定義
走勢前推分析（Walk-Forward）
走勢前推分析在一段歷史上擬合參數、在下一段上原樣測試，再向前滾動重複。本文說明前推效率怎麼讀，以及這項測試最常被怎樣悄悄作廢。
走勢前推分析（walk-forward analysis）是一種回測流程：先在一段歷史視窗上擬合策略參數（樣本內），再把這組參數原封不動地放到緊接著的下一段視窗上執行（樣本外），然後把兩段視窗一起向前滾動，重複這個過程。把各段樣本外結果拼接起來，才是唯一算數的績效；樣本內結果只是挑選參數的代價，不是證據。常見的切分是樣本內十二個月、樣本外三個月、按季滾動；而前推效率——樣本外報酬除以樣本內報酬——低於約 0.5，就表示參數並不穩定。
- 又稱
- 前推分析 · 步進式最佳化 · 樣本外滾動測試
計算方式
Window k: fit on [t_k, t_k + IS), test on [t_k + IS, t_k + IS + OOS)
Roll: t_{k+1} = t_k + OOS, then repeat
Reported performance = the stitched OOS segments only
WFE = annualised OOS return ÷ annualised IS return
IS 30% / OOS 9% → WFE = 0.30 (below ~0.5: parameters unstable)
Typical split: IS 12 months / OOS 3 months, rolled quarterly
實算範例: 樣本內十二個月年化 30%，緊接著的三個月樣本外年化 9%：前推效率 9 ÷ 30 = 0.30，參數不穩定。
為什麼只有樣本外那幾段算數
Bailey、Borwein、López de Prado 與 Zhu 證明：只要參數嘗試的次數夠多，即使策略毫無優勢，也應當預期得到一個很高的樣本內夏普比率，因為你挑出的是 N 次隨機抽樣中的最大值。Lo 與 MacKinlay 在學術資產定價檢定中記錄了同一種資料窺探偏誤。走勢前推分析是對此的實際防線：參數從未見過用來評判它的那段視窗，所以拼接後的樣本外紀錄，就是一個按計畫定期重新擬合的實單帳戶本來會賺到的東西。記下嘗試次數，把最好的樣本內結果當成 N 次抽樣的期望最大值，而不是訊號。
怎麼讀前推效率
前推效率等於年化樣本外報酬除以年化樣本內報酬。一條樣本內賺 30%、樣本外賺 9% 的規則，效率是 0.30：樣本內數字的七成來自擬合，而不是來自市場。低於約 0.5，參數就不夠穩定、不該拿去交易；0.5 到 1 之間表示一部分優勢被雜訊吃掉，這是正常的；遠高於 1 的數字說明的是那段樣本外視窗，而不是這條規則。QANTERION 沒有回測引擎，它對應「樣本外視窗」的做法，是在啟用任何實單執行之前，先在真實行情資料上做模擬交易的前向測試。
常見誤讀
這項測試最常被執行它的人親手作廢：前推分析跑了一遍，樣本外紀錄不好看，於是改參數範圍、改視窗長度，一直改到它好看為止——到這一步，樣本外視窗已經被拿來最佳化過，變成了樣本內。第二個錯誤是把單獨一段漂亮的樣本外視窗當成驗證，而策略在那段時間其實沒做幾筆交易；一個三個月、只有六筆交易的視窗，無論結果好壞都沒有統計分量。
動手算算看
參考資料
- Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance — Notices of the American Mathematical Society, Vol. 61 No. 5 (2014)
- The probability of backtest overfitting — Journal of Computational Finance (Risk Journals)
- Data-Snooping Biases in Tests of Financial Asset Pricing Models — National Bureau of Economic Research (Andrew W. Lo, A. Craig MacKinlay)
本術語表用於教學。此處內容不構成投資建議，頁面所述任何指標都無法預測未來結果。