把训练集和验证集画成时间轴：量化模型为什么需要 gap

做量化模型验证时，我习惯先把每一折数据画成时间轴，而不是先看准确率。原因很简单：表格里的训练集和验证集即使没有日期重叠，也不代表信息完全隔离。只要特征使用了滚动窗口、标签看向未来，边界附近的样本就可能共享同一段行情。

例如，用过去20日数据构造波动率，并预测未来5日收益。训练集最后一天虽然早于验证集第一天，但最后几条训练标签已经用到了后面5天的价格；验证集开头的滚动特征也会回看前20天。如果直接首尾相接，模型评估会比真实上线更乐观。

我会把切分写成下面这种时间线：

训练区间 ────── | 空档区 | ────── 验证区间

gap=5

scikit-learn 的 TimeSeriesSplit 可以直接表达这个约束：

from sklearn.model_selection import TimeSeriesSplit

cv = TimeSeriesSplit(

n_splits=5,

test_size=60,

gap=5,

max_train_size=500

)

这里的 gap 不是随手填的安全垫，而应由策略的信息跨度决定。若标签是未来5日收益，至少要先检查5个交易日是否足够；如果特征还包含发布滞后、成交延迟或更长的持有期，就要按实际可用时间重新画边界。max_train_size 则能避免训练集无限扩张，让各折更接近固定长度的滚动训练。

最后不要只打印交叉验证分数。把每折训练结束日、验证开始日、gap 长度和样本数输出成一张小表，肉眼检查一次。时间序列验证最重要的不是“切了几折”，而是每一折是否真的模拟了当时能够看到的数据。