Walk-Forward 滚动前推验证实操

单次回测为什么不可信

假设你在三年数据上把均线周期从 5 试到 100，挑出年化最高的那个 34。这个 34 有多大意义？它是在已知全部三年走势的前提下选出来的。真实交易时，2024 年初的你不可能知道 2025 年的行情，也就不可能知道 34 是好参数。

这个问题的学术名字叫样本内乐观偏差。你不是在检验策略，而是在描述历史：「过去三年里，34 这个参数表现最好」是个事实陈述，不含任何关于未来的信息。把它当成策略有效性的证据，是量化研究中最普遍的逻辑错误。

更隐蔽的是，你试的次数越多，这个偏差越大。在纯随机数据上扫 96 个参数，最好的那个也一定会有正收益和不错的夏普——这完全来自选择偏差。参数扫描的次数本身就是一种成本，具体机制见过拟合识别。

Walk-Forward 到底做了什么

Walk-Forward 用一句话概括：模拟时间的单向流动。它把历史切成一串前后相接的窗口对，每对包含一个训练窗（用来选参数）和一个紧随其后的测试窗（用来检验）。选参数时只能看训练窗，检验时参数已经锁定不能改。

做完第一对，整体往前滚动一个步长，用更新的训练窗重新选参数，在新的测试窗上检验。这样滚十几次，你得到十几段互不重叠的样本外结果，把它们按时间顺序拼起来，就是一条完整的样本外净值曲线。

这条曲线的意义在于：它上面每一个点的交易决策，都只用了该时点之前可得的信息。它是对「如果我两年前真的开始跑这套流程」的最接近模拟。你评估策略应该看这条曲线，而不是全样本回测那条。

1. 切窗口：确定训练窗长度 L_train、测试窗长度 L_test、滚动步长 step（通常 step = L_test，保证测试段不重叠）。
2. 训练：在第 i 个训练窗内做参数扫描，按事先定好的单一指标选出最优参数（推荐 Calmar 或夏普，不要用总收益）。
3. 锁定：参数确定后不得再看测试窗数据修改，这一步的纪律决定整个验证是否有效。
4. 测试：用锁定参数在第 i 个测试窗上跑回测，记录该段的收益、回撤、交易次数。
5. 滚动：窗口整体前移 step，回到第 2 步，直到数据用尽。
6. 拼接与评估：把各测试段收益率序列按时间拼成一条曲线，在这条曲线上计算最终绩效指标。

窗口怎么划分：一张具体的表

窗口长度的选择没有唯一答案，但有原则：训练窗要长到能覆盖至少一轮完整的涨跌与横盘，测试窗要长到能产生足够多的交易样本（建议不少于 30 笔），步长通常等于测试窗以保证测试段不重叠。下面是一个三年数据的具体划分示例。

读这张表的重点不在最右列的收益数字，而在倒数第二列：前五轮选出的参数都落在 MA 26–31、止损 4%–5% 这个小范围内，说明参数是稳定的。第 6 轮突然跳到 MA(45)、止损 7%，这是一个警告信号：训练窗内的行情性质变了，或者参数平原上出现了新的孤峰。

参数稳定性比样本外收益更能说明策略质量。如果每轮选出的参数都在剧烈跳动（比如在 5 和 90 之间来回），即使拼接曲线是正收益，也应判定为不可靠——那意味着参数空间里没有稳定结构，你每次选到的都是噪声的局部极值。

代码实现

实现上只有两处容易出错。一是切窗口时的索引边界，必须保证测试窗严格在训练窗之后、不重叠一根K线；二是拼接时要拼收益率序列再累乘成净值，不要把各段的净值曲线首尾相接（那样每段的起点资金不一致，等于隐含了不存在的复利）。

import numpy as np
import pandas as pd
from itertools import product

def walk_forward(df, param_grid, run_fn, perf_fn,
                 train_bars, test_bars, step=None,
                 select_by="calmar"):
    """
    df        : 全量 OHLCV
    param_grid: {"ma": [10,20,...], "stop": [0.03,0.05]}
    run_fn    : run_fn(df_slice, **params) -> 净值 Series
    perf_fn   : perf_fn(equity) -> dict, 含 select_by 键
    """
    step = step or test_bars
    keys = list(param_grid)
    combos = [dict(zip(keys, v)) for v in product(*param_grid.values())]

    oos_returns, log = [], []
    start = 0
    while start + train_bars + test_bars <= len(df):
        tr = df.iloc[start: start + train_bars]
        te = df.iloc[start + train_bars: start + train_bars + test_bars]

