计算机筛选股票时，避免过度优化的核心在于设定合理、简洁的逻辑参数，并定期回测验证其是否真正捕捉到市场规律，而非历史噪声。过度优化是指为了拟合历史数据而不断调整筛选条件，使得策略在历史回测中表现完美，但在未来实盘中失效。这通常源于参数设定过多、样本过小或对偶然巧合过度拟合。
设定合理标准，避免条件过多
计算机筛选的第一步是确定选股标准，例如“股价在均线上方”或“成交放量”。均线参数通常使用20日、60日等常见周期，而非精确到17日或63日，因为常见周期已被市场广泛接受，更具统计稳定性。放量标准一般设定为“成交量高于过去5日均值的1.5倍以上”，而不是精确到1.73倍——参数越精确，越容易拟合历史偶然性。筛选条件总数建议控制在3-5个以内，过多条件（如超过10个）会导致样本过小，筛选出的股票数量极少，历史表现可能仅由少数案例驱动，缺乏代表性。
定期回测筛选逻辑
回测是检验筛选逻辑有效性的必要步骤，但需注意方法：使用滚动回测而非一次性全样本回测。例如，用过去3年的数据训练参数，然后测试未来1年的表现，逐年向前滚动。回测周期应覆盖不同市场环境（如牛市、熊市、震荡市），避免仅针对某一特定行情优化。如果策略在多个不同阶段均能获得稳定超额收益，说明逻辑有效；若仅在某一阶段表现突出，则可能是过度拟合。
捕捉信号而非噪声
过度优化本质上是将市场噪声误认为规律。噪声是随机波动，信号是可持续的市场行为。判断方法是：略微调整参数（如将20日均线改为22日均线），如果策略表现剧烈变化（如收益率相差超过20%），则很可能是过度优化。稳健策略的参数应具有鲁棒性——小幅变动不影响整体结果。此外，避免使用未来函数（如用当日收盘价计算当日买入条件），这是回测中最常见的陷阱。
简短总结
避免过度优化的核心策略是：保持参数简洁、使用常见周期、控制条件数量、进行滚动回测验证参数鲁棒性。真正的市场信号经得起时间考验，而噪声只存在于历史巧合中。
常见问题
### 回测收益率很高，但实盘亏损，是什么原因？
最常见的原因是过度优化。历史回测可能拟合了特定波动模式，而未来市场环境变化导致策略失效。建议减少筛选条件，并检查参数是否对微小变动过于敏感。
### 如何判断参数是否过度拟合？
将参数做±10%的调整，观察策略表现。例如原用20日均线，分别测试18日和22日均线。如果收益率变化超过20%，则参数很可能过度拟合。稳健策略应能容忍小幅参数变动。
### 筛选条件数量多少合适？
通常3-5个核心条件足够。超过8个条件时，样本量会急剧缩小（可能少于20只股票），统计意义下降。条件越少，策略越容易在不同市场环境下保持稳定。