参数优化与 walk-forward 同一流程

优化和 walk-forward 经常被分开教，再胡乱拼起来。当作一个有纪律的流程，它们能产出稳健系统。当作两步硬拼，产出的是带严谨外壳的过拟合垃圾。

集成工作流

1. 在经济上合理的值周围定一个窄参数范围，不是宽网格。
2. 在样本内窗口优化。
3. 紧接其后的样本外窗口测试最优参数。
4. 窗口前移，重复。
5. 把所有样本外结果汇总，作为真实绩效估计。

样本内结果只是为了找参数；样本外结果才是你能信的数字。

窗口大小

窗口大小是最被低估的决定。太短，参数追噪音；太长，错过 regime 切换。

• 样本内长度：日线系统 3–5 年，日内 6–12 个月。每个样本内窗口至少要 50 笔交易。
• 样本外长度：样本内的 25–30%。4 年样本内配 1 年样本外。
• 步长（滚动）：按样本外长度前移，每个测试期只查一次（锚定或滚动）。

滚动窗口适应 regime 变化；锚定窗口（固定起点、样本内递增）测试全历史的稳定性。两个都跑，对比。

效率比

Walk-forward 效率（WFE）衡量样本内绩效有多少能活到样本外：

WFE = 样本外净利润 / 样本内净利润

WFE 高于 50% 可接受；高于 70% 强；低于 30% 说明系统过拟合，即便样本外为正也该拒绝。

优化方法

避免在宽范围里做穷举网格搜索——它找到的是最拟合的噪音。用：

• 粗到细网格：先宽步，再在最优区域窄步。
• 遗传算法只在严格样本外纪律下用。
• 偏好稳健性：在优化曲面的平地区选参数（邻居表现接近），不要选尖峰。

优化曲面上的尖峰是过拟合的标志。平地才代表稳健。

失败规则

满足任一条就拒绝系统：

• 任何样本外窗口回撤超过样本内平均回撤的 2 倍。
• 最优参数在窗口间剧烈漂移（不稳定）。
• WFE 低于 50%。
• 样本内盈利但样本外汇总亏损。

该报什么

唯一诚实的绩效数字是所有样本外窗口拼接后的汇总。报这个 Sharpe、回撤、交易数。永远别把样本内数字当预期绩效报——那是上限，不是预测。

纪律

优化绕不开；过拟合是做坏了的代价。约束范围，强制 walk-forward，要求平坦的优化曲面，只信样本外汇总。能从这套流程里活下来的系统很稀少，这种稀缺就是方法的价值。