机器学习常见概念

1. 过拟合

什么是过拟合

过拟合（Overfitting）是指模型在训练数据上表现非常好，但在未见过的数据（测试集、真实场景）上表现很差的现象。简单来说，模型”记住了”训练数据，但没有学到通用规律。

核心表现

典型症状：

训练集表现极佳
- 训练准确率接近 100%
- 训练损失接近 0
- IC 值非常高（> 0.1）
测试集表现很差
- 测试准确率明显低于训练集
- 测试损失远高于训练集
- OOS IC 显著低于 IS IC
泛化能力弱
- 在新数据上无法正确预测
- 对数据噪声敏感
- 模型稳定性差

过拟合的成因

1. 模型复杂度过高

表现：

参数数量远超样本数量
深度过深的神经网络
特征数量过多

为什么导致过拟合：

模型容量大 → 可以完美拟合训练数据（包括噪声） →
在新数据上表现差 → 过拟合

判断标准：

参数数 / 样本数 > 0.1：过拟合风险高
参数数 / 样本数 < 0.01：欠拟合风险高

2. 训练数据量不足

表现：

训练样本 < 1000
特征数量 > 样本数量
数据分布不均

为什么导致过拟合：

样本量小 → 模型无法学到真实规律 →
只能记忆训练数据 → 过拟合

3. 训练时间过长

表现：

在训练集上持续训练，验证集性能开始下降
训练损失持续降低，验证集损失开始上升
IC 在训练集上持续提升，OOS IC 开始下降

为什么导致过拟合：

训练时间长 → 模型开始拟合训练数据中的噪声 →
泛化能力下降 → 过拟合

4. 数据噪声过多

表现：

数据标注错误
数据采集误差
特征计算错误

为什么导致过拟合：

噪声数据 → 模型误将噪声当作规律学习 →
在新数据上无法适用 → 过拟合

5. 特征质量问题

表现：

特征与目标变量相关性低
特征包含冗余信息
特征维度与真实因子不匹配

为什么导致过拟合：

特征质量差 → 模型无法学到有效规律 →
只能依赖训练集的特殊模式 → 过拟合

过拟合 vs 欠拟合

特征	过拟合	欠拟合
训练集表现	极好（> 90% 准确率）	差（< 70% 准确率）
测试集表现	差	差（比训练集更差）
泛化能力	极弱	弱
模型复杂度	过高	过低
解决方法	简化模型、增加正则化、增加数据	增加模型复杂度、延长训练时间

过拟合的诊断方法

1. IS IC vs OOS IC

诊断标准：

gap = IS_IC - OOS_IC
 
if gap > 0.08:
    print("严重过拟合：模型几乎无法泛化")
elif gap > 0.05:
    print("中度过拟合：需要优化")
elif gap > 0.02:
    print("轻微过拟合：可接受范围")
else:
    print("无明显过拟合")

典型数值：

模型质量	IS IC	OOS IC	差距	说明
优秀	0.08	0.06	0.02	泛化能力强
良好	0.10	0.07	0.03	泛化能力可接受
一般	0.12	0.07	0.05	轻微过拟合
较差	0.15	0.06	0.09	中度过拟合
很差	0.20	0.02	0.18	严重过拟合

2. 学习曲线分析

正常曲线：

训练损失：持续下降
验证损失：持续下降，后趋于平稳
两者差距：较小且稳定

过拟合曲线：

训练损失：持续下降到接近 0
验证损失：先降后升，形成 U 型
两者差距：持续扩大

欠拟合曲线：

训练损失：停止在较高水平
验证损失：同样停留在较高水平
两者差距：较小，但都在高损失区

3. 训练集 vs 验证集准确率

诊断标准：

训练集准确率	验证集准确率	差距	诊断
> 95%	< 80%	> 15%	严重过拟合
90-95%	80-85%	5-15%	中度过拟合
85-90%	83-87%	2-7%	轻微过拟合
80-85%	78-83%	< 5%	正常范围
< 80%	< 78%	< 5%	欠拟合

4. 特征重要性分布

过拟合表现：

少数特征重要性极高（> 50%）
其他特征重要性接近 0
特征分布极不均匀

正常表现：

特征重要性分布相对均匀
Top 10 特征贡献 60-80%
大部分特征有一定贡献

过拟合的解决方案

方案 1：简化模型

降低模型复杂度：

1. 减少神经网络层数
2. 减少每层的神经元数量
3. 减少决策树数量
4. 降低树的最大深度

减少特征数量：

1. 移除低相关性特征（|correlation| < 0.02）
2. 使用特征重要性筛选 Top K
3. 移除高度相关的特征（|correlation| > 0.95）

方案 2：增加正则化

L1 正则化（Lasso）：

效果：产生稀疏解，很多权重变为 0
适用：特征选择
强度：reg_alpha = 0.1

L2 正则化（Ridge）：

效果：权重趋向小值
适用：防止过拟合
强度：reg_lambda = 1.0

Elastic Net：

效果：结合 L1 和 L2 的优点
适用：既有稀疏性又稳定
强度：reg_alpha=0.1, reg_lambda=1.0

方案 3：增加数据量

方法：

扩展时间范围（从 2 年到 5 年）
增加标的数量（从 500 只到 3000 只）
数据增强（时间窗口采样、添加噪声）

效果：

样本量增加 2x → 过拟合风险降低 30-50%
样本量增加 5x → 过拟合风险降低 50-70%

方案 4：早停机制

原理： 在验证集性能不再提升时停止训练

设置建议：

小样本（< 1000）：patience = 20
中等样本（1000-10000）：patience = 10
大样本（> 10000）：patience = 5

方案 5：Dropout

原理： 训练时随机丢弃部分神经元

设置建议：

输入层：p = 0.2
隐藏层：p = 0.5
输出层：不使用 Dropout

方案 6：批归一化

原理： 标准化每层的输入，加速训练，减少内部协变量偏移

效果：

允许使用更大的学习率
减少对初始化的敏感度
一定程度上防止过拟合

方案 7：交叉验证

K 折交叉验证：

将数据分为 K 份，每次用 K-1 份训练，1 份验证
平均 K 次的验证结果作为最终性能

时间序列交叉验证：

按时间顺序划分，避免未来数据泄露
Fold 1: Train [0-100], Test [101-150]
Fold 2: Train [0-150], Test [151-200]
...

方案 8：集成学习

Bagging（Bootstrap Aggregating）：

多个模型在数据子集上训练
预测结果平均
降低方差，防止过拟合

Boosting：

序列训练多个弱模型
每个模型关注前一个模型的错误
降低偏差，但容易过拟合（需要正则化）

过拟合的实战案例

案例 1：严重过拟合

情况：

模型：深度神经网络（20 层，每层 1000 神经元）
特征数：500
样本数：1000

训练集 IC：0.18
验证集 IC：0.04
OOS IC：   0.02
差距：      0.16（严重）

问题诊断：

参数数 / 样本数 >> 0.1
训练集 IC 极高，OOS IC 极低
特征数量接近样本数量

解决方案：

简化网络（10 层，每层 200 神经元）
增加 L2 正则化（reg_lambda=5.0）
添加 Dropout（p=0.5）
特征筛选（Top 100）

修复后：

训练集 IC：0.08
验证集 IC：0.06
OOS IC：   0.055
差距：      0.025（正常）

案例 2：数据泄露导致的假过拟合

情况：

训练集 IC：0.25（极高）
验证集 IC：0.03（很低）
OOS IC：   0.015（极低）

问题诊断： 检查发现某特征使用了 t+1 期的价格

df['future_return'] = df['price'].pct_change().shift(-1)  # ❌ 数据泄露

解决方案： 修复特征计算

df['return'] = df['price'].pct_change().shift(1)  # ✓ 使用 t 期数据

修复后：

训练集 IC：0.07
验证集 IC：0.06
OOS IC：   0.058
差距：      0.012（正常）

案例 3：正常模型

情况：

模型：XGBoost（300 棵树）
特征数：50
样本数：10000

训练集 IC：0.085
验证集 IC：0.07
OOS IC：   0.068
差距：      0.017（正常）

诊断：

参数数 / 样本数 < 0.01
IS IC 和 OOS IC 差距小
模型性能稳定

结论： 模型质量良好，可以直接实盘使用

防止过拟合的最佳实践

1. 从简单模型开始

线性回归 → 决策树 → 随机森林 → 梯度提升树 → 神经网络

原则：

简单模型能解决问题，就不要用复杂模型
复杂模型不等于更好模型

2. 保持数据划分的独立性

时间序列数据：

训练集：2020-01 到 2023-12
验证集：2024-01 到 2024-06
测试集：2024-07 到 2024-12

交叉验证数据：

确保验证集和测试集从未参与训练
包括特征计算、统计量计算

3. 监控多个指标

不要只看训练集准确率：

训练集 IC
验证集 IC
OOS IC
IS-OOS 差距

4. 定期重新评估

每月/每季度：

重新训练模型
评估最新 OOS IC
如果 OOS IC 持续下降，考虑重构模型

5. 建立过拟合预警系统

预警条件：
1. IS IC - OOS IC > 0.05
2. 训练集准确率 > 95%，验证集准确率 < 80%
3. 学习曲线中验证损失开始上升
4. 特征重要性分布极不均匀

