2026-02-25，**验证集：**2025-01-07~2026-02-25

结果： 共同日期43 天个 | 一致： 0 /43（0.00%）| 不一致：43/43（100.00%）

六、思考与实操

关于市场不确定性的研判，我们可以将任何市场或者同一个市场的任何时间区间随机的变化划分为三种结构：市场结构延续（趋势或者大小盘）前一阶段，市场向新的结构转换（震荡或者大小盘），市场以新的结构（趋势或者大小盘）运行，我们需要做的就是让策略适应市场的结构，不同的市场结构对应不同的策略，在市场行情的变化过程中实现实盘表现与策略回测绩效的一致性；
量化交易的策略回测绩效与实盘表现的差异仍将是一种常态，而造成这种“常态”的原因林林总总，有一些原因我们可能知道，但无法改变，比如市场行情发生结构性变化等，我们可以有所作为的是：敬畏市场的变化无法预测，努力降低“人为可控”相关因素的影响；
影响策略回测绩效与实盘表现的差异的“人为可控”因素至少包含（不限于）因子算式、调仓周期、选股数量、训练集/预测集/验证集/实盘起始时间、历史数据向前取的天数、保留向前所取天数的数据（不勾选）、开始日期绑定交易日（勾选）、结束日期绑定交易日（勾选）以及这些因素的不同组合等，当这些“人为可控”因素改变导致回测绩效在预测集与验证集的重叠区间调仓日选股结果一致性发生改变，可以理解为实盘过程中增加了一个“市场变化”的因素；
量化交易的所有策略（包括构成这些策略的因子）绩效随着因子的暴露（或者使用者数量与使用时间的增加）都将趋于某个均值，这与非量化交易的“主观”类交易策略的绩效所呈现的趋势具有相似性，AI的广泛应用无法改变 “交易策略实盘绩效趋于其均值”的趋势；
因子开发挖掘需要置于平台与回测交易框架之内进行评估与选择，回测根据资源与条件可以按照蒙特卡洛回测、时间序列交叉验证、历史回测的顺序选择，如果只能进行历史回测，则评判策略的优劣应遵循如下权重或优先顺序：鲁棒性、稳定性、预测-验证一致性、夏普比率、累计收益/最大回撤、其他；
选股数量50只与1只，对于市场变化的不确定性导致的回测绩效与实盘表现差异没有明显的优势，而夏普比率高的“选股数量”反而更容易保证选股结果一致性最小化，进而有利于回测绩效与实盘表现差异最小化的达成，当然，这个结论还需要进一步验证与辨析；
实操建议

在回测与实盘过程中，如果已有资源与条件只能完成“历史回测”，实操要点如下：

（1）验证策略在预测集与验证集重叠时间段调仓日选股结果是否一致，选股结果一致的调仓日数占重叠调仓日总数比例越大越好，有的策略可以100%一致，在锁定回测验证的一致性之后，依次选择夏普比率、累计收益率、最大回测、胜率，在这一系列指标达到预期的基础上选择对应的调仓天数与选股数量，为了稳妥，如果选股数量1只为最优，则退而求次优的选股数量，如果最优指标的选股数量是50只，那就选择50只；

（2）人为可控（影响策略回测绩效与实盘表现差异）因素注意：因子算式谨慎使用窗口累计类算子，历史数据向前取的天数根据因子算式窗口类算子合理填写，保留向前所取天数的数据（不勾选），开始日期绑定交易日（勾选），结束日期绑定交易日（勾选），对于比较容易产生问题的算子谨慎使用；

（3）窗口期类因子算式的处理

（4）在预测集的调仓日序列里挑选验证集或实盘（实盘模拟）起始日，可以最大限度的控制这个“人为因素”，进而提高预测集与验证集重叠时间段调仓日选股结果一致的可能性；

（5）调仓周期、选股数量等纳入调优参数予以考量，但优化后的参数在验证集或实盘（实盘模拟）应用时需要真正使用“调优参数”，将市场不确定规约为策略回测绩效与实盘表现差异的主要或唯一不确定因素，真正实现策略面对市场不确定交给市场去处置；

（6）规范处理回测滑点、机器学习模型的随机数种子等隐性人为可控因素；

（7）策略设置亏损平仓机制，确保市场出现大幅波动或黑天鹅时可以及时止损；

（8）定期审核市场结构与状态，努力实现针对市场的动态自适应策略选择，实现应对不同市场结构策略系列整体的鲁棒性、稳定性与绩效最优化。

七、关于本文撰写的几点说明

（1）本文从2025年开始起意撰写，查阅文献，验证回测，查找问题，分析原因，请教专家，写写停停拖到2026年，期间，得到了BigQuant邵守田、万笑宇和私享会股海泛舟、老韵的不吝赐教，在此表示感谢；

（2）本文主要内容由本人借助BigQuant Cowork、千问等AI大模型交流互动完成，大部分数据由AI检索相关文献、文献摘要以及自媒体文章引用相关文献的主要结论整理归纳而成，很多报告因为发布平台版权、付费或内部传阅等原因无法查阅或下载全文，大多数文献经本人查阅全文，但仍有少量的文献未能查阅到全文；

（3）本文关于策略回测绩效与实盘表现差异的验证未能完成线性模型与机器学习模型回测的完整验证，未能进行机器学习模型高频因子策略的回测验证，之后将沿这个方向继续探索。

参考文献

[1]《2024/25年度中国量化投资白皮书》 (2025年7月发布，《中国量化投资白皮书》编委会)

[2] 中信证券研究部《量化｜生态改善，多元布局：2026年投资策略》（2025年11月）

https://www.toutiao.com/article/7569774922361307684/

[3] 沪深交易所《程序化交易管理实施细则》配套数据解读（2025年）(2025年4月)

https://www.sse.com.cn/aboutus/mediacenter/hotandd/c/c_20250403_10776805.shtml

[4] 量化打板对题材周期的本质影响及市场短线生态重构

https://zhuanlan.zhihu.com/p/1888747563307480651

“首板战法”实操

https://zhuanlan.zhihu.com/p/1953893100704470948

[5]Bailey, D. H., Borwein, J. M., Lopez de Prado, M., & Zhu, Q. J. (2017). The Probability of Backtest Overfitting. Journal of Computational Finance, 20(4), 1–39. (Original working paper available at SSRN: https://ssrn.com/abstract=2326253)

[6]华泰证券研究所金融工程团队. 《人工智能系列之十二：人工智能选股之特征选择》(2018)

https://bigquant.com/wiki/doc/FaB3Rgayj5?invitation_code=63027489

[7]华泰证券研究所金融工程团队.《人工智能系列之十四：对抗过拟合：从时序交叉验证谈起》(2018)

[8]华泰证券研究所金融工程团队.《人工智能系列之二十二：基于 CSCV 框架的回测过拟合概率》(2019)

https://xueqiu.com/1952901955/128488886

[9] 窦长民谈量化《量化多因子策略：“拥挤度”困局与破局路径》

https://weibo.com/ttarticle/p/show?id=2309405264073268265084

文章内容摘自：中信建投证券研究于2026年2月8日10:15发布的微博长文《量化多因子策略：“拥挤度”困局与破局路径》

[10] 陈奥林、陆达（浙商证券研究所）《金融工程深度-蒙特卡洛回测：从历史拟合转向未来稳健》2026年1月7日 https://max.book118.com/html/2026/0122/6241123214012051.shtm

[11] 量化投资蒙特卡洛回测 Tactical Investment Algorithms

https://bigquant.com/wiki/doc/ImRXkAyvQx

[12]量化策略优化：用参数平原找到稳健的参数组合