您有一个令人印象深刻的回测策略：87%胜率、4%回撤、130%年化收益。实盘后三周内开始亏损。这种现象有个名字：过度拟合，也称为曲线拟合。
经典回测的问题
当您在用于评估策略的同一历史数据上进行优化时，就陷入了不可避免的统计偏差。算法并非在学习市场规律——而是在记忆特定数据样本中的噪声。优化的参数越多，越有可能找到在那个特定时期表现出色但在任何其他时期失败的组合。
经典回测有三种主要扭曲结果的偏差：
- 前视偏差（Look-ahead bias）。策略使用了实时交易中无法获取的信息（未来收盘价、已知新闻）。在粗心的实现中很常见。
- 幸存者偏差（Survivorship bias）。在分析期间存活的资产上进行优化，忽略了破产或退市的资产。
- 过度拟合（Over-fitting）。最危险也最不明显：过多参数在过少数据上调整。
什么是Walk-Forward及其工作原理
Walk-Forward优化（WFO）复制了真实交易的运作方式。它不是对所有可用数据进行优化，而是将历史记录划分为时间窗口并应用以下迭代过程：
| 阶段 | 数据类型 | 操作内容 |
|---|---|---|
| 样本内（IS） | 训练数据 | 优化参数→找到最佳配置 |
| 样本外（OOS） | 验证数据 | 在从未见过的数据上应用这些参数 |
| 下一个窗口 | IS向前移动 | 推进窗口重复该过程 |
结果是一系列链式OOS期间，形成Walk-Forward权益曲线。如果策略健壮，该曲线即使在优化过程中从未见过这些数据也将为正。如果过度拟合，OOS曲线将崩溃。
评估WFO的关键指标
Walk-Forward最重要的结果不是总盈利能力，而是OOS表现与IS表现之间的关系：
- WF效率比率。OOS利润 / IS利润。比率超过50–60%表明策略泛化良好。低于30%，是严重过度拟合的信号。
- 跨窗口一致性。正OOS窗口占总窗口的数量。好的策略应在至少60–70%的窗口中为正。
- 参数稳定性。如果最优参数在每个IS窗口之间发生根本性变化，策略没有稳定的优势。
- OOS蒙特卡洛。对OOS序列应用蒙特卡洛模拟，估计实盘预期回撤的分布。
Walk-Forward vs. 锚定Walk-Forward
WFO有两种主要变体，各有不同特点：
标准（滚动）Walk-Forward使用固定大小的IS窗口随时间推进。每次迭代丢弃最旧的IS数据。它更具适应性，但需要更多总数据才能具有统计意义。
锚定Walk-Forward固定IS窗口的起点并扩展它。优点是每次优化都纳入更多历史数据，但最后的迭代有非常长的IS窗口，这可能会抑制对市场机制变化的适应。
一般来说，滚动方式对机制频繁变化的市场（外汇、指数）效果更好。当可用历史数据有限或市场具有长期结构性趋势时，锚定方式更可取。
您需要多少数据
最保守的经验法则指出，IS中的数据量至少需要是OOS测试数据量的10倍。典型窗口为IS/OOS比率3:1或4:1（每个OOS月对应三到四个IS月）。
对于M5或M15上的日内策略，这意味着需要多年的tick数据。对于H4或D1策略，即使是5年的历史记录也可能不足以进行统计严格的WFO。
在EV Quant Lab中的实际应用
EV Quant Lab以滚动和锚定两种模式实现Walk-Forward，可精细配置IS/OOS窗口、迭代次数和评估指标。ML Lab模块可在WFO之前应用特征选择和交叉验证，以缩小参数搜索空间并最小化过度拟合风险。
如果策略以一致的效率比率和健康的蒙特卡洛结果通过WFO，您就有了实盘的坚实统计基础。如果WFO失败，完美的回测毫无价值。
回测和walk-forward结果不保证未来表现。交易涉及资本损失风险。