触发预警：
发送通知，暂停模型使用

2. 早停机制

什么是早停机制

早停（Early Stopping）是一种正则化技术，用于在训练机器学习模型时防止过拟合。其核心思想是：在验证集上的性能不再提升时停止训练，而不是固定训练轮数。

核心原理

早停工作流程

将数据集分为训练集、验证集和测试集
在训练过程中，定期评估模型在验证集上的性能
记录验证集上的最佳性能指标
当连续多个epoch（patience）验证性能未提升时，停止训练
恢复到验证集上表现最佳的模型参数

关键参数

Patience（耐心值）

定义：允许验证性能不提升的最大epoch数
作用：避免因训练波动而过早停止
选择：通常设置为10-50，取决于任务和数据量

Min Delta（最小改进阈值）

定义：认为性能提升的最小幅度
作用：避免微小波动导致模型切换
默认值：0.001或0.01

Monitor（监控指标）

常见指标：

分类：val_loss、val_accuracy
回归：val_mse、val_mae

方向：min（越小越好）或max（越大越好）

优势

防止过拟合：自动在最优时刻停止训练
节省计算资源：避免不必要的训练时间
提高泛化能力：保留验证集上表现最好的模型
自动化：无需手动设置训练轮数

注意事项

数据划分

验证集必须具有代表性
训练集、验证集、测试集要独立

指标选择

选择与任务目标最相关的指标
注意指标的稳定性和噪声

参数调优

Patience太小：可能过早停止
Patience太大：浪费计算资源
需要根据具体任务调整

恢复最佳模型

停止时保存验证集上表现最好的模型
不要使用最后一个epoch的模型

应用场景

深度学习：神经网络训练时防止过拟合
集成学习：GBDT、XGBoost等算法
时间序列：LSTM、GRU等模型
计算机视觉：图像分类、目标检测

与其他正则化技术的比较

技术	原理	优点	缺点
早停	控制训练时间	简单有效	需要验证集
Dropout	随机丢弃神经元	提高泛化能力	可能减慢收敛
L1/L2正则化	权重惩罚	减少模型复杂度	需要调参
数据增强	扩充数据集	提高数据量	不适用于所有任务

最佳实践

从较小的patience开始，逐步调整
监控多个指标（损失和准确率）
使用交叉验证提高可靠性
结合其他正则化技术效果更好
记录训练曲线分析收敛过程

3. 梯度下降算法

基本概念

梯度下降是一种优化算法，用于通过迭代地调整模型参数来最小化损失函数。

算法变体

批量梯度下降（Batch Gradient Descent）

使用整个训练集计算梯度
优点：收敛稳定，每次更新都是全局最优方向
缺点：计算量大，不适用于大规模数据

随机梯度下降（Stochastic Gradient Descent）

每次使用一个样本计算梯度
优点：更新快，可以在线学习
缺点：收敛不稳定，易陷入局部最优

小批量梯度下降（Mini-batch Gradient Descent）

每次使用一小批样本计算梯度
优点：兼顾稳定性和计算效率
缺点：需要选择合适的batch size

关键参数

学习率（Learning Rate）

定义：每次参数更新的步长
影响：
- 太大：可能导致发散
- 太小：收敛缓慢
常见值：0.001, 0.01, 0.1

批次大小（Batch Size）

定义：每次梯度更新使用的样本数
常见值：32, 64, 128, 256
影响：
- 较大：收敛稳定，需要更多内存
- 较小：更新快，但可能不稳定

优化算法

Adam（Adaptive Moment Estimation）

自适应学习率
结合动量和RMSprop的优点
适合大多数深度学习任务

RMSprop

自适应学习率
适合处理非平稳目标

SGD with Momentum

加速收敛
帮助跳出局部最优

L1 正则化（Lasso）

原理

在损失函数中添加权重的L1范数作为惩罚项：

特点

产生稀疏解，很多权重变为0
适用于特征选择
对异常值不敏感

L2 正则化（Ridge）

原理

在损失函数中添加权重的L2范数作为惩罚项：

特点

权重趋向于小值但不为0
防止过拟合
稳定性强

Elastic Net

原理

结合L1和L2正则化：

特点

结合了L1和L2的优点
既能产生稀疏解，又能保持稳定性

常见策略

学习率衰减

指数衰减

余弦退火

ReduceLROnPlateau

当监控指标不再改善时降低学习率：

学习率预热（Warmup）

4. 正则化技术

（正则化内容已在”过拟合的解决方案”部分详述）

5. 学习率调整策略

（学习率调整内容已在”过拟合的解决方案”部分详述）

6. 批归一化

核心概念

批归一化（Batch Normalization）是一种深度学习技术，通过标准化每层的输入来加速训练并提高模型性能。

工作原理

优势

加速收敛：允许使用更大的学习率
减少初始化依赖：降低对参数初始化的敏感度
防止梯度消失/爆炸：稳定梯度流动
正则化效果：由于使用batch统计，具有一定正则化作用

层归一化（Layer Normalization）

适用于RNN等序列模型：

7. Dropout

核心概念

Dropout是一种正则化技术，在训练过程中随机”丢弃”（设置为0）一部分神经元，防止过拟合。

最佳实践

丢弃率：通常设置为0.2-0.5
使用位置：通常在全连接层后使用
不影响推理：测试时自动关闭dropout
结合其他技术：与BatchNorm、L2正则化配合使用效果更好

常见激活函数

ReLU（Rectified Linear Unit）

优点：

计算简单，梯度传播高效
缓解梯度消失问题
收敛速度快

缺点：

Dead ReLU问题（神经元死亡）
输出不为零中心

Leaky ReLU

优点：

解决Dead ReLU问题
保持ReLU的优点

Sigmoid

优点：

输出范围(0, 1)，适合概率输出

缺点：

梯度消失严重
输出非零中心

Tanh

优点：

输出范围(-1, 1)，零中心

缺点：

仍有梯度消失问题

GELU（Gaussian Error Linear Unit）

优点：

平滑、非单调
在Transformer等模型中表现优异

Swish

优点：

平滑、非单调
在深度网络中表现优于ReLU

选择建议

默认选择：ReLU或其变体（Leaky ReLU, PReLU）
深度网络：GELU或Swish
输出层：
- 二分类：Sigmoid
- 多分类：Softmax
- 回归：线性激活或ReLU
RNN/GRU：Tanh
LSTM：Sigmoid和Tanh

8. 尾部风险

核心概念

尾部风险（Tail Risk）是指在概率分布尾部（极端事件）发生的风险。在金融和机器学习中，尾部风险关注的是那些发生概率低但影响巨大的极端情况，通常被称为”黑天鹅”事件。

风险度量指标

VaR（Value at Risk，在险价值）

定义：在给定置信水平下，投资组合在未来特定时间内可能遭受的最大损失。

计算方法：

CVaR（Conditional VaR，条件在险价值）

又称Expected Shortfall（预期损失），是指在损失超过VaR时的平均损失。

ES（Expected Shortfall，预期损失）

与CVaR同义，是比VaR更一致的风险度量，因为它是凸函数，满足次可加性。

尾部风险的特征

非对称性：极端下行风险远大于极端上行收益
肥尾（Fat Tails）：实际分布尾部比正态分布更厚
集聚性：极端事件倾向于集中出现
不可预测性：发生概率难以准确估计

概率分布类型

正态分布

特点：

薄尾分布
尾部概率衰减快
适用于许多自然现象，但低估金融风险

t分布（Student’s t-distribution）

特点：

肥尾分布
自由度越小，尾部越厚
更适合建模金融资产收益

稳定分布（Stable Distribution）

特点：

极厚尾
包括正态分布和Cauchy分布作为特例
适合建模极端波动

尾部风险建模方法

极值理论（Extreme Value Theory, EVT）

1. BMM模型（Block Maxima Model）

2. POT模型（Peaks Over Threshold）

压力测试（Stress Testing）

最佳实践

使用多个尾部风险指标
- 同时关注VaR、CVaR、ES等指标
- 不同指标提供不同角度的风险视图
选择合适的分布假设
- 优先考虑t分布、稳定分布等肥尾分布
- 使用极值理论拟合极端事件
定期回溯测试
- 使用Kupiec检验等方法验证VaR模型
- 及时调整模型参数
压力测试常态化
- 设计多样化的压力情景
- 包括历史情景（如2008年金融危机）和假设情景
动态风险管理
- 根据市场条件调整风险限额
- 实施动态对冲策略
结合机器学习
- 使用神经网络预测极端事件概率
- 应用对抗训练提高模型鲁棒性

与传统风险度量的比较

风险度量	关注点	优点	缺点	适用场景
标准差	整体波动	计算简单	忽略非对称性和肥尾	正态分布假设
VaR	特定分位数损失	直观易理解	不满足次可加性	日常风险监控
CVaR	超过VaR的平均损失	满足次可加性	需要更多数据	尾部风险管理
ES	预期尾部损失	数学性质好	计算复杂	监管资本要求
最大回撤	最严重损失	体现实际损失	高度路径依赖	业绩评估

9. ICIR

核心概念

ICIR 是量化投资中评估预测因子（Alpha）质量的重要指标组合：

IC（Information Coefficient，信息系数）：衡量预测值与实际值之间的相关性
IR（Information Ratio，信息比率）：衡量超额收益的稳定性

IC（信息系数）

定义

IC是预测信号与实际收益之间的相关性，反映因子的预测能力。

计算方法

1. Pearson IC

2. Rank IC（秩相关系数）

IC评估标准

IC值范围	因子质量	说明
> 0.1	优秀	因子具有强预测能力
0.05 - 0.1	良好	因子具有明显预测能力
0.02 - 0.05	一般	因子有一定预测能力
< 0.02	较差	因子预测能力弱
< 0	无效	因子预测方向错误

