量化投资从入门到精通
【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
进入评价与风控层。前面教你怎么造策略，从这篇开始教你怎么不被自己造的策略骗。
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。
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。
二、核心思想：把数据切开，用没看过的部分打分
| 做法 | 说明 | 可信度 |
|---|---|---|
| 全样本最优 | 在全部历史上找最好参数，再报告全部历史的收益 | ❌ 事后诸葛亮 |
| 样本内 / 样本外 | 前半段选参数，后半段验证 | ✅ 及格线 |
| walk-forward（前推） | 滚动：用第 N 段选参数，跑第 N+1 段，再往前滚 | ✅✅ 最接近实战 |
walk-forward 的精髓是：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。
三、实操演示
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）：
| 方法 | 结果 |
|---|---|
| 全样本最优 (3,10)，报全样本收益 | +12.71% |
| 样本内最优 (3,10)，报样本外收益 | 样本内 −0.64% → 样本外 +12.10% |
| walk-forward 三次滚动 | 段2 −1.55%、段3 −1.23%、段4 +11.03% → 累计 +7.96% |
四、结果解读
三个数字，一个比一个诚实：12.71% → 12.10% → 7.96%。
最值得看的是 walk-forward 的分解：三段里两段是亏的，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靠一波行情吃饭的。
这就是 walk-forward 的第二个价值：它不只给你一个更保守的数字，还告诉你收益的时间分布——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 −0.64%（负的）。也就是说这批参数在样本内全都不赚钱，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。
五、常见陷阱
- 切完样本又回头调参：一旦你根据样本外结果改了策略，样本外就变成样本内了，得重新切。
- 样本外太短：只留 30 根 K 线的"样本外"没有统计意义，至少留三分之一。
- 只看累计不看分段：walk-forward 必须逐段看，全靠一段的策略风险极高。
- 数据窗口太窄：250 根只有一年，跨不过牛熊。有条件应拉长到 3–5 年（麦蕊日线可回溯至 1990-01-01）。
六、小结 + 下篇预告
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。
下篇 #28：参数优化的陷阱——为什么网格搜索越努力，样本外越差。
免责声明
本文为量化方法教学，标的为示例，不构成投资建议，不承诺收益。投资有风险，入市需谨慎。