Walk-Forward 分析：测系统会不会持续管用

一次回测问的是"系统过去管用吗"。Walk-Forward 分析问的是"系统未来还管用吗"。

WFA 解决的问题

标准回测是在历史数据上优化参数，然后在样本外数据上测一次。可实盘里你会定期重新优化——季度、年度——因为市场 regime 会变。Walk-Forward Analysis（WFA，滚动前推分析）模拟的就是这个：在滚动窗口上优化，交易下一个窗口，重复。这是对系统适应力最真实的测试。

WFA 怎么跑

1. 把数据切成段。常见模式：2 年优化，6 个月测试，往前滑 6 个月，重复。
2. 在样本内（IS）窗口上优化参数。
3. 把最优参数套到紧跟着的样本外（OOS）窗口上。
4. 窗口前滑，重复直到当下。
5. 把所有 OOS 结果拼起来——这就是"前推权益曲线"。

拼出来的 OOS 曲线，就是你真按这个节奏重新优化会实际赚到的。

一个带数字的例子

总数据：2015-2025（10 年）。 模式：2 年 IS，6 个月 OOS。

OOS 期拼起来 ≈ 5 年的前测结果。系统如果稳健，OOS 期望值在大多数窗口里都该是正的。

Walk-Forward 效率

Walk-Forward 效率（WFE）把 OOS 表现跟 IS 表现比：

WFE = OOS 利润 / IS 利润

• >100%：OOS 比 IS 还强（罕见，可疑）
• 50-100%：稳健性强
• 25-50%：可接受
• <25%：严重过拟合
• 负数：IS 过拟合，OOS 亏钱

大多数专业系统落在 30-60%。超过 70% 的要查有没有偷看未来。

WFA 抓得到、单次测试抓不到的

• 参数衰减：2018 年管用的参数到 2022 年失效
• Regime 敏感性：低波动期管用、高波动期死掉的系统
• 过拟合参数：IS 利润在 OOS 崩盘
• 侥幸单期：2017 年漂亮的结果别处不复现

窗口大小怎么选

常见起点：2 年 IS，6 个月 OOS，3 个月滑步。按数据频率和算力预算调。

WFA 工具

• NinjaTrader：Strategy Analyzer 内置 WFA
• MultiCharts：原生前推优化器
• Amibroker：完整的 WFA 套件
• TradingView Pine：受限——得手动写脚本
• Python（backtrader、vectorbt）：完全可控，要自己写代码

MQL 策略的话，MT5 的 Strategy Tester 有遗传优化模式但没原生 WFA——得多轮手动跑。

实操工作流

1. 锁定策略逻辑和参数范围。
2. 定窗口大小（保守起手：2 年 IS，6 个月 OOS）。
3. 在尽可能长的历史上跑 WFA。
4. 检查 OOS 交易清单——亏损是分散的还是扎堆的？
5. 算 WFE。低于 25% = 回到画板。
6. WFE 可接受的话，对 OOS 交易跑蒙特卡洛模拟（下篇讲）。
7. 然后才进前向模拟测试。

WFA 抓不到的

• 幸存者偏差和偷看未来 —— 先在数据里修掉
• 未来 regime 切换 —— 过去的稳健不保证未来收益
• 黑天鹅 —— 历史样本外的事件
• 滑点 regime 变化 —— 过去滑点可能低估未来

常见 WFA 错误

• 优化参数太多——WFA 内部结果也变噪音
• IS 窗口太短——参数估计不稳
• OOS 窗口太短——每轮交易太少没意义
• 只报最好的轮——所有轮的平均才要紧
• 挑窗口大小凑想要的结果——预先承诺大小

解读结果

"通过"的 WFA 长这样：

• 70% 以上的轮次 OOS 利润为正
• OOS 最大回撤在 IS 回撤的 1.5 倍以内
• WFE 高于 30%
• 没有单一轮扛走总利润的大头

如果某一轮产出 80% 的总 OOS 利润，这系统依赖一次侥幸——按失败处理。

下篇：参数优化深入——以及怎么识别你已经滑进过拟合。