OOS IC（样本外信息系数）

定义

OOS IC（Out-of-Sample IC）是指在样本外数据上计算的信息系数，即模型从未见过的数据上的预测能力评估。

重要性

OOS IC 是量化投资中最关键的评估指标之一，因为：

真实性：反映模型在真实交易环境中的表现
避免过拟合：模型在样本外数据上不经过任何调优
实际交易价值：直接对应真实交易场景

与样本内 IC 的区别

评估维度	样本内 IC（IS IC）	样本外 IC（OOS IC）
数据来源	训练集和验证集	完全独立的测试集
是否参与调优	是，模型见过这些数据	否，从未用于训练或调优
实际意义	反映模型学习能力	反映模型泛化能力
预期水平	通常较高	通常较低
信任度	低，容易过拟合	高，代表真实能力

典型数值差异

正常情况（好模型）：
IS IC:  0.08  （训练集和验证集）
OOS IC: 0.06  （测试集，下降约 25%）

问题情况（过拟合）：
IS IC:  0.15  （很高）
OOS IC: 0.02  （很低，下降约 87%）

OOS IC 评估标准

OOS IC 范围	模型质量	说明
> 0.05	优秀	模型具有良好的泛化能力
0.03 - 0.05	良好	模型泛化能力可以接受
0.02 - 0.03	一般	模型有一定泛化能力
< 0.02	较差	模型泛化能力不足
< 0	无效	模型在样本外完全失效

IS-OOS 差距分析

差距 = IS IC - OOS IC

判断标准：
- 差距 < 0.02：  正常范围，无明显过拟合
- 差距 0.02 - 0.05： 轻微过拟合
- 差距 0.05 - 0.08： 中度过拟合
- 差距 > 0.08：     严重过拟合

OOS IC 计算方法

时间序列划分

训练集：2020-01-01 到 2023-12-31
验证集：2024-01-01 到 2024-06-30（用于超参数调优）
测试集：2024-07-01 到 2024-12-31（用于计算 OOS IC）

滚动窗口评估

窗口 1： 训练 2020-2022，预测 2023
窗口 2： 训练 2020-2023，预测 2024
窗口 3： 训练 2021-2024，预测 2025
...

时间序列交叉验证

Fold 1:  Train [0-100], Test [101-150]
Fold 2:  Train [0-150], Test [151-200]
Fold 3:  Train [0-200], Test [201-250]

OOS IC 的稳定性评估

时间序列稳定性

好模型：OOS IC 在不同时期保持稳定
OOS IC 时间序列：[0.05, 0.055, 0.048, 0.052, 0.049, ...]
波动范围：±0.005

差模型：OOS IC 波动剧烈
OOS IC 时间序列：[0.08, -0.01, 0.06, 0.02, -0.005, ...]
波动范围：±0.04

分层稳定性

按市场环境分层：
- 牛市：OOS IC = 0.06
- 熊市：OOS IC = 0.03
- 震荡市：OOS IC = 0.04

如果某环境 OOS IC < 0，模型在该环境不可用

提高 OOS IC 的方法

增加样本量

样本量从 2 年扩展到 5 年
OOS IC 通常提升 10-20%

降低模型复杂度

减少特征数量
增加正则化强度
简化模型架构

特征工程优化

- 特征标准化（使用训练集统计量）
- 特征中性化（去除行业、市值影响）
- 滚除过拟合特征

集成方法

- 多模型集成（Bagging/Boosting）
- 时间集成（不同训练期的模型平均）
- 特征集成（不同特征子集的模型平均）

定期重新训练

每月/每季度重新训练模型
使用最近的数据（如最近 3 年）

OOS IC 的常见陷阱

未来数据泄露

错误：测试集包含特征计算时的未来信息
正确：严格按时间顺序划分数据

样本分布偏移

问题：训练集和测试集市场环境差异大
- 训练期：牛市，高波动
- 测试期：熊市，低波动

解决：使用滚动窗口，覆盖更多市场环境

数据挖掘

问题：在测试集上反复调整，实质上参与了训练
解决：测试集只使用一次，最终验证

过拟合历史规律

问题：模型学习的是历史特定模式，未来不再适用
解决：增加正则化，使用简单模型

实战案例

案例 1：正常模型

模型：XGBoost（300 棵树）
特征数：50
训练周期：2020-2023

IS IC:  0.075
OOS IC: 0.062
差距：   0.013（正常范围）

结论：模型质量良好，可以实盘使用

案例 2：过拟合模型

模型：深度神经网络（10 层，500 神经元/层）
特征数：200
训练周期：2022-2023（仅 2 年）

IS IC:  0.18（非常高）
OOS IC: 0.01（极低）
差距：   0.17（严重过拟合）

结论：模型不可用，需要降低复杂度和增加数据

案例 3：不稳定模型

模型：随机森林
特征数：100
训练周期：2020-2024

IS IC:  0.08
OOS IC 波动：[0.05, 0.08, 0.02, -0.01, 0.06]
OOS IC 均值：0.04
OOS IC 标准差：0.03

结论：OOS IC 不稳定，模型可靠性差

IR（信息比率）

定义

IR衡量超额收益相对于其波动性的比率，是主动管理能力的核心指标。

IR计算方法

IR评估标准

IR值范围	表现评级	说明
> 1.0	优秀	超额收益稳定且显著
0.5 - 1.0	良好	超额收益较稳定
0.3 - 0.5	一般	有一定超额收益
< 0.3	较差	超额收益不稳定
< 0	跑输	跑输基准

ICIR可视化

最佳实践

综合使用IC和IR
- IC反映预测能力，IR反映稳定性
- 两者结合评估因子质量
多时间尺度分析
- 计算不同窗口的滚动IC
- 分析IC的衰减特性
考虑IC胜率
- IC为正的比例越高，因子越可靠
- 关注IC持续为正的时期
定期重新评估
- 因子效果会随市场变化
- 建立IC监控和预警系统
区分样本内和样本外
- 避免过拟合
- 在样本外验证IC稳定性
因子中性化
- 去除行业、市值等影响
- 提高因子的纯净性

ICIR与传统评估指标的对比

指标	关注点	优点	缺点	适用场景
IC	预测能力	直观反映因子质量	受样本影响大	因子筛选
IR	收益稳定性	综合考虑收益和风险	需要足够长历史	组合管理
Sharpe	风险调整收益	标准化指标	需要正态假设	业绩评估
Alpha	超额收益	直接衡量价值	需要基准	绝对收益
R²	拟合优度	统计意义明确	不考虑方向	模型评估

10. OOS IC

OOS IC（样本外信息系数）详见【ICIR】章节中的”#### OOS IC（样本外信息系数）“部分。OOS IC 是量化投资中最关键的评估指标之一，评估模型在未见过的数据上的泛化能力和实际交易价值。

11. IC 衰减

核心概念

IC 衰减（IC Decay）是指因子或模型的预测能力随时间推移、预测周期延长或数据维度变化而逐渐减弱的现象。理解 IC 衰减对于评估因子稳定性、确定模型重新训练频率、设计交易策略至关重要。

IC 衰减的主要类型

1. 时间衰减（Temporal Decay）

定义：因子 IC 随时间推移而下降。

典型模式：

月度 IC 变化：
M0（当月）：  IC = 0.06
M1（次月）：  IC = 0.04（衰减 33%）
M2（第三月）：IC = 0.025（衰减 58%）
M3（第四月）：IC = 0.01（衰减 83%）

衰减率计算：

衰减率 = (IC_t0 - IC_tn) / IC_t0 × 100%

例如：
当月 IC = 0.06
3 个月后 IC = 0.025
衰减率 = (0.06 - 0.025) / 0.06 = 58.3%

半衰期（Half-life）：

IC 衰减到初始值一半所需的时间：

IC 半衰期计算示例：
初始 IC = 0.08
寻找 IC = 0.04 对应的时间点

常见因子半衰期：
- 短期动量因子：1-2 个月
- 中期趋势因子：3-6 个月
- 长期价值因子：6-12 个月

2. 周期衰减（Horizon Decay）

定义：预测 IC 随预测周期的延长而下降。

典型模式：

预测周期 vs IC：
1 日预测：  IC = 0.05
5 日预测：  IC = 0.035（衰减 30%）
20 日预测： IC = 0.02（衰减 60%）
60 日预测： IC = 0.008（衰减 84%）

应用场景：

预测周期	适用策略	预期 IC 范围
1-5 日	日内/短线交易	0.04-0.08
5-20 日	波段交易	0.02-0.05
20-60 日	中线持仓	0.01-0.03
> 60 日	长线投资	< 0.02

3. 滚动衰减（Rolling Decay）

定义：使用滚动窗口训练模型时，模型 IC 随训练数据时效性降低而衰减。

典型模式：

训练后 IC 变化：
T+0（训练完成）：  IC = 0.065
T+1 月：           IC = 0.058
T+3 月：           IC = 0.045
T+6 月：           IC = 0.028
T+12 月：          IC = 0.012

