问题：

• 在资产表现持续较差的月份剔除信号，能否提升整体表现？
• 鉴于大宗商品在价格、波动率、供给、需求等方面存在多种显著的季节性规律，这是一个合理的假设。

方法：

• 识别 AiLA 资产信号表现似乎持续欠佳的日历月份。
• 若某资产的交易信号产生于其表现欠佳的月份，则屏蔽该信号。
• 比较采用与不采用这一“不良月份”筛选时 AiLA 指数的表现。

• 以量化方式定义不良月份，即一种人为设定的选择。
• 将收益率除以波动率，以便简单识别和处理异常值。
• 即使拥有 10 年历史数据，某一特定月份所对应的日度数据点样本也相当有限。
• 某一特定月份持续的不良表现，其幅度应与所观测到的月均收益率的统计误差相比具有显著意义。
• 本文将不良月度表现定义为：
  • 月平均收益率/波动率 < -0.1
  • 月平均收益率/波动率 < 较其余表现最好的 8 个月的平均收益率低 1.5 STD（标准差）。
• 不良月份识别应用于一个 AiLA 多空指数中的资产，该指数由 102 个流动性最强的资产构成。

• 若剔除在不良月份产生的 AiLA 信号，而不良月份取自同一时期的数据，结果会显著改善。
• 以 2011 年至 2016 年期间识别出的不良月份，应用于 2017 年至 2021 年期间的信号，结果并无改善。
• 使用 2011 年至 2016 年期间的信号，并以同一时期或之后时期识别出的不良月份进行相同测试，得到同样的改善规律。
• 使用与业绩评估同一时期的不良月份所导致的过拟合是显而易见的，但这说明，由于交易策略的信噪比极低，其潜在影响可能非常大。
• 鉴于存在非预期且隐蔽的过拟合来源，必须强调严谨研究流程的重要性！

• 对于“在 AiLA 资产信号似乎持续表现较差的月份剔除信号”这一假设，未观察到任何改善。
• 然而，该测试表明，由于信噪比极低，过拟合可能对交易策略表现产生巨大影响。
• 本文所展示的过拟合案例是刻意设计得显而易见的；然而，同类问题很容易以许多隐蔽的方式在无意中出现，例如在机器学习周期中反复使用训练/验证数据。
• 因此，这些结果提醒我们，为获得可靠的结果，严谨的研究方法至关重要。