过度优化是量化投资领域让人谈虎色变的问题。一个模型可能在回测中取得非常高的收益和非常小的风险。然而实盘中，这样的高收益和低风险却很难复制。甚至策略一上线就失效。
当然，个人认为这一问题不止存在于量化投资领域，主观投资者过去依赖的模式或者方法可能也会在未来一段时间遭受大幅的回撤，接着就会让人怀疑策略本身是失效了吗？还是短暂的回调，会让人无所是从。
对于这个问题，衍生出了知识的获取方式，演绎和归纳，除了套利类的策略可以由演绎产生，拥有确定性，例如某些品种跨市套利，观察到价差由于市场趋利的假设存在，那么就100%存在这样的交易机会，最多就是能不能抢到这笔订单的问题，但这类策略规模较小，且往往面对的是军备竞赛。
而大多数的量化策略，如当前市场常见的多因子策略，更多的是归纳类策略，即历史好假设未来好，虽然无数人渴望证明自己对于自身模型理解多深，所使用的因子是多么的具有逻辑，但依旧无法避免这样的问题，只能说大家都在尽力避免。通过多个相关度低的因子，避免单个因子失效带来的大幅回撤，只不过不管因子有多少，大部分策略所获得的高收益会存在某种风格倾向，这种风格倾向会造成策略整体的大幅回撤。
而当归纳产生的结果具有很高的确定性或者存在某种共识的时候，最终也会存在速度竞争，这两年比较火的小盘策略来看，很多小市值的股票开盘价到开盘后一分钟的价格可能平均就相差1%，一方面是小盘股流动性差的问题，另一方面也是策略同质化之后的竞争问题。
对于当前市场中的策略，大部分可以看做归纳策略。那么如何面对一个量化策略过去很好，实盘一团糟，或者主观投资者，一段时间表现很好，之后大幅回撤。每个人都不知道下一刻将发生什么，这种未知往往也让人恐惧。
波普尔提出了证伪主义，他认为理论不能被证实，只能被证伪。波普尔认为他最终解决了休谟问题（我们观察到的天鹅都是白色的，但是由于休谟问题，我们不能断定天鹅都是白色的，因为我们并无法确定当前及未来的所有天鹅都是白色的）。
但如果我们以最大回撤超过历史最大回撤为黑天鹅的话，是否每次我们执行策略时，都需扛到超过最大回撤的止损，然后我们说这个策略失效了，开始开发其它策略，这显然让人不太能接受。
所以，对于一个策略的证伪，应尝试研究的更为细化，一个策略的失效不应以看到黑天鹅才开始表达策略失效了，即大幅亏损后说策略失效了，这样的成本往往过于巨大。而是应尝试理解更为微观的变化。
如通过对黑天鹅基因层面的研究，可以尝试去理解是否所有的天鹅都会变成白天鹅，还是因为其基因突变等等，如果是后者，那么我们依然可以大体维持原来的假设，从所有天鹅都是白天鹅，99.5%的天鹅都是白天鹅，两种认识可能导致我们是继续使用该策略还是将其弃用。
休谟问题永远存在，就像归纳问题永远无法做到完全归纳，对于量化策略来说，个人认为可能思考的方向：1、在归纳中嵌含演绎推理，虽然演绎推理的假设往往也是归纳产生，没有归纳也就没有演绎，但演绎能给我们提供其它角度的对于归纳结论的证据。在量化中即除了一个回测结果，增加为何产生这一现象的假设演绎2、增加更多不同方向的收益来源，单方向失效时尽量使其对整体策略影响较小。
接受不确定性，承认“黑天鹅”的必然性，我们需保持增加对事物认识的深刻程度和及时依据新的变化更新认知，在不确定性中寻求尽可能的确定性，并对黑天鹅有所风控。
一个策略回测的结果完美，往往仅仅只代表着我们有机会从中获利，之后的风控控制，操作执行，对于策略的认识才是真正决定能否获利的关键