4. 分层衰减（Cross-sectional Decay）

定义：因子 IC 在不同股票群体或市场环境下的衰减差异。

按市值分层：

因子 IC 衰减对比：
大盘股：衰减快（半衰期 2 个月）
中盘股：衰减中（半衰期 4 个月）
小盘股：衰减慢（半衰期 6 个月）

按市场环境分层：

因子 IC 衰减对比：
牛市：衰减快（竞争激烈）
熊市：衰减慢（信息吸收慢）
震荡市：衰减中

IC 衰减的原因

1. 市场效率提升

新因子发现 → 资金涌入 → 信号被套利 → IC 下降
时间线：通常 6-24 个月

2. 市场结构变化

例子：
- 交易机制改变（如 T+0 到 T+1）
- 投资者结构变化（机构占比提升）
- 市场波动率变化
- 行业轮动加速

3. 因子拥挤

过多资金使用同一因子 → 因子收益被稀释 → IC 下降
拥挤度指标：因子持仓集中度、因子相关性

4. 数据噪声

短期数据噪声大 → 长期预测更困难 → IC 随周期衰减

5. 特效衰减

特定事件/政策驱动的因子 → 事件过去 → 因子失效
例：并购重组因子在监管收紧后 IC 大幅下降

IC 衰减的测量方法

1. 时间序列 IC 衰减分析

def calculate_ic_decay(ic_series, periods):
    """
    计算 IC 时间序列衰减
    """
    decay_results = {}
    base_ic = ic_series[0]
 
    for period in periods:
        ic_t = ic_series[period]
        decay_rate = (base_ic - ic_t) / base_ic
        decay_results[f'period_{period}'] = {
            'ic': ic_t,
            'decay_rate': decay_rate
        }
    return decay_results

2. 半衰期计算

def calculate_half_life(ic_series, time_periods):
    """
    计算 IC 半衰期
    """
    initial_ic = ic_series[0]
    half_ic = initial_ic / 2
 
    for i, ic in enumerate(ic_series):
        if ic <= half_ic:
            return time_periods[i]
    return None

3. 衰减曲线拟合

常用模型：
1. 指数衰减：IC(t) = IC_0 × e^(-λt)
2. 幂律衰减：IC(t) = IC_0 × t^(-α)
3. 线性衰减：IC(t) = IC_0 - βt

拟合评估：
- R²：拟合优度
- AIC/BIC：模型选择

4. 滚动 IC 稳定性检验

def rolling_ic_stability(ic_series, window=12):
    """
    滚动 IC 稳定性分析
    """
    rolling_mean = ic_series.rolling(window).mean()
    rolling_std = ic_series.rolling(window).std()
    ic_ir = rolling_mean / rolling_std
 
    return {
        'rolling_mean': rolling_mean,
        'rolling_std': rolling_std,
        'ic_ir': ic_ir,
        'trend': np.polyfit(range(len(ic_series)), ic_series, 1)[0]
    }

IC 衰减评估标准

时间衰减评估

衰减程度	1 个月衰减率	3 个月衰减率	半衰期	因子评级
轻微	< 15%	< 35%	> 9 个月	优秀
中等	15-25%	35-50%	6-9 个月	良好
较重	25-40%	50-70%	3-6 个月	一般
严重	> 40%	> 70%	< 3 个月	较差

周期衰减评估

预测周期	优秀 IC	良好 IC	一般 IC	较差 IC
1 日	> 0.06	0.04-0.06	0.02-0.04	< 0.02
5 日	> 0.045	0.03-0.045	0.015-0.03	< 0.015
20 日	> 0.025	0.015-0.025	0.008-0.015	< 0.008
60 日	> 0.012	0.008-0.012	0.004-0.008	< 0.004

应对 IC 衰减的策略

1. 模型重新训练

重新训练频率建议：
- IC 半衰期 < 3 个月：每月重新训练
- IC 半衰期 3-6 个月：每季度重新训练
- IC 半衰期 > 6 个月：每半年重新训练

决策依据：
当滚动 IC < 历史 IC 均值 - 1×标准差时，触发重新训练

2. 在线学习

增量更新模型：
- 每日/每周用新数据更新模型
- 保持模型对最新市场状态的适应
- 减少全量重新训练的计算成本

3. 多因子组合

组合低相关性因子 → 单因子衰减影响降低
组合 IC 衰减特性：
- IC 组合 = w1×IC1 + w2×IC2 + ...
- 组合半衰期 > 单因子半衰期

4. 因子轮动

根据因子 IC 动态调整权重：
- 近期 IC 高的因子增加权重
- 近期 IC 低的因子降低权重
- 实现"强者恒强"的因子选择

5. 自适应预测周期

根据 IC 衰减特性选择预测周期：
- 快速衰减因子：选择短周期预测
- 慢速衰减因子：可选择长周期预测

IC 衰减监控与预警

监控指标

1. 滚动 IC 趋势
   - 3 个月滚动 IC 均值
   - 6 个月滚动 IC 均值
   - 趋势斜率

2. IC 衰减率
   - 月度衰减率
   - 季度衰减率
   - 同比衰减率

3. IC 稳定性
   - IC 标准差
   - IC IR（IC 均值 / IC 标准差）
   - IC > 0 的比例

预警规则

黄色预警：
- 滚动 3 个月 IC 下降 > 30%
- IC IR < 0.5
- IC 半衰期缩短 > 50%

红色预警：
- 滚动 3 个月 IC < 历史均值 - 2×标准差
- 连续 3 个月 IC < 0.02
- IC 半衰期 < 2 个月

触发预警后：
1. 启动模型诊断
2. 考虑重新训练
3. 降低该因子/模型权重

实战案例

案例 1：动量因子 IC 衰减分析

因子：12 个月动量因子
历史数据：2015-2024

IC 时间序列分析：
2015-2018：IC 均值 0.055，半衰期 8 个月
2019-2021：IC 均值 0.038，半衰期 5 个月（衰减 31%）
2022-2024：IC 均值 0.025，半衰期 3 个月（衰减 55%）

结论：因子 IC 显著衰减，需要减少权重或替换

案例 2：模型周期衰减分析

模型：XGBoost 预测模型
训练周期：2020-2022

预测周期 vs OOS IC：
1 日：  0.052
5 日：  0.038
10 日： 0.025
20 日： 0.012
60 日： 0.004

结论：模型适合短线预测，长周期预测能力不足

案例 3：模型时效衰减与重训练

模型训练时间：2024-01
初始 OOS IC：0.06

时效衰减追踪：
2024-02：IC = 0.055（衰减 8%）
2024-03：IC = 0.048（衰减 20%）
2024-04：IC = 0.039（衰减 35%）← 触发预警
2024-05：重新训练

重训练后 OOS IC：0.062
结论：定期重训练可有效应对时效衰减

最佳实践

建立 IC 衰减监控体系
- 持续追踪因子和模型的 IC 变化
- 建立自动化预警机制
根据衰减特性制定策略
- 快衰减因子：短线策略，频繁调仓
- 慢衰减因子：长线策略，低频调仓
定期评估和调整
- 每季度评估因子 IC 衰减情况
- 根据衰减程度调整因子权重
多维度防御
- 使用多因子组合分散单一因子衰减风险
- 结合在线学习和定期重训练
记录和分析
- 记录 IC 衰减的历史模式
- 分析衰减原因，指导因子研发

12. 单调性

核心概念

单调性（Monotonicity）是指因子值与预期收益之间存在一致的单向关系。一个优秀的因子应当满足：因子值越大（或越小），预期收益越高（或越低），呈现明显的单调递增或递减关系。

单调性的重要性

1. 因子有效性验证

单调性是因子有效性的核心验证标准：
✓ 单调性好 → 因子逻辑清晰，可解释性强
✗ 单调性差 → 因子可能存在噪音或逻辑缺陷

2. 交易信号可靠性

单调性好的因子：
- 可以直接作为排序信号
- 多空组合收益稳定
- 分层测试效果明显

单调性差的因子：
- 信号方向不明确
- 多空收益不稳定
- 分层效果混乱

3. 模型可解释性

单调性好的因子更容易被纳入模型：
- 模型权重符号一致
- 特征重要性稳定
- 策略逻辑清晰

单调性测试方法

1. 分组单调性测试（IC 分层测试）

方法：将股票按因子值分成 N 组，计算每组的平均收益。

示例：

因子分组（5 分位）：
分位    因子值范围    平均收益    IC
Q1（低）  [0, 20%]     -1.2%     负
Q2        [20%, 40%]   -0.3%     负
Q3        [40%, 60%]    0.1%     正
Q4        [60%, 80%]    0.8%     正
Q5（高）  [80%, 100%]   1.5%     正

单调性检验：Q1 < Q2 < Q3 < Q4 < Q5 ✓

评估标准：

单调性评级	标准	说明
优秀	5 组完全单调递增/递减	因子质量极高
良好	4 组单调，1 组轻微偏离	因子质量良好
一般	3 组单调，2 组偏离	因子有一定价值
较差	仅 2 组单调，其余混乱	因子有效性存疑
无效	完全无单调性，收益随机分布	因子无效

2. 斯皮尔曼相关系数

原理：衡量变量之间的单调关系强度。

Spearman ρ = 1 - (6 × Σd²) / (n × (n² - 1))

其中 d 为排名差异

评估标准：

Spearman ρ	单调性程度
> 0.8	强单调
0.5 - 0.8	中等单调
0.3 - 0.5	弱单调
< 0.3	几乎无单调

3. 趋势检验（Cochran-Armitage Test）

方法：检验分组收益是否存在显著线性趋势。

统计量 Z = Σ(w_i × (x_i - n_i × p)) / sqrt(p × (1-p) × Σ(w_i² × n_i))

