AI交易模型应该多久重新训练？固定模型与滚动再训练的比较

固定模型仍然读取新价格

固定模型是保留已学到的系数和预处理统计量，而不是重复昨天的输入或预测。固定模型每天接收与更新模型相同的新近完成特征；差别在于何时重新学习参数。

经济问题是：以新观察估计出的关系替代已有关系，是否足以弥补估计不稳定与交易成本。近期数据可能帮助过时的模型，但用一个带噪估计替换另一个，并不自动改善决策。训练频率与训练窗口长度是两项不同的设计。

本文在无未来数据泄漏的机器学习回测基础上比较更新日历。这里重训的是监督学习逻辑回归，不是ChatGPT或Claude背后的基础模型。修改提示词、服务商升级模型、重新拟合小型交易分类器，是不同的干预。

先改变日历，再单独检验历史窗口

执行新增比较前，我们记录了四种政策，并保留全部结果。每月滚动政策及这段市场历史此前已在已发表研究中分析过。新增运行前固定方案，可以避免本次看赢家后继续改设定，却不会让底层评估期间变成全新或未经审视的样本。

前三种政策从2024年1月1日完整收盘时的同一拟合开始。每次拟合采用此前730个日历日的特征窗口，排除未到期标签，并重新估计标准化器和模型。固定政策保留第一次拟合。每周指从1月1日起每隔七个日历日，不是根据盈利曲线挑出的日期；每月指UTC每月第一天完整收盘时。

第四种政策只改变每月训练的记忆范围：保留2022年1月1日起所有合格特征日期，不再随着窗口前移删除旧日期。它与其他政策从同一训练矩阵起步。最后一次每月拟合时，扩展窗口有1,425个已到期样本，滚动窗口有725个。固定正则化设置下，样本增加也改变拟合问题本身，因此这不是只检验日历频率的比较。

信息时钟与账户规则保持一致

全部拟合使用StandardScaler接LogisticRegression，C = 1、lbfgs、max_iter = 2000，记录的随机种子为6142026。六个输入是完整收盘的1、5、20日收益，最近20个单日收益的总体标准差，完整当日高低价差除以收盘价，以及成交量除以其20日均值再减一。每次变换只在对应训练集上拟合。实现依据见scikit-learn的泄漏指南与估计器文档。[1][2]

二元目标为open[t+6] / open[t+1] − 1是否大于零。训练特征日期必须早于拟合日，标签结束所需的开盘也必须已可得。因此2024年1月1日拟合时，四种政策均有725行，从2022年1月1日至2023年12月26日，最新标签在1月1日开盘结束。另五个近期特征日期的结果未到期，必须排除。初始预测均为0.452770，低于固定交易阈值0.55。

每条路径独立从10,000 USDT开始。空仓且概率不低于0.55时，安排下一开盘买入，并在open[t+6]强制卖出，即五个开盘到开盘日的持有区间。买入使用可用现金90%，其中包括入场手续费。无杠杆、无做空、无重叠持仓，也不在离场成交日生成新入场信号。单边假设手续费10基点、不利成交5基点，不额外扣价差。这是模型假设，不是实际费率报价或成交保证。

若计划离场晚于2025年12月31日，则拒绝入场。因此策略期末为空仓，持有基准保留资产并按最终收盘估值。回撤采用每日收盘权益。计算、监控、税、延迟、数量过滤与市场冲击均未建模。真实执行可能不同于每日开盘成交假设，尤其信号在前一日收盘才形成时。

说明重复使用的数据，并检验因果实现

输入是保留的2,142日序列，从2020年2月20日至2025年12月31日，由humblefool06发布、声明CC BY 4.0的档案修订9f491eb5340dd6a24f27fde24edf098e1e785443聚合而来。UTC日K线采用首开、最高、最低、末收及成交量求和。标准化输入的SHA-256为43655a51e6cb41c2ee087bd947f4cefb7dd4151617a29d7f75a3cda471ae5cbb，本次运行核对了该哈希。[3]

