CPCV（組合淨化交叉驗證，Combinatorial Purged Cross-Validation）

 AI 摘要

CPCV（組合淨化交叉驗證，Combinatorial Purged Cross-Validation）是一種先進的金融回測框架，用於解決傳統回測中過度擬合（Overfitting）和資訊洩漏的問題。它將數據分為 

$$

 份，利用組合排列產生多條「訓練-測試」路徑，在保持時間順序的前提下，進行多重樣本外測試，有效減少回測方差。 

CPCV 回測的核心特點：

• 克服過度擬合： 相較於單一路徑的向前推進法（Walk-Forward），CPCV 透過產生大量非獨立的訓練-測試組合，能更準確地評估策略在不同市場行情下的表現。
• 數據淨化（Purged）： 嚴格區分訓練集和測試集，避免訓練數據中包含測試集的未來資訊，防止資訊洩漏。
• 多路徑分析： 如果將數據分為 
  

  $$
   組，測試集為 
  

  $$
   組，則會產生 
  

  $$
   種組合中的多條路徑，幫助研究員看到策略的「真實情況」，而非僅是一個幸運的參數組合。
• 評估指標： 透過產生的多條回測路徑，計算夏普比率（Sharpe Ratio）的方差，若方差過大通常表示過度擬合。 

與其他回測方法比較：

• WALK-FORWARD (WF)： 只有一條路徑，容易依賴特定的市場情境。
• CPCV： 擁有數百甚至數千條路徑，能減少錯誤發現的機率（False Discovery）。 

CPCV 通常用於機器學習量化交易，是嚴謹評估策略穩定性的強大工具。