其中：
- w_i：第 i 组的权重（通常为组序号）
- x_i：第 i 组的成功次数
- n_i：第 i 组的总数
- p：总体成功率

判断：|Z| > 1.96 → 趋势显著（p < 0.05）

4. 单调性比率

计算方法：

单调性比率 = 单调递增的对数 / 总相邻对数

例如 5 分位：
相邻对：(Q1,Q2), (Q2,Q3), (Q3,Q4), (Q4,Q5)
总对数 = 4

如果 Q1 < Q2 < Q3 < Q4 < Q5：
单调性比率 = 4/4 = 100%

如果 Q1 < Q2 > Q3 < Q4 < Q5：
单调性比率 = 3/4 = 75%

单调性可视化

1. 分组收益柱状图

收益
  ^
1.5|           ██
   |           ██
1.0|        ██ ██
   |        ██ ██
0.5|     ██ ██ ██
   |     ██ ██ ██
0.0|  ██ ██ ██ ██ ██
   |  ██ ██ ██ ██ ██
   +------------------>
     Q1  Q2  Q3  Q4  Q5

理想形态：递增或递减的阶梯状

2. 累积收益曲线

累积收益
  ^
   |                    ___
   |               ___/
   |          ___/
   |     ___/
   |___/
   +------------------------>
        时间（按因子排序）

单调性与 IC 的关系

单调性高 → IC 通常也高
单调性低 → IC 通常也低

但存在例外：
1. 高 IC 但单调性差：IC 由少数极端值贡献
2. 低 IC 但单调性好：因子方向正确但预测能力弱

联合评估矩阵：

	单调性高	单调性低
IC 高	优秀因子	高波动因子
IC 低	弱信号因子	无效因子

单调性衰减与监控

单调性衰减现象

因子单调性随时间变化：
2020：Q1=-1.5%, Q2=-0.5%, Q3=0.2%, Q4=0.9%, Q5=1.6% ✓ 完美单调
2022：Q1=-0.8%, Q2=0.1%, Q3=0.3%, Q4=0.5%, Q5=1.0% ✓ 单调
2024：Q1=0.2%,  Q2=-0.3%, Q3=0.1%, Q4=0.8%, Q5=0.4% ✗ 单调性丧失

单调性监控指标

1. 滚动单调性比率（3/6/12 个月）
2. Spearman ρ 时间序列
3. 分组收益趋势斜率
4. 单调性违约次数

提升单调性的方法

1. 因子方向确认

问题：因子方向设置错误
解决：
- 确认因子逻辑（正向因子 vs 反向因子）
- 检查因子与收益的相关性符号

2. 异常值处理

问题：极端值破坏单调性
解决：
- Winsorize（缩尾处理）
- 标准化处理
- 去除异常值

3. 因子正交化

问题：因子受到其他因子干扰
解决：
- 行业/市值中性化
- 正交化处理
- 残差因子

4. 因子变换

问题：因子与收益非线性关系
解决：
- 对数变换
- 分段线性
- 非线性映射

实战案例

案例 1：动量因子单调性分析

因子：12 个月动量
测试周期：2020-2024

分组收益：
Q1（低动量）： -0.8%
Q2：          -0.2%
Q3：           0.3%
Q4：           0.9%
Q5（高动量）： 1.4%

单调性检验：Q1 < Q2 < Q3 < Q4 < Q5 ✓ 完美单调
Spearman ρ = 0.92
结论：因子单调性优秀，可使用

案例 2：单调性丧失的诊断

因子：估值因子（PE_TTM）
测试周期：2024

分组收益：
Q1（低PE）： 1.2%
Q2：        0.3%
Q3：        0.8%  ← 违反单调性
Q4：        1.0%
Q5（高PE）： 0.5% ← 违反单调性

问题诊断：
- 成长股热潮导致高 PE 表现异常
- 行业结构变化（科技股权重上升）

解决方案：
- 行业中性化处理
- 加入成长因子对冲
- 缩短因子计算窗口

最佳实践

必须进行单调性测试
- 因子筛选的首要标准
- 定期监控单调性变化
结合多种测试方法
- 分组测试 + Spearman + 趋势检验
- 多角度验证单调性
关注单调性稳定性
- 滚动窗口监控
- 及时发现单调性衰减
单调性与 IC 联合评估
- 高 IC + 高单调性 = 优质因子
- 单独看任一指标都不够
建立单调性预警
- 单调性比率 < 75% 时预警
- Spearman ρ < 0.5 时预警

13. 统计显著性

核心概念

统计显著性（Statistical Significance）是指观察到的效应不太可能由随机偶然因素产生。在量化投资中，统计显著性检验用于判断因子 IC、策略收益、模型效果是否真实有效，而非数据噪声或过拟合的结果。

统计显著性的重要性

1. 区分信号与噪声

问题：因子 IC = 0.03，是否有效？
- 如果统计显著（p < 0.05）→ 因子有效
- 如果统计不显著（p > 0.05）→ 可能是噪声

2. 避免数据挖掘偏差

数据挖掘陷阱：
- 测试 100 个因子，平均 5 个会偶然显著（p < 0.05）
- 需要更严格的显著性标准或校正

3. 策略可靠性验证

策略收益 15%，是否可靠？
- 需要检验收益是否显著高于基准
- 需要检验收益是否稳定（非偶然）

常用统计检验方法

1. IC 显著性检验（t 检验）

原假设（H0）：IC 的真实值为 0 备择假设（H1）：IC 的真实值不为 0

t 统计量 = IC × sqrt(N - 2) / sqrt(1 - IC²)

其中：
- IC：样本信息系数
- N：样本数量

判断：
|t| > 1.96 → p < 0.05 → IC 显著
|t| > 2.58 → p < 0.01 → IC 高度显著
|t| > 3.29 → p < 0.001 → IC 极显著

示例：

IC = 0.04, N = 500
t = 0.04 × sqrt(498) / sqrt(1 - 0.04²) = 0.04 × 22.34 / 0.999 = 0.89

|t| = 0.89 < 1.96
结论：IC 不显著，因子可能是噪声

IC = 0.05, N = 2000
t = 0.05 × sqrt(1998) / sqrt(1 - 0.05²) = 0.05 × 44.70 / 0.999 = 2.24

|t| = 2.24 > 1.96
结论：IC 显著（p < 0.05），因子有效

2. ICIR 显著性检验

原理：ICIR = IC 均值 / IC 标准差

t 统计量 = ICIR × sqrt(T)

其中 T 为时间周期数

判断：
|t| > 2 → ICIR 显著

示例：

IC 均值 = 0.04, IC 标准差 = 0.08, T = 60 个月
ICIR = 0.04 / 0.08 = 0.5
t = 0.5 × sqrt(60) = 3.87 > 2

结论：ICIR 高度显著

3. 收益显著性检验

方法 1：单样本 t 检验

检验策略收益是否显著异于 0 或某个基准。

t = (μ - μ_0) / (σ / sqrt(N))

其中：
- μ：策略平均收益
- μ_0：基准收益（通常为 0）
- σ：收益标准差
- N：样本数

方法 2：配对 t 检验

检验策略收益是否显著高于基准。

t = μ_d / (σ_d / sqrt(N))

其中：
- μ_d：策略与基准的收益差均值
- σ_d：收益差标准差

4. 因子分组显著性检验

ANOVA（方差分析）：

检验不同分组的平均收益是否存在显著差异。

F 统计量 = 组间方差 / 组内方差

H0：所有分组均值相等
H1：至少有一组均值不同

判断：F > F_临界值 → 分组收益差异显著

Kruskal-Wallis 检验（非参数方法）：

当数据不满足正态分布假设时使用。

H 统计量 = (12 / (N × (N+1))) × Σ(R_i² / n_i) - 3 × (N+1)

判断：H > χ²_临界值 → 分组差异显著

5. 信息比率显著性

t 统计量 = IR × sqrt(T)

其中：
- IR：信息比率
- T：时间周期数

判断：
|t| > 2 → IR 显著

多重检验问题与校正

问题：多重检验导致假阳性

测试 100 个因子，显著性水平 α = 0.05
期望假阳性数量 = 100 × 0.05 = 5 个

即使所有因子都无效，平均也会发现 5 个"显著"因子

校正方法

1. Bonferroni 校正

校正后 α = α_原始 / 测试次数

例如：
测试 100 个因子，α_原始 = 0.05
校正后 α = 0.05 / 100 = 0.0005

优点：简单，控制整体错误率
缺点：过于保守，可能漏掉真实效应

2. Benjamini-Hochberg 校正（FDR 控制）

步骤：
1. 将 p 值从小到大排序
2. 找到最大的 k，满足 p_k ≤ (k / m) × α
3. 拒绝前 k 个假设

其中 m 为总测试次数

优点：控制错误发现率（FDR），比 Bonferroni 更灵敏

3. Holm 校正

步骤：
1. 将 p 值从小到大排序
2. 对第 i 个检验，使用 α_i = α / (m - i + 1)
3. 逐步比较，直到无法拒绝

优点：比 Bonferroni 灵敏，仍控制整体错误率

p 值的正确理解

p 值的定义

p 值：在原假设为真的情况下，观察到当前或更极端结果的概率

注意：
- p 值不是"原假设为真的概率"
- p 值不是"效应大小的度量"
- p < 0.05 不意味着"有 95% 的把握效应真实存在"

p 值的常见误区

误区	正确理解
p = 0.06 表示”几乎显著”	p = 0.06 就是不显著，不应过度解读
p < 0.05 一定意味着实际重要	统计显著 ≠ 实际重要，需看效应大小
p 值越小，效应越大	p 值反映的是证据强度，不是效应大小
不显著就意味着没有效应	可能是样本量不足或效应太小

