过拟合：你可以把历史解释得越来越完美，直到它只适合那一段历史

20 套随机参数里挑出冠军，它真的发现了规律吗？

过拟合发生在规则过度贴合训练样本，把噪音当成可重复规律。测试的自由度越高、尝试次数越多，历史里偶然出现“冠军”的概率就越大。 从许多候选里挑历史冠军会引入数据窥探。

如果同时试 200 套规则，总会有几套在旧数据里看起来像天才

即使所有规则都没有真正优势，只要测试次数足够多，也可能出现几条异常漂亮的历史曲线。如果只展示冠军、不告诉别人一共试过多少次，就很容易把偶然结果当成发现。

多一个参数，就多一个把噪声解释成规律的自由度

参数并不是越少越好，复杂问题确实可能需要复杂模型。真正的问题是：每个参数有没有独立理由和足够数据支撑，还是只是因为“这样调历史更赚钱”才被加进去。

换一点参数、成本或时间区间，结论就翻脸，是重要警报

1. 1样本外在没有参与调参的新时期检查规则，看看特征是否还能保持。
2. 2参数扰动轻微改变窗口或阈值。如果只有一个极窄参数点有效，可能是在贴合噪声。
3. 3成本压力把手续费、价差和滑点调得更现实甚至稍差，检查优势是否立即消失。
4. 4不同市场阶段趋势、震荡、高波动和低波动环境里分别看结果，不只展示最有利时期。

如果只保存最终成功版本，就没人知道你是发现规律，还是筛出了运气

保留试过的参数、数据区间、失败结果和调整原因，不是为了把研究日志写成史诗，而是为了让后来的人能判断到底搜索了多大空间。AI 和自动化让试验速度暴涨，也让这个问题更加严重。