机器学习量化：夏普提高，模型到底改进了什么？

作者：随机森林之外

题图：随机森林之外微信公众号

但在机器学习量化中，一些高度过参数化的模型，样本外表现并没有随复杂度上升而迅速崩溃。

问题是，没有崩溃，并不意味着我们已经知道模型为什么有效。

一段出色的样本外净值，最多说明这套规则在一段未参与拟合的数据上赚过钱，却没有回答钱是怎么赚的。

2024 年，Kelly 等人把这个问题推到了一个更极端的设定。

他们只用 12 个月的滚动训练窗口，却通过随机傅里叶特征（RFF）把少量预测变量扩展到上万个。按照传统的过拟合直觉，这样的组合并不让人乐观。结果，模型没有如预想中迅速失效，反而表现出可观的市场择时能力。

这种看似反常的结果，也有一个很形象的名字：“复杂性之德”（The Virtue of Complexity in Return Prediction）。

而真正值得讨论的，也恰恰从这个漂亮的结果开始。

模型没有崩，也确实赚到了钱。可这些收益究竟来自新的预测信息，还是复杂模型用另一种方式，重新实现了我们已经知道的东西？

▾没崩溃 ≠ 发现了信号

过参数化模型为何没有如预期般迅速失效，现代机器学习已经给出了一部分答案。

双下降与良性过拟合表明，即使模型拟合了训练噪声，样本外误差也未必随着参数增加而持续恶化。

但模型不崩溃，并不自动带来新的预测信息。

Guo 等人（2026）从另一个角度检验复杂模型的价值——它能不能真正超过简单基准？

在ridgeless模型中，可以观察到明显的双下降。但加入正则化之后，ridge 的表现始终更好，只是随着过参数化程度越来越高，两者的差距逐渐缩小。最终，无论 ridge 还是 ridgeless，都没有稳定超过简单的历史均值基准。

模型可以不崩，却未必因此比简单方法做得更好。

要把这两件事分开，我们需要一个真正可比的基准。复杂模型的价值，不能只看它自己赚了多少，还要看：相对于一个合理的简单策略，它究竟多带来了什么？

▾它可能只是重新实现了动量

2025 年，Nagel 对前面提到的 RFF 做了一次很有意思的拆解。

当特征数远多于训练样本时，RFF 预测可以近似理解为历史收益的加权平均，权重取决于当前变量与历史状态的相似程度。

如果训练窗口很短，而宏观变量又高度持续，“状态相似”就很容易接近“时间相邻”。一个看起来高度非线性的预测器，最后可能走回了我们熟悉的地方：近期收益加权，再叠加一层波动率择时。

当然，这个解释有明确的边界。它依赖短训练窗口和高持续性的预测变量，不能直接推广到所有过参数化模型。而且即使与 12 个月时间序列动量相比，模型仍然表现出一定的增量。

这就留下了一个更具体的问题：如果模型与动量高度相似，却又没有完全被动量解释，剩下的差异究竟来自哪里？

表现得像动量，不等于背后的机制就是动量。额外的信息可能来自预测变量本身，也可能来自模型结构对某类交易规则的偏好。只比较最终收益，还不足以把两者分开。

一个直接的做法是，比较复杂模型与简单动量的预测、仓位和收益相关性，再控制动量与波动率择时，看还有多少增量 alpha 留下来。

但历史数据里的相关性仍然很难告诉我们，这种相似究竟从哪里来。把数据生成机制从动量换成反转，结果会更有辨识力。如果模型仍然倾向构造类似动量的策略，并因此表现恶化，那么历史上的优势就未必完全来自对市场结构的学习，也可能是模型本身的结构偏好。

即便最后发现，复杂模型主要是在重新实现已有策略，也不意味着增加的复杂度没有价值。

新的预测信息只是价值的一种来源。模型也可能改善仓位配置和风险控制，或通过降低换手、交易成本和回撤，让同一个信号变得更容易交易。此时真正发生变化的，不是我们发现了一个新的 alpha，而是原有信号被更有效地转化成了策略收益。

要知道改善究竟发生在哪里，可以把模型放回完整的策略链路里，逐个替换其中的模块：

单模块替换看到的仍然只是局部贡献。如果新的预测器同时改变了输出尺度、尾部特征和交易频率，风险模块面对的输入也会跟着变化。这时还需要组合实验或消融，把模块之间的交互与单项贡献分开。