效应量（Effect Size）

为什么需要效应量

问题：统计显著 ≠ 实际重要
- 大样本下，极小的效应也能显著
- 需要同时报告效应量来评估实际意义

常用效应量指标

1. Cohen’s d

d = (μ_1 - μ_2) / σ_合并

评估标准：
|d| < 0.2：小效应
|d| ~ 0.5：中效应
|d| > 0.8：大效应

2. 相关系数 r

IC 本身就是一种效应量

评估标准：
|r| < 0.1：小效应
|r| ~ 0.3：中效应
|r| > 0.5：大效应

3. R²（决定系数）

R² = 模型解释的方差 / 总方差

评估标准：
R² < 0.02：弱解释力
R² ~ 0.13：中等解释力
R² > 0.26：强解释力

置信区间

定义

95% 置信区间：如果重复实验无限次，95% 的区间会包含真实参数

IC 的 95% 置信区间：
CI = IC ± 1.96 × SE(IC)

其中 SE(IC) = sqrt((1 - IC²) / (N - 2))

示例

IC = 0.05, N = 1000
SE(IC) = sqrt((1 - 0.05²) / 998) = 0.0316
95% CI = 0.05 ± 1.96 × 0.0316 = [-0.012, 0.112]

结论：置信区间包含 0，IC 不显著

IC = 0.05, N = 5000
SE(IC) = sqrt((1 - 0.05²) / 4998) = 0.0141
95% CI = 0.05 ± 1.96 × 0.0141 = [0.022, 0.078]

结论：置信区间不包含 0，IC 显著

样本量与检验效能

检验效能（Power）

检验效能 = 1 - β = P(拒绝 H0 | H1 为真)

通常目标：Power ≥ 0.8

最小样本量估计

检测 IC 显著性所需最小样本量：

N_min ≈ (Z_α/2 + Z_β)² × (1 - IC²) / IC²

其中：
- Z_α/2：显著性水平对应 Z 值（0.05 → 1.96）
- Z_β：效能水平对应 Z 值（0.8 → 0.84）

示例：

目标：检测 IC = 0.05 是否显著（α = 0.05, Power = 0.8）

N_min ≈ (1.96 + 0.84)² × (1 - 0.05²) / 0.05²
      ≈ 7.84 × 0.9975 / 0.0025
      ≈ 3126

结论：至少需要约 3100 个样本才能可靠检测 IC = 0.05

统计显著性的实战应用

1. 因子筛选标准

推荐组合标准：
1. IC t 检验 p < 0.05（或更严格：p < 0.01）
2. |IC| > 0.02（效应量要求）
3. ICIR > 0.5（稳定性要求）
4. 经过 Bonferroni/FDR 校正后仍显著

2. 策略评估标准

策略有效性验证：
1. 超额收益 t 检验 p < 0.05
2. IR t 检验 p < 0.05
3. 最大回撤期间显著短于随机游走
4. 分层收益 ANOVA 显著

3. 模型比较

模型 A vs 模型 B：
1. Diebold-Mariano 检验（预测精度比较）
2. 配对 t 检验（收益差异比较）
3. Hansen's SPA 检验（多重模型比较）

统计显著性检验报告模板

因子/策略统计检验报告
=====================

1. 基本信息
   - 因子/策略名称：XXXX
   - 测试周期：YYYY-MM-DD 至 YYYY-MM-DD
   - 样本量：N = XXXX

2. IC 分析
   - IC 均值：X.XXX
   - IC 标准差：X.XXX
   - ICIR：X.XXX
   - IC t 统计量：X.XXX
   - IC p 值：X.XXX
   - 95% 置信区间：[X.XXX, X.XXX]

3. 分组分析
   - 分组收益：Q1=-X.X%, Q2=..., Q5=X.X%
   - 单调性检验：通过/未通过
   - ANOVA F 统计量：X.XXX
   - ANOVA p 值：X.XXX

4. 多重检验校正
   - Bonferroni 校正后 p 值：X.XXX
   - FDR 校正后 p 值：X.XXX

5. 结论
   - 统计显著性：是/否
   - 效应量：小/中/大
   - 实际可用性：推荐/谨慎/不推荐

最佳实践

必须报告统计显著性
- 不仅报告 IC 值，还要报告 p 值和置信区间
- 让读者判断结果的可靠性
同时报告效应量
- 统计显著 ≠ 实际重要
- 必须评估效应的实际意义
正确处理多重检验
- 因子挖掘时必须进行校正
- 使用 FDR 或 Bonferroni 校正
关注检验效能
- 确保样本量足够
- 避免”不显著”仅因样本不足
使用置信区间
- 比单独的 p 值更有信息量
- 展示参数估计的不确定性
结合多种检验
- t 检验、非参数检验、ANOVA 等
- 多角度验证结论
透明报告
- 报告所有检验的因子数量
- 报告被筛选掉的结果
- 避免选择性报告偏差

15. 特征零/负 OOS 值

核心概念

特征零/负 OOS 值是指特征（因子）在样本外测试时，其 IC（信息系数）为零或负值的现象。这表明该特征在新数据上没有预测能力，甚至可能产生反向预测，是特征筛选和模型诊断中的关键问题。

问题严重性评估

OOS IC 值的含义

OOS IC 范围	状态	含义	处理建议
> 0.03	正常	特征有正向预测能力	保留使用
0.01 - 0.03	边缘	预测能力较弱	谨慎使用
0 - 0.01	近零	几乎无预测能力	观察或移除
-0.01 - 0	微负	轻微反向预测，可能是噪声	建议移除
< -0.01	明显负	明显反向预测，过拟合严重	必须移除

零/负 OOS 值的原因

1. 过拟合（最常见）

表现：
- IS IC 高（> 0.08）
- OOS IC 零或负（< 0.01）

原因：
- 模型复杂度过高，记忆了训练数据的噪声
- 特征数量过多，产生虚假相关性
- 训练时间过长

示例：
训练期：IC = 0.12
测试期：IC = -0.02
结论：严重过拟合

2. 数据泄露

表现：
- IS IC 极高（> 0.15）
- OOS IC 突然降至负值

原因：
- 特征计算使用了未来数据
- 标签泄露（target leakage）
- 生存偏差

示例：
错误特征：df['future_price'] = df['close'].shift(-1)
IS IC: 0.25（虚假高）
OOS IC: 0.005（真实低）

3. 市场结构变化

表现：
- 历史 IC 稳定为正
- 近期 OOS IC 突然转负

原因：
- 市场制度转变（牛转熊）
- 因子拥挤导致收益被套利
- 监管政策变化

示例：
动量因子 2020-2021：IC = 0.05
动量因子 2022-2023：IC = -0.03
原因：市场风格切换

4. 特征构造缺陷

表现：
- 理论预期正向，实际 OOS IC 为负

原因：
- 特征计算逻辑错误
- 符号方向设置反了
- 数据处理步骤有误

示例：
预期：高 PE = 高估 = 未来收益低
错误实现：df['pe_signal'] = df['PE']  # 未取反
正确实现：df['pe_signal'] = -df['PE']  # 需要取反

5. 样本量不足

表现：
- OOS IC 波动大，时正时负
- 置信区间很宽，包含零

原因：
- 测试期太短（< 1 年）
- 样本数量太少

示例：
测试期 3 个月：OOS IC = -0.01，SE = 0.02
95% CI：[-0.05, 0.03]
结论：不能确定是否真的为负

诊断方法

1. IS-OOS IC 对比分析

步骤：
1. 计算样本内 IC（IS IC）
2. 计算样本外 IC（OOS IC）
3. 计算差距：Gap = IS IC - OOS IC

诊断标准：
- Gap < 0.02：正常
- Gap 0.02-0.05：轻微过拟合
- Gap 0.05-0.10：中度过拟合
- Gap > 0.10：严重过拟合

2. 滚动 OOS IC 分析

方法：使用滚动窗口计算 OOS IC 时间序列

正常特征：OOS IC 在零线上方波动
问题特征：OOS IC 频繁穿越零线或持续在零线下方

示例：
月份    OOS IC
M1      0.04
M2      0.02
M3      -0.01  ← 首次转负
M4      -0.03  ← 持续为负
M5      -0.02
结论：特征从 M3 开始失效