我们沿用10月18日的检查记录：731根评估K线、3,655个OHLCV单元与Binance日线端点逐值一致。本次未重新做外部核查。发布者没有明确确立上游交易场所，较早训练观察仍未外部验证。端点一致不等于跨独立场所验证。Binance以开盘时间标识K线，文中日期均指对应UTC交易日。[4]

运行环境为Python 3.13.3、NumPy 2.2.6、pandas 2.2.3、scikit-learn 1.6.1。每次拟合检查标签到期、两类样本、训练集标准化均值与优化收敛。用保存系数重算可重现管线概率。改变2024年6月15日之后所有价格与成交量，不改变任何政策此前的预测或拟合参数。每月滚动概率与原实现完全一致；独立十进制账户复算与四个最终余额的差均小于0.0000001 USDT。这验证了所检查的时序与核算性质，不代表排除了所有建模错误。

拟合更多次，并未带来单调改善

固定路径期末为13,073.92 USDT，每周滚动11,753.42，每月滚动9,832.51，每月扩展9,548.20。没有丢弃结果，也没有另选阈值修补亏损。相同成本、初始配置90%的持有基准期末为19,627.85 USDT，标记收益+96.28%，每日收盘最大回撤30.86%。零收益现金仍为10,000；这只是定义的核算替代方案，不是说USDT无风险。

毛收益是在相同预测与规则下，将手续费和滑点设为零后重新模拟账户，而不是给净收益加回一个最终成本百分比。成本会改变持仓数量和后续复利。固定模型的回撤与敞口更低，因此它落后持有基准的收益差也不能当作风险调整后的阿尔法。

每周政策完成70笔交易，固定政策33笔；平均标记持仓比例分别为43.10%与20.33%。每月滚动为40.63%，每月扩展27.07%，持有94.29%。拟合日历改变哪些信号超过阈值，继而改变账户路径；模型拟合本身不要求市场交易。

概率质量与交易账户分别评分

每种政策生成731个每日预测，但只有725个标签在评估期内结束：特征日期为2024年1月1日至2025年12月25日。四种评分使用完全相同的日期和390个正向结果。最后六个预测留档，却不进入已到期目标评分。每周拟合数包含12月29日的计划拟合，尽管它已无法启动本评估允许的新交易。

对数损失评价模型给实际类别分配的概率；二元Brier损失是平均概率平方误差，均为越低越好。每个模型都与自身当时可用训练集的正标签频率比较，该参考概率保持到下次拟合。它们评价预测，不是交易利润。[5][6]

固定模型略优于其频率参考；三个重训模型在两项评分上均差于各自参考。以0.50为分类阈值，固定准确率51.59%，更新政策均为50.76%；所有日期都预测正类则为53.79%。但交易采用0.55与受约束的持仓状态。方向预测正确比例不能替代盈亏大小、成本或因果交易记录。

这些是描述性比较，不是独立试验的显著性检验。相邻五日目标重叠，全部政策经历同一段市场历史。我们没有估计可支持普适日历优势的可靠置信区间。

把一次预测变化追踪到持仓状态

每周与每月滚动首次在是否跨过0.55上产生分歧，是2024年1月18日：每周模型1月15日重训后预测0.560402，每月模型仍用初始拟合，预测0.545967。但当日两账户都计划离场，规则禁止再次入场。因此阈值信号不同，并未立刻产生不同交易。

首次实际行动分歧在2月22日。两账户均为空仓、现金10,521.989578 USDT。每周模型2月19日拟合后预测0.551331，安排2月23日入场；每月模型2月1日拟合后预测0.523412，继续空仓。每周交易计划2月28日离场。此后现金、持仓与离场日限制相互影响，不能仅靠统计预测分歧次数解释最终收益差。

