你的神经网络回测结果可能存在±10个百分点的偏差

作者使用严格的前瞻性回测流程，基于莫斯科交易所流动性最强的20只股票的每小时数据（2021-2026年，约37万根K线），采用GRU循环网络，进行价格在未来一段时间内上涨的二分类预测，并计入真实的券商手续费。通过确保训练集与测试集之间有时间间隔、以下一根K线价格成交以及包含佣金等方式，避免了未来函数泄漏。尽管如此，仅改变随机种子就使年化收益从+6%变为+15%，而在五次使用不同种子的相同运行中，夏普比率从-0.12到+0.85不等（后来为0.39到1.28）。这是因为金融信号的强度极弱（AUC为0.54-0.55），损失函数曲面几乎平坦，随机初始化决定了过拟合的模式。作者建议：（1）始终使用不同种子的模型集成（对概率取平均），这使夏普比率提升至1.88，而最佳单模型仅为1.28；（2）比较新想法时应使用集成与集成对比，而非单次运行；（3）进行归因分析，看收益是否来自特征实际存在的证券。他们给出了三个案例，表面上的改进在归因后消失，证明这些收益只是重新洗牌后的噪声。在一个冻结的系统中，对2015-2020年的数据进行测试，若不重新训练则收益为-28%，但若进行完整的前瞻性重新训练则收益为+17%，从而得出结论：定期重新训练对于适应市场机制变化至关重要。作者计划很快投入真钱交易，并将公开实盘记录。