「#過度擬合」（Overfitting）是交易策略開發與決策中最致命的陷阱之一，它讓人「以為自己找到規律」，實際上只是記住了雜訊。
在交易猿的筆記中，過度擬合是由下列七個常見的認知偏誤所形成：
一、#確認偏誤（Confirmation Bias）
定義：只尋找支持自己假設的資料，忽略相反的證據。
在交易中的表現：
1.只保留那些讓策略「看起來有效」的參數。
2.在回測時不願意接受某些期間表現不佳的結果，硬要找到「例外解釋」。
結果：決策模型被用來「自我取悅」而不是「有效因應現實」。
二、#事後偏誤（Hindsight Bias）
定義：事後才覺得結果是「早就知道的」。
在交易中的表現：
1.看到某次策略成功後，就「回溯調整」參數以符合這個結果。
2.把過去的走勢當成理所當然的趨勢模式。
結果：策略表面完美，實際上是「反向推理」出來的幻象。
三、#可得性偏誤（Availability Bias）
定義：被最容易想起或最鮮明的資訊主導判斷。
在交易中的表現：
1.根據最近的市場波動或新聞調整模型。
2.偏好「近期有效」的技術指標，而忽略長期樣本。
結果：策略只擬合短期市場情緒，而非結構性趨勢。
四、#控制幻覺（Illusion of Control）
定義：高估自己對隨機事件的掌控能力。
在交易中的表現：
1.認為多加幾個變數、過濾條件、權重設定，就能讓模型更精準。
2.在交易中頻繁微調策略，期望精確掌控波動。
結果：變數愈多，模型愈像是在「對雜訊建構模型」。
五、#代表性偏誤（Representativeness Bias）
定義：誤以為樣本中的模式代表整體規律。
在交易中的表現：
1.看到幾次指標信號成功就相信它「具有預測力」。
2.用短期樣本（如近2年）建立長期模型。
結果：策略在測試期內完美，但實際應用快速失效。
六、#複雜性偏誤（Complexity Bias）
定義：相信複雜的模型比簡單的更準確。
在交易中的表現：
1.不斷疊加技術指標、機器學習層、參數組合。
2.模型表現看似更好，但解釋力下降。
結果：曲線變漂亮、風險變更大，泛化能力卻更差。
七、#過度自信偏誤（Overconfidence Bias）
定義：高估自己對市場的理解與預測能力。
在交易中的表現：
1.相信自己的模型「不可能錯」。
2.忽略風控與樣本外驗證。
結果：策略在實盤中爆倉，卻仍堅信「市場失常」，被大戶針對。
▌#如何預防過度擬合
- 樣本外驗證（Out-of-sample testing）：把資料分為訓練集與驗證集，且不可重疊。
- 交叉驗證（Cross-validation）：隨機抽取不同時間段驗證策略穩定度。
- 參數正則化（Regularization）：限制模型自由度，避免過多變數。
- KISS 原則（Keep It Simple, Stupid）：模型越簡單，越能泛化。
- 行為檢查：至少每季定期反省「我是不是只在找自己想看到的結果？」
- 使用蒙地卡羅或隨機重抽樣：測試策略對隨機波動的耐性。
- 紀律性反向測試（反例測試）：刻意尋找模型失效時期，若無失效點，反而是警訊。
以上，是預防自己在策略開發時犯下過度擬合錯誤的行為檢核清單，看起來或許很繁瑣，但這是為了避免雜訊所需的必要行為，盡可能養成習慣成自然。
現在，是你過去的逐步累積，
未來，是你現在的用心選擇。
把握原則，防範例外，少輸為贏，機會常在。
以上內容僅用作筆記或自我教育之目的，不構成任何投資建議。
圖片摘自 趣學數學 HFIMath，交易猿推薦追蹤
#過度擬合 #Overfitting #確認偏誤 #事後偏誤 #可得性偏誤 #控制幻覺 #代表性偏誤 #複雜性偏誤 #過度自信偏誤