共同的第一笔交易也提供了核算检查，而非挑选成功案例。1月12日信号在1月13日以模拟价42,804.131370买入0.210050027959 BTC，1月18日以42,754.701955卖出。模拟成交价的价格盈亏为−10.382650 USDT，入场与离场手续费8.991009、8.980626，净亏损−28.354285，剩余现金9,971.645715。滑点已体现在成交价中，不再次扣除。这是回测交易，不是真实订单。

衡量变化后的交易路径如何消耗成本

实际模拟买卖名义金额之和除以初始资金，固定为71.34，每周157.72，每月滚动122.29，每月扩展88.75。该定义计入买卖两侧，不是再除以二的换手。对应模拟佣金为713.42、1,577.25、1,222.92、887.51 USDT。更新更频繁可能带来更多交易，但本例差异来自模型决策，不是规定每次更新都必须交易。

我们为全部四条路径重跑单边不利滑点0、5、10、20基点，手续费保持10基点。每周滚动从零滑点时+25.18%降至20基点时−2.71%。固定模型在这些设定中仍为正，这是条件敏感性结果，不能证明真实成交会遵循模型。不能为了让偏好的政策盈利而挑选滑点假设。

更多历史改变了结果，却没有解决问题

每月滚动与扩展共享拟合日历、初始训练矩阵及每次最后一个合格特征日，区别在于保留哪些旧数据。2025年12月1日拟合时，滚动从2023年12月2日起，扩展仍从2022年1月1日起，两者均结束于2025年11月25日。扩展样本有1,425个已到期结果，几乎为滚动的两倍，但本次账户表现没有因此改善。

年度拆分也避免总收益掩盖路径。每月扩展在2024年上涨18.75%，随后2025年亏损19.60%。这是同一账户连续分段，不是逐年重置。日历年只是报告划分，不是已确立的市场状态或独立重复试验。

盈亏并不对称。平均盈利／亏损分别为：固定+511.46/−474.56 USDT，每周+430.46/−357.84，每月滚动+332.83/−318.18，扩展+440.27/−322.18。从记录的加总盈亏中减去最大三笔赢家，分别剩+556.07、−2,034.23、−2,931.61、−3,742.12 USDT。这是集中度诊断，不是可执行的新策略；真删掉交易还会改变后续现金和数量。

按日历训练候选模型，有依据才替换线上模型

可操作的政策应分别规定何时建立候选，以及何时替换当前模型。新标签到期后，日历可以触发拟合；晋升上线则应检查输入质量、特征一致性、概率行为、决策变化、净经济结果与运行边界。拟合调用成功，不等于批准上线。

概念漂移关心输入与目标关系的变化；亏损一周或输入均值改变，都不能单独证明该关系变化。原始概念漂移综述分别讨论适应与评估问题。[7] 数据事故需要修正，执行故障需要核对，在损坏数据上重训解决不了这两者。以漂移触发更新的政策，需要单独做因果比较；本文未测试它。

对本模型，下一步应是冻结候选选择和上线规则后做新的前瞻比较，而不是把回溯收益最高者宣布为永久赢家。保存当前模型及其准确标准化器，让候选在相同新观察上影子运行，记录人工覆盖并保留回滚路径。实盘测试方案说明如何区分运行上线与盈利证据。

ChatGPT或Claude可帮助定义规则，Codex或Claude Code可帮助审查实现。本研究的分析使用AI辅助，保留的拟合与计算由Python完成；没有把这些产品作为交易模型做对比。应要求助手保留完整日历搜索及未到期标签时间线，而不是不断修改直到某个重训频率看起来赚钱。

比较这些预定更新日历，同时固定特征、估计器设置、阈值、信息时序及账户规则。将更新频率与历史窗口政策分开。每次拟合排除未到期结果，只在合格训练行上拟合预处理。保留每个候选、预测、拟合日期与交易决策。报告共同日期的概率评分、扣成本账户结果、敞口、换手和亏损期间。说明选择过程及数据重复使用情况。不得根据评估结果调参，也不得把已使用期间称为未触碰样本。