我翻转了一个符号，却把它当成洞见的那一天

有一次回测返回的胜率，几乎正好与我所期望的相反。我本想让模型大部分时候是对的，可它却大部分时候是错的——而且不是随机地错，而是干净、对称地错，仿佛它一直在努力亏钱。

我没有去问为什么，而是做了一件在大约一个小时里感觉很高明的事。我把逻辑翻转过来去匹配它。我推理道，如果模型可靠地错，那么反着照它说的做就一定可靠地对。一个小小的改动，一条亏钱的规则在纸面上就变成了一条赚钱的规则。我为自己的发现而沾沾自喜。

那并不是一个发现。那是我开始用一次单字符的编辑对自己撒谎的时刻。

那个恰好错了的数字

可疑之处从来都不是结果很糟。糟糕的结果是常态；这份工作大部分时候就是如此。可疑之处在于，它糟得如此整齐、如此镜像对称——这种对称，事后看来，往往意味着底层有某种更平庸的东西坏掉了，而不是一个真正”反着来”的策略。

但当对称指向一个轻松的胜利时，它很有诱惑力。一个乱糟糟的糟糕结果会让你去调试。而一个干净利落地反转过来的结果，则会向你低语一条捷径：你比你以为的更接近了——只要把它掉个头就行。

于是我把它掉了个头。我反转了那个条件——翻转了一个不等号——同样的逻辑，原本一直在亏，现在在回测里赢了。我提交了这个改动，感觉自己智胜了这个问题。整个修正比这句话还要短。

那种”短小”本应是一个警告。真正的优势难以找到，更难以保持。当单个翻转的字符看似把失败变成了成功，诚实的假设不应是你找到了一个隐藏的真理。而应是你找到了一个隐藏的 bug，只不过换了一边站着而已。

这套逻辑几乎无法抗拒：如果一个预测器一贯地错，那么把它反转过来就让它一贯地对。一个反向的天才。一座逆向思维的金矿。谁不愿意拿一个可靠地错误的模型，干脆倒过来读呢？

这套推理的缺陷在于”一贯地”这个词。它假定模型确实在预测某种东西——只是方向反了。而这个假定，恰恰是我从未去核实的那一件事。

模型并不是反着的。它几乎根本没在预测。它的输出是退化的——被压缩进一个狭窄、毫无信息量的区间里，无论给它看什么，它说的几乎都一样。它并不是学到了一个信号却指错了方向。它是没能学到信号，产生出某种接近噪声、带着一点微弱而毫无意义的偏向的东西。

短短一串大多是反面的抛硬币结果，并不能证明存在一个稳定、可利用的偏差——它同样很可能只是一枚坏掉的或不可靠的硬币。翻转你读取一个含噪信号的方式，并不会让这个信号变得有信息量。它只是给噪声重新贴了个标签。

这是回测最终逼我承认的部分。翻转逻辑之后，性能并没有镜像地向上变好。它依然很差——而且按某些度量来看变得更糟了。根本没有什么可反转的。我拿了噪声，把它翻过来，又得到了噪声，只不过现在它披上了一件”有意图”的戏服。

那个短暂而美丽、让我自觉聪明的结果，正是我以前写过的那种海市蜃楼：一个奉承你的数字，恰好奉承得够久，让你停止去问那个唯一重要的问题——模型到底有没有学到任何东西？

那个单字符的翻转，从来都不只是一次代码改动。它是一个范畴错误。我把一个症状——糟糕的胜率——当成了一个我可以去调的策略，而它其实是一个我拒绝去做的诊断。我没有去问模型的输出为什么会是那个样子，而是把一个不等号对着回测一路优化，直到那个数字变绿。

那就是过拟合最纯粹、最具人性的形态。你不需要一千个参数才能过拟合。你只用一个符号就能做到，只要你愿意根据你想要的结果、而不是你理解的原因来选择它。

我从中学到的纪律，说起来简单，做起来是真的难：当一个结果出来得与你预期的相反，那是一个问题，不是一个答案。诱惑在于伸手去抓那个能让数字看起来对的最小改动——翻转一个符号，反转一条规则，调换一个比较。那个最小的改动往往是最危险的，因为它修复了表象，却让原因丝毫未动。

如今，当有什么东西在我面前反转时，我会努力抵抗那个优雅的反转，转而去问那个丑陋的问题：不是”我怎样让这个数字指向正确的方向？“，而是”这里到底有没有一个真实的信号，朝着任何方向？“通常还没有。而一个翻转的符号造不出一个来。

一个倒过来读的亏钱模型，仍然是一个亏钱模型。反转唯一改变的，是你要花多久才能发现这一点。

—— 没有信号，没有回报，并非投资建议。