3. 分层 OOS IC 分析

方法：按时间、行业、市值等维度分层计算 OOS IC

示例：
时间分层：
- 2020-2021：OOS IC = 0.05
- 2022-2023：OOS IC = -0.02

行业分层：
- 科技：OOS IC = 0.06
- 金融：OOS IC = -0.01
- 消费：OOS IC = 0.03

结论：特征在某些分层失效

4. 特征稳定性检验

指标：
1. OOS IC 标准差：衡量波动性
2. OOS IC > 0 的比例：衡量稳定性
3. OOS IC 趋势斜率：衡量衰减速度

诊断标准：
- OOS IC 标准差 > 0.05：不稳定
- OOS IC > 0 比例 < 60%：不可靠
- 趋势斜率 < 0 且显著：正在衰减

解决方案

1. 过拟合导致的零/负 OOS

解决方案：
1. 简化模型
   - 减少特征数量（Top N 筛选）
   - 增加正则化强度
   - 降低模型复杂度

2. 增加数据量
   - 扩展训练时间范围
   - 增加标的数量

3. 特征筛选
   - 移除 IS IC 过高的特征（可能过拟合）
   - 保留 IS-OOS Gap 小的特征

2. 数据泄露导致的零/负 OOS

解决方案：
1. 严格的时间划分
   - 确保特征计算不使用未来数据
   - 检查所有 shift/lag 操作

2. 代码审查
   - 检查特征计算逻辑
   - 验证数据对齐

3. 泄露检测
   - 使用 Purged K-Fold 交叉验证
   - 检查 Embargo 设置

3. 市场变化导致的零/负 OOS

解决方案：
1. 因子自适应
   - 动态调整因子权重
   - 使用因子轮动策略

2. 缩短训练窗口
   - 使用更近期的数据
   - 提高模型更新频率

3. 多因子分散
   - 组合多个低相关因子
   - 降低单因子失效风险

4. 特征构造缺陷

解决方案：
1. 逻辑验证
   - 检查特征与收益的理论关系
   - 确认符号方向正确

2. 单元测试
   - 编写特征计算测试用例
   - 验证边界情况

3. 文档记录
   - 记录特征构造逻辑
   - 说明预期方向

预防措施

1. 特征开发流程

1. 理论验证
   - 确认特征有合理的经济学逻辑
   - 预期特征与收益的关系方向

2. 样本内测试
   - 计算样本内 IC
   - IS IC 应在合理范围（0.03-0.10）

3. 样本外验证
   - 使用独立的测试集
   - OOS IC 应 > 0.02

4. 滚动测试
   - 持续监控 OOS IC 变化
   - 建立 IC 衰减预警

2. 特征入库标准

必须满足的条件：
1. OOS IC > 0.02
2. OOS IC > 0 的比例 > 60%
3. IS-OOS Gap < 0.05
4. 统计显著性 p < 0.05
5. 单调性检验通过

任一条件不满足，特征不得入库

3. 持续监控

监控指标：
1. 滚动 3 个月 OOS IC
2. OOS IC 趋势
3. OOS IC 为负的连续月数

预警规则：
- OOS IC 连续 2 个月为负 → 黄色预警
- OOS IC 连续 3 个月为负 → 红色预警，考虑移除

实战案例

案例 1：过拟合导致负 OOS

特征：复合动量因子（5 个动量特征组合）
训练期：2020-2022（3 年）

诊断：
IS IC:  0.15（非常高）
OOS IC: -0.02（负值）
Gap:    0.17（严重过拟合）

分析：
- 特征数量过多（50 个候选，选 5 个）
- 训练期太短
- 正则化不足

解决方案：
1. 减少特征到 2 个
2. 扩展训练期到 5 年
3. 增加 L2 正则化

修复后：
IS IC:  0.07
OOS IC: 0.05
Gap:    0.02（正常）

案例 2：数据泄露

特征：机构持仓变动
训练期：2019-2023

诊断：
IS IC:  0.22（异常高）
OOS IC: 0.005（几乎为零）

分析：
检查发现特征计算使用了季报发布后的数据
但实际交易时，季报尚未发布

问题代码：
df['inst_change'] = df['inst_holdings'].diff()  # 错误：未考虑披露延迟

修复：
df['inst_change'] = df['inst_holdings'].shift(1).diff()  # 正确：延迟 1 季度

修复后：
IS IC:  0.06
OOS IC: 0.045

案例 3：市场风格切换

特征：小市值因子
测试期：2020-2024

滚动 OOS IC：
2020: 0.08（小盘股强势）
2021: 0.06
2022: -0.02（大盘股强势）
2023: -0.04
2024: 0.01（风格不明朗）

诊断：
因子在 2022 年后失效，市场风格从小盘转向大盘

解决方案：
1. 动态因子权重：根据风格信号调整权重
2. 因子轮动：小盘信号弱时切换到其他因子
3. 组合对冲：与大盘因子组合使用

最佳实践

特征开发时必须进行 OOS 测试
- 不依赖样本内表现
- 使用严格的时间划分
建立 OOS IC 监控系统
- 持续追踪每个特征的 OOS 表现
- 及时发现零/负 OOS 问题
设置严格的入库标准
- OOS IC 必须为正且显著
- IS-OOS Gap 必须在合理范围
定期审查特征
- 每季度审查特征 OOS 表现
- 移除持续为零/负的特征
记录和分析失败案例
- 建立特征失效案例库
- 分析失效原因，避免重复

16. 数据分布偏移

核心概念

数据分布偏移（Distribution Shift / Dataset Shift）是指模型训练时的数据分布与实际使用时的数据分布存在差异，导致模型性能下降的现象。在量化投资中，市场环境的变化、投资者结构的改变、政策调整等因素都会导致数据分布偏移。

分布偏移的类型

1. 协变量偏移（Covariate Shift）

定义：输入特征 X 的分布发生变化，但给定 X 时 Y 的条件分布不变。

数学表达：
P_train(X) ≠ P_test(X)
P_train(Y|X) = P_test(Y|X)

示例：
训练期：低波动市场，特征分布集中在窄范围
测试期：高波动市场，特征分布变得更分散

量化场景：

特征：股票波动率
训练期（2018-2020）：波动率均值 15%，标准差 5%
测试期（2022-2023）：波动率均值 25%，标准差 10%

影响：
- 模型在测试期遇到的波动率值在训练期很少见
- 模型在这些"陌生"区域的预测不准确

2. 标签偏移（Label Shift / Prior Probability Shift）

定义：输出标签 Y 的分布发生变化，但给定 Y 时 X 的条件分布不变。

数学表达：
P_train(Y) ≠ P_test(Y)
P_train(X|Y) = P_test(X|Y)

示例：
训练期：牛市，正收益股票占比 60%
测试期：熊市，正收益股票占比 30%

量化场景：

标签：未来 20 日收益是否为正
训练期（2019-2020）：
- 正收益股票：55%
- 负收益股票：45%

测试期（2022）：
- 正收益股票：35%
- 负收益股票：65%

影响：
- 模型倾向于预测正收益
- 但测试期正收益股票比例下降
- 导致预测准确率下降

3. 概念漂移（Concept Drift）

定义：输入 X 和输出 Y 之间的关系发生变化。

数学表达：
P_train(Y|X) ≠ P_test(Y|X)

示例：
训练期：高 PE 股票 → 未来收益低
测试期：高 PE 股票 → 未来收益高（成长股泡沫）

量化场景：

特征：市盈率（PE）
训练期（2015-2018）：
- 高 PE 与未来收益负相关（IC = -0.03）
- 价值投资逻辑主导

测试期（2019-2021）：
- 高 PE 与未来收益正相关（IC = +0.02）
- 成长股泡沫，价值因子失效

影响：
- 模型学到的"低 PE = 高收益"逻辑不再适用
- OOS IC 从正变负

4. 时间偏移（Temporal Shift）

定义：由于时间推移导致的数据分布变化。

特点：
- 渐进式变化
- 可能与经济周期相关
- 通常与其他偏移类型同时发生

示例：
2020：疫情冲击，市场剧烈波动
2021：流动性宽松，成长股上涨
2022：加息周期，价值股回归
2023：AI 概念爆发，科技股上涨

分布偏移的检测方法

1. 统计检验

Kolmogorov-Smirnov (KS) 检验：

from scipy.stats import ks_2samp
 
def detect_covariate_shift(train_feature, test_feature, threshold=0.05):
    """
    检测协变量偏移
    """
    statistic, p_value = ks_2samp(train_feature, test_feature)
 
    if p_value < threshold:
        return {
            'shift_detected': True,
            'p_value': p_value,
            'statistic': statistic,
            'message': f'检测到分布偏移（p={p_value:.4f}）'
        }
    else:
        return {
            'shift_detected': False,
            'p_value': p_value
        }

Population Stability Index (PSI)：

PSI = Σ (测试占比 - 训练占比) × ln(测试占比 / 训练占比)

评估标准：
PSI < 0.1：分布稳定，无明显偏移
PSI 0.1 - 0.25：轻微偏移，需要关注
PSI > 0.25：显著偏移，需要处理

示例：

特征：动量因子
训练期（2020）vs 测试期（2022）分箱对比：

分箱      训练占比   测试占比   差异    PSI贡献
[0,20%]   20%       25%       +5%    0.012
[20,40%]  20%       22%       +2%    0.002
[40,60%]  20%       18%       -2%    0.002
[60,80%]  20%       20%        0%    0.000
[80,100%] 20%       15%       -5%    0.014

总 PSI = 0.030（轻微偏移）

2. 可视化方法

分布对比图：

密度
  ^
  |     训练期
  |    /\
  |   /  \         测试期
  |  /    \       /\
  | /      \___  /  \
  |/            /
  +------------------> 特征值

观察要点：
1. 均值是否偏移
2. 方差是否变化
3. 分布形态是否改变
4. 是否出现新的峰值

时间序列图：

特征均值
  ^
  |        _____
  |    ___/     \___
  |   /             \___
  |__/                   \___
  +-------------------------> 时间
    训练期      测试期

观察要点：
1. 趋势变化
2. 波动变化
3. 水平变化

3. 模型性能监控

滚动性能指标：

监控指标：
1. 滚动 OOS IC
2. 滚动预测准确率
3. 滚动 IR

异常信号：
- 指标突然下降
- 指标持续下降
- 指标波动增大

残差分析：

方法：分析预测误差的分布变化

正常情况：残差均值接近 0，方差稳定
分布偏移：残差均值偏离 0，方差增大

分布偏移的量化影响

对模型性能的影响

典型影响程度：
无偏移：    OOS IC 下降 < 10%
轻微偏移：  OOS IC 下降 10-25%
中度偏移：  OOS IC 下降 25-50%
严重偏移：  OOS IC 下降 > 50%

