我试图用机器学习战胜标普 500,结果 bug 比模型教会我的更多

王者归来已是老翁AI 前沿📡 BestBlogs·AI高分精选⭐ 882026-10-18448 阅读💛 163 收藏
我试图用机器学习战胜标普 500,结果 bug 比模型教会我的更多

📌 One-Sentence Summary

一次用机器学习战胜标普 500 的严谨尝试发现,数据 bug 夸大了结果;修复后,模型的优势在统计上不显著,并在 2020 年后消退。

📝 Summary

作者花了数周时间,用预先设定的通过/失败标准,针对标普 500 测试了 CAN SLIM 规则、动量、波动率目标、LightGBM 排序模型和 K 线形态。排序模型最初显示出 4.5 的 t 统计量,但审计发现了三个 bug:退市损失被重复计算、泄漏测试漏掉了基本面数据中的前视偏差,以及缺失数据本身就能预测退市。修复这些问题后,t 统计量降至约 2.5。清洗后的模型年化收益为 24.8%,而 SPY 为 13.8%,但 beta 为 1.37,最大回撤为 -52.4%;其 alpha 为 +6.5%,t 统计量为 1.5,并不显著。该优势在 2020 年后消退。限制在符合伊斯兰教法的股票中改善了回测,但等权重基准篮子同样跑赢了 SPY,表明存在后见之明偏差。K 线形态没有增加任何价值。作者冻结了一个模型,在 SPUS 持仓上进行前瞻性纸面测试,预设成功标准为:在 50 个决策日后,排名相关性 ≥ +0.02 且 t ≥ 2。主要教训是:把任何看起来不错的结果都当作 bug,直到它经受住攻击。

💡 Main Points

预先登记通过/失败标准对于避免多重测试中的自欺至关重要。

作者在每次测试前都写下了什么算通过,这防止了在结果令人失望时移动目标线。

三个隐蔽的数据 bug 夸大了模型的表面优势,修复后 t 统计量从 4.5 降至 2.5。

退市损失被重复计算、泄漏测试无法检测基本面数据中的前视偏差,以及缺失数据本身就能预测退市,这些都让模型看起来比实际更好。

清洗后模型的更高收益几乎完全来自更高的风险,而非技能。

模型组合的 beta 为 1.37,最大回撤为 -52.4%;其 alpha 为 +6.5%,t 统计量为 1.5,在统计上不显著。

基于当前指数或 ETF 持仓的回测存在后见之明偏差,无法告诉你你本可以赚到多少。

限制在当前 SPUS 持仓中改善了结果,但同样股票的等权重篮子也跑赢了 SPY,表明是名单本身带来了额外收益。

K 线形态在机器学习和基于规则的测试中都没有增加价值。

添加 K 线特征略微降低了排名相关性,而四种经典看涨形态在统计显著性上未能击败无形态基准。

💬 Key Quotes

主要教训是:把任何看起来不错的结果都当作 bug,直到它经受住攻击。

t 值 4.5 是那种应该让你起疑的数字,而它确实应该。

模型的 alpha 为每年 +6.5%,t 统计量为 1.5,并不显著。

基于当前持仓名单的任何回测都无法告诉你你本可以赚到多少。只有前瞻数据可以。

真正的惊喜是那个门控。仅在确认上升趋势中持有 SPY,在 2020-2026 年间回报为 +24.6%,而买入并持有为 +158%。

📊 Article Meta

AI Screening: 88

Source: DEV Community: machinelearning

Author: rahairi rani

Category: 投资财经

Language: 英文

Read Time: 12 min

Word Count: 2996

Tags:

财经与经济 , 机器学习 , 股市投资 , 量化金融 , 模型评测与基准

#财经与经济# 机器学习# 股市投资# 量化金融# 模型评测与基准

文章评论(12)

星寻梦28 天前

这个观点很中肯,深有同感。

回复
月沐雨28 天前

作者写得真不错,学到了不少。

回复
云逐月28 天前

内容翔实,正好需要,先收藏再看。

回复
雪知秋28 天前

内容翔实,正好需要,先收藏再看。

回复
星观澜28 天前

赞同,实践出真知。

回复
墨沐雨28 天前

刚好最近在找这方面的资料,太及时了。

回复
蒋力28 天前

赞同,实践出真知。

回复
雪影28 天前

楼主辛苦了,内容很有参考价值。

回复
星知秋28 天前

不错不错,已加入书签。

回复
林观澜28 天前

实话,说的不明不白

回复
暮临风28 天前

收藏了,以后慢慢研究。

回复
南山客28 天前

整理得太全面了,省了我不少时间。

回复