第 5 章：市场也在学习——样本内可预测性的幻觉

换镜头：投资者是实时的学习者#

回测研究者享有一种奢侈：站在 2026 年，用整段历史一次性估计参数。真实投资者没有这种待遇——1995 年的投资者只有 1995 年之前的数据，而且他面对的候选预测变量和我们一样多。

Nagel 由此提出全书最发人深省的论点：很多”样本内可预测性”，只是后视镜的产物。研究者在全样本里发现的规律，当年的投资者用当时的数据、以任何合理的学习方法都不可能识别出来。这不是投资者不理性，而是高维小样本学习的必然误差。

幻觉的机制#

机制值得拆开看：

1. 投资者实时估计参数，估计误差进入定价，价格因此系统性偏离”全知”基准；
2. 事后研究者用全样本回看，这些偏离呈现为”可预测的收益”；
3. 但这份可预测性当时无人能赚——它是学习误差的化石，不是被错过的免费午餐。

推论很扎心：样本内 R² 是研究者特权的度量，不是策略收益的预告。真正的可预测性上限，要用”当年可得的数据 + 当年可行的方法”来估——这比标准的样本外检验还要苛刻，因为标准 OOS 检验仍然允许你用今天的方法论。

异象为什么会消失#

这一章为”因子发表后衰减”（《因子投资》引用过 McLean–Pontiff 的实证）补上了理论地基：

• 异象一旦被识别、被交易，套利资本就把它抹平——市场是个不断消化自身可预测性的学习系统；
• 所以任何静态回测都高估未来：回测区间里的对手方比未来的对手方”笨”；
• 你的策略容量、半衰期，本质上由”别人多快学会同一件事”决定。

这就是导读里”市场会学习”的完整版本：它不仅是一句提醒，而且可以建模——把投资者建成 ML 学习者，异象的产生与衰减都成了模型的内生结果。

与 AFML 的过拟合视角互补#

AFML 说：多次试验会让回测夏普虚高，要用缩水夏普校正——那是研究者对自己的过拟合。Nagel 加了一层：即使你只试了一次、方法完美，样本内的可预测性也可能是市场参与者集体学习误差的化石，同样赚不到。两层折扣要分别打。量化学堂的过拟合一课讲的是第一层，这一章是第二层。

本页带走的三句话#

1. 样本内可预测性是后视镜特权：当年的投资者用当年的数据根本学不出这个规律，这份”alpha”是学习误差的化石；
2. 市场是消化自身可预测性的学习系统——回测里的对手方永远比未来的对手方笨，静态回测必然高估；
3. 过拟合要打两层折扣：研究者对自己的（AFML 管这层），和把学习误差化石当免费午餐的（本章管这层）。