对不同模型的影响

模型类型	分布偏移敏感度	原因
线性模型	中等	参数固定，外推能力弱
决策树	高	依赖训练数据边界
随机森林	中等	集成缓解单一树的风险
XGBoost/LightGBM	中高	仍依赖训练数据分布
神经网络	高	复杂非线性，外推风险大

应对分布偏移的策略

1. 模型重新训练

策略：定期使用新数据重新训练模型

重新训练频率建议：
- 根据市场环境变化调整
- 通常每 1-3 个月
- PSI > 0.25 时立即触发

示例：
每月末：
1. 检测最新数据的 PSI
2. 如果 PSI > 0.1 或达到月度周期
3. 使用最近 3 年数据重新训练

2. 在线学习（Online Learning）

策略：模型随新数据持续更新

方法：
1. 增量更新：使用新数据更新模型参数
2. 滑动窗口：只使用最近 N 个月的数据
3. 加权学习：近期数据权重更高

优点：
- 快速适应分布变化
- 减少过时数据影响

缺点：
- 对噪声敏感
- 可能过度反应短期变化

3. 特征工程调整

策略：使用对分布偏移不敏感的特征

方法：
1. 相对特征：使用排名、分位数而非绝对值
2. 标准化特征：Z-score、行业中性化
3. 稳健特征：使用中位数而非均值

示例：
# 对分布偏移敏感
feature = close / ma_20  # 绝对比值

# 对分布偏移稳健
feature = rank(close / ma_20)  # 横截面排名

4. 集成方法

策略：使用多个训练期模型的集成

方法：
1. 时间集成：不同训练期模型的平均
2. 加权集成：根据近期表现动态加权

示例：
model_2020 = train(data_2017-2020)
model_2021 = train(data_2018-2021)
model_2022 = train(data_2019-2022)

prediction = 0.2 * model_2020 + 0.3 * model_2021 + 0.5 * model_2022

5. 域适应（Domain Adaptation）

策略：学习源域和目标域之间的映射

方法：
1. 特征对齐：使用 MMD、CORAL 等方法
2. 对抗训练：使用域判别器
3. 样本重加权：给目标域相似样本更高权重

适用场景：
- 已知存在分布偏移
- 有足够的目标域数据

6. 稳健优化

策略：优化模型对分布偏移的鲁棒性

方法：
1. 分布鲁棒优化（DRO）
   min max E_{Q∈U}[L(θ; X, Y)]
   其中 U 是可能的分布集合

2. 正则化
   - 增加权重衰减
   - 使用 DropOut

3. 集成不确定区间
   - 使用分位数回归
   - 预测置信区间

分布偏移监控体系

监控指标

1. 特征分布指标
   - 每个特征的 PSI（日/周/月）
   - 特征均值、方差、偏度、峰度变化
   - 特征相关性矩阵变化

2. 模型性能指标
   - 滚动 OOS IC
   - 滚动预测准确率
   - 滚动 Sharpe Ratio

3. 市场环境指标
   - 波动率指数（VIX）
   - 市场风格因子表现
   - 行业轮动速度

预警规则

黄色预警（关注）：
- 任一特征 PSI > 0.1
- OOS IC 下降 > 20%
- 市场波动率变化 > 50%

红色预警（行动）：
- 多个特征 PSI > 0.25
- OOS IC 连续 2 个月 < 0.02
- 模型性能持续下降

触发预警后：
1. 分析偏移原因
2. 评估偏移程度
3. 决定是否重新训练

实战案例

案例 1：2020 年疫情冲击

背景：
2020 年 3 月，新冠疫情导致市场剧烈波动

分布偏移表现：
- 波动率特征：均值从 15% 跳升至 60%
- 动量特征：短期反转效应增强
- 交易量特征：换手率大幅上升

PSI 检测：
波动率特征 PSI = 0.85（严重偏移）
动量特征 PSI = 0.42（中度偏移）

影响：
模型 OOS IC 从 0.05 下降到 0.01

应对：
1. 使用 2020 年 3 月数据单独建模
2. 增加波动率相关特征
3. 缩短模型更新周期

案例 2：2022 年加息周期

背景：
2022 年美联储开始加息，市场风格切换

分布偏移表现：
- 成长因子 IC 从 +0.03 变为 -0.02
- 价值因子 IC 从 -0.01 变为 +0.04
- 利率敏感特征分布右移

PSI 检测：
利率敏感性特征 PSI = 0.35（显著偏移）

影响：
以成长因子为主的模型 OOS IC 变负

应对：
1. 动态调整因子权重
2. 增加价值因子权重
3. 使用因子轮动策略

案例 3：渐进性分布偏移

背景：
某因子在 5 年内逐渐失效

分布偏移表现：
年度    因子 IC    OOS IC    PSI
2020    0.06       0.05      0.00
2021    0.05       0.04      0.05
2022    0.04       0.03      0.10
2023    0.03       0.02      0.18
2024    0.02       0.01      0.25

分析：
渐进性的概念漂移，因子拥挤导致收益被套利

应对：
1. 持续监控 PSI 和 IC 衰减
2. 当 PSI > 0.1 时开始降低权重
3. 当 OOS IC < 0.02 时移除因子

最佳实践

建立持续监控体系
- 每日/每周计算特征 PSI
- 监控模型性能变化
- 设置自动化预警
定期重新训练
- 根据市场环境变化调整频率
- 使用滚动窗口训练
- 保留历史模型作为备份
使用稳健特征
- 优先使用相对特征（排名、分位数）
- 进行行业/市值中性化
- 避免对绝对值过度依赖
多模型集成
- 不同训练期模型组合
- 降低单一模型失效风险
建立应急机制
- 当检测到严重偏移时的应对流程
- 模型失效时的替代方案
- 人工干预的触发条件
记录和分析
- 记录每次分布偏移事件
- 分析偏移原因和影响
- 积累应对经验

总结

这些机器学习常见概念构成了现代深度学习和机器学习的核心基础：

过拟合：模型在训练集上表现好但在测试集上表现差，是机器学习的核心问题之一
早停机制：防止过拟合，提高泛化能力
梯度下降：模型优化的基础算法
正则化：L1、L2、Elastic Net控制模型复杂度
学习率调整：优化训练过程，加速收敛
批归一化：加速训练，稳定训练过程
Dropout：防止过拟合的有效正则化手段
激活函数：引入非线性，提升模型表达能力
尾部风险：识别和管理极端情况下的风险，提升模型鲁棒性
ICIR：评估预测因子质量的核心指标，用于因子筛选和组合优化
OOS IC：样本外信息系数，评估模型泛化能力和实际交易价值，是量化投资中最关键的评估指标之一
IC 衰减：因子预测能力随时间推移、预测周期延长而减弱的现象，影响模型维护频率和策略设计
单调性：因子值与预期收益之间的单向一致关系，是因子有效性的核心验证标准
统计显著性：判断因子 IC、策略收益是否真实有效而非随机噪声，避免数据挖掘偏差
特征零/负 OOS 值：特征在样本外测试时 IC 为零或负值，表明过拟合或特征失效
数据分布偏移：训练数据与实际使用数据的分布差异，导致模型性能下降

合理组合和应用这些技术，可以显著提升机器学习模型的性能、训练效率、风险管理和因子发现能力。

核心原则

避免过拟合是永恒的主题

过拟合是机器学习中最常见的问题，表现为训练集 IC 很高但 OOS IC 很低。解决过拟合的方法包括：简化模型、增加正则化、增加数据量、使用早停机制、应用 Dropout 等。记住：一个好的模型不是在训练集上表现最好的，而是在从未见过的数据上表现最好的。

样本外表现是最终标准

无论样本内 IC 多高，如果 OOS IC < 0.03，模型就没有实际价值。量化投资中，OOS IC 是衡量模型能否实盘使用的唯一可靠标准。

MindCarver Blog

MindCarver

探索

机器学习常见概念

机器学习常见概念

目录

1. 过拟合

什么是过拟合

核心表现

过拟合的成因

1. 模型复杂度过高

2. 训练数据量不足

3. 训练时间过长

4. 数据噪声过多

5. 特征质量问题

过拟合 vs 欠拟合

过拟合的诊断方法

1. IS IC vs OOS IC

2. 学习曲线分析

3. 训练集 vs 验证集准确率

4. 特征重要性分布

过拟合的解决方案

方案 1：简化模型

方案 2：增加正则化

方案 3：增加数据量

方案 4：早停机制

方案 5：Dropout

方案 6：批归一化

方案 7：交叉验证

方案 8：集成学习

过拟合的实战案例

案例 1：严重过拟合

案例 2：数据泄露导致的假过拟合

案例 3：正常模型

防止过拟合的最佳实践

1. 从简单模型开始

2. 保持数据划分的独立性

3. 监控多个指标

4. 定期重新评估

5. 建立过拟合预警系统

2. 早停机制

什么是早停机制

核心原理

早停工作流程

关键参数

Patience（耐心值）

Min Delta（最小改进阈值）

Monitor（监控指标）

优势

注意事项

数据划分

指标选择

参数调优

恢复最佳模型

应用场景

与其他正则化技术的比较

最佳实践

3. 梯度下降算法

基本概念

算法变体

批量梯度下降（Batch Gradient Descent）

随机梯度下降（Stochastic Gradient Descent）

小批量梯度下降（Mini-batch Gradient Descent）

关键参数

学习率（Learning Rate）

批次大小（Batch Size）

优化算法

Adam（Adaptive Moment Estimation）

RMSprop

SGD with Momentum

L1 正则化（Lasso）

原理

特点

L2 正则化（Ridge）

原理

特点

Elastic Net

原理

特点

常见策略