入门 · 12讲机器学习量化嵌套验证模型调参过拟合量化机器学习
为什么做机器学习量化时，嵌套验证比普通调参更靠谱
讲解嵌套验证在机器学习量化中的意义，帮助研究者避免把测试集当成调参工具而导致过拟合。
很多机器学习流程里，研究者会根据测试结果不断换模型、换参数、换特征，最后测试集已经不再是测试，而变成了隐形训练集。
这种情况下回测数字会越来越好看，但策略真正上线时却经常失灵，因为模型学会的不是规律，而是测试集的特殊噪声。
- 测试集不能兼任调参集
- 模型选择和最终评估必须隔离
- 越爱试模型，越需要嵌套验证
更稳的处理方式是什么
更稳的做法是在外层保留真正不参与调参的评估窗口，在内层完成模型选择和参数搜索，让最终结果只在外层样本上做一次客观检验。
嵌套验证的核心，不是形式更复杂，而是把“选模型”和“评模型”这两件事严格拆开。
资料与阅读边界
本文为方法讨论与教学说明。文中示例不等于经独立验证的收益实证；如需具体数据、计算口径或资料来源，可通过官方渠道提出核对请求。
历史结果不代表未来表现。使用前请检查数据时间边界、样本独立性、交易成本及适用条件。
关键结论
- 嵌套验证能降低测试集污染
- 调参与评估必须分层进行
- 这一步是机器学习量化里防过拟合的重要保险
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