而归因最终取决于我们选择了什么作为基准。基准不同，同一套模型被识别出来的“增量”也可能不同。

▾CTA 里的 ML 在做什么？

在 CTA 策略里，机器学习（ML）并不总是在做同一件事。

有时它直接预测收益或方向，有时趋势信号本身并没有改变，ML 只是负责过滤、仓位调整、风险控制或执行。放在不同的位置，模型需要证明的东西也不一样。

这也是为什么股票择时中的 RFF 结论不能直接搬到期货趋势策略上。预测对象、持仓期限和交易结构都不一样。我们真正可以迁移的，是背后的验证原则：先明确 ML 在系统里承担什么角色，再决定它该和谁比。

从这个角度看，ML 大致有两种角色。

一类是优化型 ML。它保留原有的趋势方向，只负责过滤、仓位调整、风险控制或执行。此时的研究问题不是“它有没有发现新的趋势信号”，而是相对于未经 ML 改造的同一个策略原型，它有没有改善成本、回撤、容量或风险调整收益。

另一类是替代型 ML。模型直接预测未来收益或方向，试图替代原来的趋势信号。此时趋势、carry、波动率择时这些已有机制都应该成为对照。控制这些暴露之后仍然留下稳定的样本外增量，才更有理由把改善归入新的预测信息。

同样是样本外表现改善，发生在这两类模型里，含义可能完全不同。前者的价值可能来自风险控制或策略实现，后者才涉及新的预测信息。ML 承担的角色不同，判断增量的基准也应该不同。

当然，问题不只在于模型和谁比较。一个预测短期收益的模型，即使预测精度有所提高，也可能因为频繁减仓，让长期趋势策略过早退出真正的大行情。此时的问题未必是模型“学到了噪声”，也可能只是模型做对了它被要求做的事，却没有做对策略真正需要的事。

判断 ML 带来的增量，最终还是要回到策略本身。持仓周期、风险预算和交易目标一致之后，我们才能判断，这部分改善应该归因于什么。

▾让增量经得起验证

到这里，增量归因最终要落实到几个具体问题上。

1. 基准是否公平？

资产池、信息时点、成本口径和风险预算尽量保持一致，基准也要与 ML 承担的功能匹配。优化仓位的模型，不该靠击败一个弱方向信号来证明价值；直接预测收益的模型，也不能绕开已有的趋势、carry 和波动率择时暴露。

2. 证据是否仍然独立？

关键不在于模型“有没有再训练”，而是：规则是什么时候确定的，后来的改变又受到了哪些信息影响？

如果再训练频率、触发条件和特征更新方式在查看后续结果之前已经确定，那么季度再训练还是月度再训练，都只是模型规则的一部分。但如果原本约定季度再训练，看到测试或实盘表现不佳后又改成月度，这就已经不是原模型的正常更新，而是一次新的研究决策。

同样的判断也适用于参数、特征和策略逻辑。只要后来的结果参与了修改，这些结果与新版本之间就不再是独立的。

促成修改的数据仍然可以用于机制诊断和稳健性分析，却不该再承担新版本的独立验证。新的确认性证据，需要来自更晚的前瞻数据，或者此前真正没有参与研究决策的样本。

3. 增量究竟来自哪里？

比较复杂模型与简单策略的仓位、收益暴露、换手和回撤，控制趋势、carry、波动率择时这些已有机制，再区分改善究竟来自预测、风险控制、策略实现，还是模块之间的交互。

4. 离开最有利的设定以后，还剩多少？

除了夏普、alpha 和样本外预测表现，还要看不同子区间、参数邻域和成本变化后的结果，并对保证金、成交限制和容量做压力测试。

这里还有一个容易被忽略的问题：

模型复杂度，不等于研究复杂度。

一个拥有一万个参数、按事前规则训练的模型，未必比一个只有两个参数、却从几千次回测中筛选出来的策略更容易产生虚假发现。前者涉及模型如何拟合数据，后者面对的却是多重检验与选择偏差。

如果研究过程中已经测试过大量特征、模型和参数组合，这些搜索同样构成了研究过程的一部分。最终留下来的结果，不能脱离这条路径单独评价。

▾结果之后

机器学习让我们有能力构造更复杂的策略，也更容易出现传统方法难以解释的结果。

样本外表现的改善，可能来自新的预测信息，也可能只是风险控制和策略实现变得更有效。甚至看起来全新的结果，背后仍然是熟悉的交易机制，只是换了一种更复杂的表达。收益都是真实的，它们代表的东西却并不相同。

一个漂亮的样本外结果因此还可以继续往下拆：区分新增的预测信息、已有机制的重新组合，以及可能被错误归因的价值。

最终，结果只有一个，但通向它的原因可能完全不同。

而把这些原因分清，我们才更接近实盘真正关心的问题：这份收益依靠什么存在，又会因为什么消失？