Spurious Predictability in Financial Machine LearningUoPelop发表于 2026年4月16日上传于 2026年4月20日本文提出并验证了一套“可使工作流被证伪”的审计框架:通过五类人工构造的无预测性或置换性参照环境,对完整端到端 ML/回测流程进行严格的 walk-forward 验证以筛除泄露或流程性伪信号,并在通过审计的情况下量化选择性膨胀(以绝对幅度差 ΔZ 为主、并辅以稳定化 BIF)以衡量样本内优化与可实现的样本外证据之间的差距