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 N1 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-forward4 段滚动每段用上一段最优参数跑下一段size,wflen(kl)//4,1.0forbinrange(1,4):trainkl[(b-1)*size:b*size]testkl[b*size:(b1)*size]pmax(GRID,keylambdaq:ret(train,*q))# 只用历史段选参wf*(1ret(test,*p))# 在未来段兑现真实输出2026-08-06600036250 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。