过拟合检测

要解决什么问题

量化策略在样本内往往表现亮眼，但样本外夏普迅速塌缩，本质是过拟合或统计显著性不足。仅凭一条回测曲线很难区分「真实 Alpha」与「运气」，尤其在样本较短、参数较多时。本技能面向单条日收益序列，在投入实盘前做可复现的统计诊断，而不是替你做策略优化。

技能如何工作

检测按固定顺序执行三项独立且互补的分析，结论分别给出，再按权重汇总（PSR 40%、蒙特卡洛 35%、衰减曲线+标准误 25%）：

1. PSR（概率夏普比率）：在偏度、峰度修正下，判断观测夏普相对基准（默认 SR=0）是否在 5%/1% 水平下显著大于零，用于排除「纯运气」。
2. 蒙特卡洛模拟：对日收益做有放回抽样（默认 M=5000），得到模拟夏普分布，看真实 SR 落在分位上的位置——显著高于 95% 分位与「可能只是随机波动」的解读标准在 SKILL 中有明确定义。
3. 衰减曲线 + 标准误：以年度子窗口（默认 252 个交易日）滚动估计 SR，配合 Bootstrap 标准误，识别近期夏普相对全样本是否结构性衰减（如近 3 年 SR 低于全期 50%、连续负 SR 年度等预警规则）。

执行脚本为 scripts/overfitting_detect.py，输入为带日期索引的 pandas Series 或可转换数组；完成后输出 Markdown 诊断表、蒙特卡洛直方图、衰减曲线图及完整 overfitting_report.json。

适用边界与注意点

• 样本长度：PSR 与衰减曲线建议日收益 ≥ 3 年（756 个交易日）；蒙特卡洛更稳妥的是 ≥ 5 年。不足时应明确哪些检测无法执行、哪些仍可作参考。
• 输入假设：若无无风险利率，默认按 0 处理；这是诊断假设，不是市场事实。
• 结论用法：综合分级（三项通过 / 两项通过一项预警 / 仅一项或均不通过）对应不同的实盘仓位与止损态度——不能把「通过」等同于 guaranteed 盈利，只能降低过拟合误判概率。
• 随机种子默认 42，便于复现同一输入下的模拟结果。