        # --- 训练: 只看 tr, 选出单一最优参数 ---
        best, best_score = None, -np.inf
        for p in combos:
            m = perf_fn(run_fn(tr, **p))
            s = m.get(select_by)
            if s is not None and s > best_score:
                best, best_score = p, s

        # --- 测试: 参数已锁定, 不再回头看 tr ---
        eq_te = run_fn(te, **best)
        m_te = perf_fn(eq_te)

        # ★ 收集收益率序列而非净值, 供后续正确拼接
        oos_returns.append(eq_te.pct_change().dropna())
        log.append({"train_end": tr.index[-1],
                    "test_start": te.index[0],
                    "test_end": te.index[-1],
                    **{f"p_{k}": v for k, v in best.items()},
                    "is_score": round(best_score, 3),
                    "oos_score": round(m_te.get(select_by, 0), 3),
                    "oos_ret": round(eq_te.iloc[-1] / eq_te.iloc[0] - 1, 4),
                    "oos_trades": m_te.get("n_trades")})
        start += step

    # --- 拼接: 收益率相接后累乘, 而非净值首尾相接 ---
    r = pd.concat(oos_returns).sort_index()
    oos_equity = (1 + r).cumprod()
    return oos_equity, pd.DataFrame(log)


def wf_efficiency(log: pd.DataFrame) -> float:
    """WF 效率 = 样本外均值 / 样本内均值, 越接近 1 越稳健"""
    return float(log["oos_score"].mean() / log["is_score"].mean())

python

结果怎么判读：衰减多少算可接受

评估 WF 结果有三个层次，按重要性从高到低排列，不要只看第一条。

第一层是WF 效率，即样本外平均得分除以样本内平均得分。样本外一定比样本内差，这是必然的。经验区间是：0.5–0.7 属于健康，说明参数有真实泛化能力；0.3–0.5 属于勉强，需要减少参数数量再试；低于 0.3 或样本外转负，说明你拟合的是噪声，这条思路应该放弃而不是继续调。

第二层是各段的一致性。看测试段里正收益的比例。六段中四段正、两段负是正常的；如果全部收益都来自其中一段，其余五段横盘或亏损，那么这条策略实际是一次幸运的押注，不是可重复的方法。

第三层是参数漂移程度。计算各轮所选参数的标准差与均值之比。这个比值小于 0.2 说明参数空间稳定；超过 0.5 说明每轮选到的都是不同的局部极值，即使拼接曲线好看也不可信。

补充一句关于 WF 效率超过 1 的情况：样本外比样本内还好，通常不是好消息，而是巧合或者代码有问题。首先要检查测试窗是否与训练窗重叠、参数是否真的在测试前锁定，以及成本是否两段都加了。

与简单 train/test split 的区别

很多人把数据前 70% 做训练、后 30% 做测试，就认为完成了样本外验证。这比什么都不做要好，但和 Walk-Forward 有三个本质差别。

差别一：检验次数。单次 split 只有一个样本外结果，成败很大程度取决于后 30% 恰好是什么行情。如果那段刚好是一轮大牛市，任何做多策略都能过关。WF 有十几段独立检验，行情类型覆盖更全，单段运气的影响被摊薄。

差别二：参数是否可更新。单次 split 的参数选定后一直用到底，隐含假设是最优参数永不改变。WF 允许每轮重新适配，这更接近真实做法——实盘中你确实会定期重新评估参数。同时它还额外给出了参数漂移这个诊断信息。

差别三：时间衰减信息。WF 能看出策略是逐渐失效还是稳定有效：若测试段收益随时间单调下降，说明这条边缘正在被市场消化。单次 split 完全看不到这个趋势。

实践上两者是配合使用的：用单次 split 快速淘汰明显不行的思路，节省算力；通过初筛的少数策略才值得投入完整的 WF 验证。WF 的计算量是单次扫描的十几倍，对每个想法都跑一遍并不经济。

还有一点纪律问题必须说清：如果你看了 WF 结果不满意，回头改策略逻辑再跑一次 WF，那么这次 WF 的样本外性质已经被污染了——你用了测试段的信息做决策。严格做法是留一段从头到尾都没看过的数据做最终确认，这段数据只允许看一次。