样本内结果不是证据：我们亲手停用自家 AI 模型学到的东西

一个已经看过评分数据的模型，看起来一定很出色。那不是关于市场的发现，那是对记忆的描述。唯一有价值的数字，只能来自模型在拟合时从未见过的数据。

如果一套策略的参数、或一个机器学习模型的权重，是用某段时期挑出来的，那么在同一段时期上测得的结果在构造上就已被污染。这组拟合之所以被选中，恰恰因为它在那里表现好。把这个分数当成绩效来报告，是披着图表外衣的循环论证。

这不只是 AI 的问题。把策略测试器的优化器跑在某段时期上、再公布最好的结果，是同一个错误，只是词汇小一些。参数越多、试过的组合越多，胜出者被拟合到噪声上的概率就越高。

参数是在哪段时期挑选的？公布的数字又来自哪段时期？如果两者相同，这个数字对未来毫无说明力。如果卖家答不上来，就当作两者相同。

GOLD NEURON 2.x 版所搭载的 ONNX 模型，使用 2020 年 1 月至 2026 年 7 月的数据训练。它在该窗口内的回测属于样本内拟合，从未来自实盘。在 2016 至 2019 年的样本外年份，该模型在我们的测试中亏损，前瞻账户的期望值为负。因此我们在 3.10 版更换了引擎。旧回测我们没有悄悄删除，而是标注为样本内后继续保留公开。

一条漂亮的样本内曲线不是弱证据，而是根本不是证据。诚实的做法不是为模型辩护，而是让它退役，并在产品说明中写明是哪段窗口训练了它。