In parole semplici
Nel trading, curve fitting indica una strategia adattata così bene ai dati storici già visti da catturare rumore e coincidenze invece di una relazione capace di reggere su dati nuovi.
Calibrazione o sovra-adattamento
Scegliere parametri fa parte della costruzione di molti modelli. Il rischio cresce quando si provano numerose varianti, si conserva solo la migliore e si usa lo stesso campione per inventare e giudicare la regola. Calibrare non dimostra automaticamente overfitting.
Che cosa osservare
Si documentano numero di prove, regole scartate, periodo in-sample, test realmente out-of-sample, costi, slippage e stabilità in mercati o finestre diverse. Un backtest molto regolare non prova da solo curve fitting; sono la procedura di selezione e la fragilità fuori campione a fornire evidenza.
Conseguenza pratica
Il problema non è una curva “troppo bella” in senso estetico, ma una stima ottimistica costruita dopo molte occasioni di scelta. Overfitting approfondisce tecniche e limiti; per sistemi automatici, test e monitoraggio continuano dopo il rilascio.
Fonti
- Bailey e López de Prado, How Backtest Overfitting in Finance Leads to False Discoveries — Spiega perché strategie selezionate sui dati storici possono diventare miraggi statistici fuori campione.
- Bailey et al., The Probability of Backtest Overfitting — Propone una procedura per stimare la probabilità di overfitting nella selezione di backtest.
- U.S. SEC, Robo-Advisers — IM Guidance Update 2017-02 — Include test, backtest e monitoraggio post-implementazione fra i controlli sul codice algoritmico.