一、这个方法解决什么投资问题

你翻了 20 组参数，找到一组回测收益 +12.71% 的。然后你就相信它了。

。挑的过程本身就已经把答案偷看了一遍。相当于先看完考卷再选复习范围——考多少分都不能说明你会。

二、核心思想：把数据切开，用没看过的部分打分

每一次决策，都只用它当时能看到的信息。

 这正是实盘的样子——你今年年初选参数，只能看去年的数据。

GRID = [(3,10),(5,20),(5,30),(10,30),(10,60),(20,60)]
​
# walk-forward：4 段滚动，每段用"上一段最优参数"跑下一段
size, wf = len(kl)//4, 1.0
for b in range(1, 4):
    train = kl[(b-1)*size : b*size]
    test  = kl[b*size : (b+1)*size]
    p = max(GRID, key=lambda q: ret(train, *q))   # 只用历史段选参
    wf *= (1 + ret(test, *p))                     # 在未来段兑现

真实输出（2026-08-06，600036，250 根 K 线）：

最值得看的是 walk-forward 的分解：

，全部利润来自最后一段的 +11.03%。如果你只看"累计 +7.96%"，会以为它稳定赚钱；看了分段才知道它是

这就是 walk-forward 的第二个价值：它不只给你一个更保守的数字，还告诉你

——是细水长流，还是全押在某一段。后者意味着你可能要忍受很长时间的亏损才等到那一波。

另外注意：样本内最优参数 (3,10) 的样本内收益其实是 

（负的）。也就是说这批参数在样本内

，你只是矮子里拔将军。这时候正确的动作不是"选出最好的那个"，而是

承认这个策略在这段数据上不成立

样本内选参、样本外验证、walk-forward 前推——三级台阶，越往上越接近实盘真相。记住：

任何没有报告样本外结果的回测，都只是一张宣传图。

——为什么网格搜索越努力，样本外越差。

问题是：这 12.71% 是用同一批数据挑出来的。挑的过程本身就已经把答案偷看了一遍。相当于先看完考卷再选复习范围——考多少分都不能说明你会。

【量化投资从入门到精通 #27】回测怎么做才不骗自己：样本内、样本外与 walk-forward

算法

架构设计

职业发展

本文揭示回测中“偷看答案”的陷阱，对比全样本最优、样本内/外与walk-forward前推法的差异，强调用未来段数据验证策略的真实性。通过示例说明累计收益掩盖了亏损时段，警示样本外调参、数据过短等误区，建议分段细看，以贴近实战验证。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

【量化投资从入门到精通 #27】回测怎么做才不骗自己：样本内、样本外与 walk-forward

【量化投资从入门到精通 #27】回测怎么做才不骗自己：样本内、样本外与 walk-forward

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