策略的參數最佳化使用第一個區段的樣本內資料執行。同樣的參數回測同一個區段的樣本外資料。剩下的區段重複執行這個程序。
每個區段樣本外的績效被認為"真實交易"而非"曲線擬合"的結果。因為得出樣本外績效的參數是由樣本內數據所產生。
假設資料數列含220根K棒,並分隔為五個各100根K棒的區段。 每個區段的前70根K棒為樣本內資料,剩下的30根K棒為樣本外資料。
下表顯示區段詳細資料。
區段 | 區段K棒數目 | ||
---|---|---|---|
樣本內 IS | 樣本外 OOS | ||
Segment 1 | 1-70 | 71-100 | 100 |
Segment 2 | 31-100 | 101-130 | 100 |
Segment 3 | 61-130 | 131-160 | 100 |
Segment 4 | 91-160 | 161-190 | 100 |
Segment 5 | 121-190 | 191-220 | 100 |
步驟 1: 參數最佳化使用區段1 的樣本內資料。並用這些參數在區段1 的樣本外資料進行回測。
步驟 2: 參數最佳化使用區段2 的樣本內資料。並用這些參數在區段2 的樣本外資料進行回測。
步驟 3: 參數最佳化使用區段3 的樣本內資料。並用這些參數在區段3 的樣本外資料進行回測。
步驟 4: 參數最佳化使用區段4 的樣本內資料。並用這些參數在區段4 的樣本外資料進行回測。
步驟 5: 參數最佳化使用區段5 的樣本內資料。並用這些參數在區段5 的樣本外資料進行回測。
完成移動窗格最佳化。71-220根K棒產生出樣本外資料回測績效。 移動窗格最佳化認定這個績效是"真實交易"而非"曲線擬合"的結果。因為得出樣本外績效的參數是由樣本內數據所產生。
如上顯示,每個區段由上一個區段的第30根K棒開始。每個區段的開始點皆移動向前。 因此,這種移動窗格最佳化稱為不固定起點。使用30根K棒是因為這是樣本外資料的長度。
注意: | 樣本外資料在移動窗格最佳化的顯著性尚有爭議。深入學習,請查閱進階相關文獻。 |
固定起點指的是每個區段的起始點都和第一個區段的起始點相同。起始點不向前移動。 因此,這種移動窗格最佳化稱為固定起點。影響是每個區段的樣本內資料比前一個區段的樣本內資料長,因此每個區段的總長度也比前個區段的總長度長。
下表顯示區段詳細資料。
區段 | 區段K棒數目 | ||
---|---|---|---|
樣本內 IS | 樣本外 OOS | ||
Segment 1 | 1-70 | 71-100 | 100 |
Segment 2 | 1-100 | 101-130 | 130 |
Segment 3 | 1-130 | 131-160 | 160 |
Segment 4 | 1-160 | 161-190 | 190 |
Segment 5 | 1-190 | 191-220 | 220 |
其他最佳化過程和非固定起點移動窗格最佳化過程相同。
詳細說明請參考執行最佳化。