量化模型调优需坚持时序验证、方向性评估、特征驱动与过拟合防控：用滚动/扩张窗口划分数据，聚焦方向准确率与夏普比率等实盘指标，90%提升来自经济意义特征构造，辅以早停、正则与简单模型约束。
量化交易中模型调优不是“调参玄学”，而是有逻辑、可复现、讲证据的过程。核心在于：用对的数据、选对的指标、控住过拟合、留出真实验证空间。
用滚动窗口做时序验证，别用随机切分
金融时间序列强依赖前后关系，随机打乱训练/测试集会泄露未来信息，导致结果虚高。必须按时间顺序划分，并用滚动或扩张窗口模拟实盘环境。
- 滚动窗口示例：用前60天数据训练，预测第61天；滑动一步，用2–61天训练，预测第62天……
- 扩张窗口更稳妥：训练集从第1天逐步增加（1–60→1–61→1–62…），适合小样本起步阶段
- 用TimeSeriesSplit（sklearn）或自定义生成器，避免手动出错
选对评估指标，盯紧方向性与稳定性
准确率在量化里意义不大——涨跌各50%时，瞎猜也有50%准确率。重点看是否抓住趋势、控制回撤、信号不过于频繁。
- 优先用方向准确率（Directional Accuracy）：预测涨跌方向正确的比例
- 加看夏普比率、盈亏比、胜率、最大回撤——这些才是实盘关心的
- 单靠AUC或F1容易误导：模型可能总说“涨”，AUC很高但实盘全亏
特征工程比模型复杂度更重要
90%的提升来自特征，而非换XGBoost为LightGBM。金融数据噪声大、非稳态，原始价格、成交量往往无效，需构造有经济意义的衍生变量。
立即学习“Python免费学习笔记（深入）”；
- 必试基础特征：动量（N日收益率）、波动率（N日标准差）、相对强弱（RSI）、布林带位置、资金流（主力净流入占比）
- 警惕未来函数：所有特征计算只能用截止到当前K线的数据，禁止用未来值填充或平滑
- 用SHAP值或特征重要性排序定期检查——若“日期编码”“行号”排前三，说明模型没学逻辑，只记住了时间规律
早停 + 正则 + 简单模型，先防过拟合再谈优化
过拟合是量化调优第一杀手。模型在历史数据上完美，一上线就失效，大概率是拟合了噪音或偶然模式。
- 树模型加max_depth=5、min_child_weight=10、subsample=0.8等强约束
- 线性模型必加L1/L2正则（如ElasticNet），自动筛选有效因子
- 训练时启用早停（early stopping），监控验证集方向准确率，连续5轮不升就中断
基本上就这些。不复杂，但容易忽略时序性和业务目标。调优不是让模型“更准”，而是让它“更可靠”。
