Você tem uma estratégia com um backtest impressionante: 87% de win rate, drawdown de 4%, rentabilidade anualizada de 130%. Você lança ao vivo e em três semanas está tendo prejuízo. O que acabou de acontecer tem um nome: over-fitting, também conhecido como curve-fitting.
O problema do backtesting clássico
Quando você otimiza uma estratégia sobre os mesmos dados históricos que vai usar para avaliá-la, você cai em um viés estatístico inevitável. O algoritmo não está aprendendo padrões do mercado — está memorizando o ruído de uma amostra específica de dados. Quanto mais parâmetros você otimizar, mais provável é que encontre uma combinação que funcione de forma espetacular naquele período específico e falhe em qualquer outro.
O backtesting clássico tem três vieses principais que distorcem os resultados:
- Look-ahead bias. A estratégia utiliza informação que não estaria disponível em tempo real (preços de fechamento futuros, notícias já conhecidas). Frequente em implementações descuidadas.
- Survivorship bias. Otimiza-se sobre ativos que sobreviveram ao período analisado, ignorando os que faliram ou foram deslistados.
- Over-fitting. O mais perigoso e o menos evidente: muitos parâmetros ajustados sobre poucos dados.
O que é o Walk-Forward e como funciona
O Walk-Forward Optimization (WFO) replica como o trading realmente funciona. Em vez de otimizar sobre todos os dados disponíveis, divide o histórico em janelas temporais e aplica o seguinte processo iterativo:
| Fase | Tipo de dados | O que é feito |
|---|---|---|
| In-Sample (IS) | Dados de treinamento | Otimizar parâmetros → encontrar a melhor configuração |
| Out-of-Sample (OOS) | Dados de validação | Aplicar esses parâmetros em dados nunca vistos |
| Próxima janela | IS deslocado no tempo | Repetir o processo avançando a janela |
O resultado é uma série de períodos OOS encadeados que formam uma curva de equity Walk-Forward. Se a estratégia é robusta, essa curva será positiva mesmo sem nunca ter visto esses dados durante a otimização. Se está over-fitted, a curva OOS colapsará.
Métricas-chave para avaliar o WFO
O resultado mais importante do Walk-Forward não é a rentabilidade total, mas a relação entre o desempenho na fase OOS e o desempenho no IS:
- WF Efficiency ratio. Lucro OOS / Lucro IS. Uma razão acima de 50–60% indica que a estratégia generaliza bem. Abaixo de 30%, sinal de over-fitting severo.
- Consistência entre janelas. O número de janelas OOS positivas sobre o total. Uma boa estratégia deve ser positiva em pelo menos 60–70% das janelas.
- Estabilidade de parâmetros. Se os parâmetros ótimos mudam radicalmente entre cada janela IS, a estratégia não tem um edge estável.
- Monte Carlo sobre OOS. Aplicar simulações de Monte Carlo sobre a série OOS para estimar a distribuição de drawdowns esperados no real.
Walk-Forward vs. Walk-Forward Ancorado
Existem duas variantes principais do WFO com características distintas:
O Walk-Forward padrão (rolling) usa uma janela IS de tamanho fixo que avança no tempo. Cada iteração descarta os dados mais antigos do IS. É mais adaptativo mas requer mais dados totais para ser estatisticamente significativo.
O Walk-Forward Ancorado fixa o início da janela IS e vai expandindo. Tem a vantagem de que cada otimização incorpora mais dados históricos, mas as últimas iterações têm janelas IS muito longas, o que pode sufocar a adaptação a mudanças de regime de mercado.
Em geral, o rolling funciona melhor para mercados com mudanças de regime frequentes (divisas, índices). O anchored é preferível quando o histórico disponível é limitado ou o mercado tem tendências estruturais de longo prazo.
Quantos dados você precisa
A regra empírica mais conservadora estabelece que você precisa de pelo menos 10 vezes mais dados no IS do que vai testar no OOS. Uma janela típica seria uma razão IS/OOS de 3:1 ou 4:1 (três ou quatro meses de IS por cada mês de OOS).
Para estratégias intradiárias em M5 ou M15, isso se traduz em anos de dados tick. Para estratégias em H4 ou D1, mesmo um histórico de 5 anos pode ser insuficiente para fazer WFO com rigor estatístico.
Aplicação prática no EV Quant Lab
EV Quant Lab implementa Walk-Forward tanto na modalidade rolling quanto anchored, com configuração granular das janelas IS/OOS, número de iterações e métricas de avaliação. O módulo ML Lab pode aplicar seleção de features e validação cruzada antes do WFO para reduzir o espaço de busca de parâmetros e minimizar o risco de over-fitting.
Se uma estratégia superar o WFO com um efficiency ratio consistente e Monte Carlo saudável, você tem uma base estatística sólida para lançá-la ao vivo. Se falhar no WFO, o backtest perfeito não vale nada.
Os resultados de backtesting e walk-forward não garantem rendimentos futuros. O trading envolve risco de perda de capital.