過剰適合・カーブフィッティング

雑音に合わせてしまう仕組み

開発データには関係候補と偶然事象があります。成績を見てフィルター、商品、設定を選ぶと、その偶然を拾い得ます。手動で棄却した着想も変種数に含みます。珍しい指標期間だけで誤りは証明できず、人気設定でも保護されません。一曲線の見た目でなく、選択・評価全過程が重要です。

探索の多さで解釈が変わる

多くのモデルの最良結果は、事前指定した一規則と同じ意味ではありません。検定が依存すれば64.15%例の仮定に違反しますが、最良モデルの信用が自動回復するわけではありません。探索の数と範囲を記録します。参照：Baileyら、The Probability of Backtest Overfittingは戦略選択の資料であり、普遍的な割合ペナルティを示すものではありません。

問題を減らす方法

定義を凍結し、開発、検証、最終テストを分けます。近隣設定の安定性、現実的費用、異なる期間を調べ、追加選択も開示します。検証結果へ再適合したら新たな誠実な評価が必要です。認めずに最終テストを訓練データに変えないでください。単純さは手続管理を助けても、優位性自体は証明しません。

経済的説明は検証の代わりではない

需要、セッション、銀行行動の説得力ある説明を、偶然結果に後付けできます。説明からは、事前指定の仮説と、それを支持しない観察条件を作るべきです。失敗をすべて例外市場として退けないでください。例外追加は規則探索を広げます。失敗版と変更理由を残し、記録・再評価します。

診断と利用

弱いOOSは局面変化、実装問題、不確実性でも起こります。結論前に情報源、利用可能時刻、費用を比べます。研究日誌は成功・失敗、版、日付を含めるべきです。講座内：バックテストとフォワードテストと、アルゴリズム取引。情報源は2026年10月11日に確認。