Week 5 的两只股票，区分误差和排序

Week 5 用两只股票说明模型评价的差别：实际收益数值为 +1 和 −1，模型 A 都预测 +1，模型 B 则预测 +10 和 −10。这里沿用课堂演示的数值单位。

均方误差（MSE）把每次预测与实际值的差平方后取平均。A 的 MSE 是（0²＋2²）÷2＝2；B 的 MSE 是（9²＋9²）÷2＝81。

若策略按预测排序，买入靠前的股票、卖空靠后的股票，B 在这个例子中给出了有用的方向，A 无法区分两只股票。B 的幅度预测偏差很大，却仍可能适合这种建仓规则。

所以，预测输出以后，还要说明它怎样变成持仓。这个例子只有一个时期，无法据此比较夏普比率（Sharpe ratio）；真实表现还取决于权重、风险和成本。

Week 2 的滚动回测，保留决策的时间顺序

课上的滚动窗口做法，是用截至当时可获得的历史数据估计均值和协方差，确定持仓，再把持仓用于下个月。下个月结束后，实际收益用于评价这次决策，也可以进入下一次估计。

这产生了样本外收益：评价的数据在那次持仓确定以后才出现。若把下个月的结果用于修改本月持仓，就把未来信息放进了历史决策。

窗口长度、股票池和排序分位点也会改变结果。反复查看同一段回测，挑出表现较好的组合后，这段数据已经参与选择。用验证区间选设定，再用未参与选择的后续区间评价，才能继续区分选模型和检验模型。

Week 6 把交易成本放进持仓选择

预测排序相同，也可能得到不同的净收益。频繁调仓增加交易次数；流动性不足时，较大的订单还会推动成交价格。只比较扣成本前的收益，无法反映这些代价。

Week 6 的 Portfolio-ML 将信号直接映射为持仓权重，在训练目标中同时考虑收益、风险和交易成本。成本会影响模型偏爱哪种信号：短暂的机会可能需要反复交易，持续的信号更适合较慢调整的持仓。

课堂还讨论了每期只调整部分持仓的办法。调整速度需要结合信号持续性和交易成本判断。若比较净夏普比率，就要根据各期扣成本后的收益，重新计算平均超额收益和波动。平均净收益相同的两项策略，净夏普比率仍可能不同。

Week 9 新闻回测中的模型记忆

前面的时间检查也适用于大语言模型（LLM）。即使输入的新闻发布于历史下单日期之前，模型参数仍可能记住那之后发生的事。