重點摘要：
- 「前行測試」（Walk-forward testing）用從未用過的數據驗證交易策略，而不只看策略為配合歷史數據而調校過的表現。
- 方法會把數據分為「樣本內」（in-sample，用作優化）及「樣本外」（out-of-sample，用作驗證），再按時間向前推進反覆測試。
- 重點是及早揭示「過度擬合」（overfitting／curve fitting，即策略只貼合過去噪音，未必可重複的規律），避免投入真實資金後失效。
- 「前行效率」（Walk-forward efficiency）把結果化為單一指標，用來衡量樣本內的優勢在近似實盤環境下能保留多少。
不少交易者都會遇過：策略在歷史數據看似完美，一到實盤就失靈。原因通常是策略為迎合過去走勢而調得太細，記住了「雜訊」（noise，指價格中的隨機波動），而不是捕捉真正的市場規律。
前行測試就是用來及早發現這個問題：先用一段數據優化規則，再用較後、未見過的數據測試，重複進行。
本文逐步介紹實用的前行測試策略做法，協助你在投入資金前更有把握地驗證想法。
前行測試（Walk-Forward Testing）解釋
前行測試是一種「驗證方法」（validation method，即用另一段資料檢查策略是否可靠），模擬策略隨時間調整的過程。它不會把全部歷史一次過優化，而是分階段優化；每一階段再用模型未見過的新數據測試。
樣本內（In-Sample）與樣本外（Out-Of-Sample）數據
每次前行測試都依賴兩段數據：樣本內數據用來找出較佳設定；樣本外數據會保留起來，只用於檢查這些設定是否仍然有效，可理解為「練習」與「正式考試」。
- 樣本內：用來練習與調校的資料。
- 樣本外：未見過、用來驗證的資料。
- 只在樣本內發光的策略，往往只是背熟答案。
單看樣本內表現意義不大；真正反映優勢是否存在的是樣本外表現（out-of-sample performance，即在未見過數據上的績效）。
優化窗口如何向前滾動
「前行」指測試會向時間前推：先用較早的一段歷史數據優化，然後用下一段數據測試；之後把整個窗口向前移，再重複。
多個樣本外結果會連接成一條完整紀錄，較能反映市場環境變化下策略的承受力，而不是只在某一段期間「剛好吻合」。
前行測試要解決的問題：過度擬合（Overfitting）與曲線擬合（Curve Fitting）
前行測試的核心用途是揭示過度擬合（overfitting，也常被稱為曲線擬合／curve fitting；意思是策略過度貼合歷史價格，捕捉到隨機波動而非可重複的模式）。常見警號包括：
- 參數（parameters，即策略可調校的設定）數量過多，而且調得太細
- 回測（backtest，即用歷史數據模擬交易）回報驚人、幾乎沒有虧損交易
- 一有新數據，表現即急跌
曲線擬合的策略在測試環境像「天才」，到真實市場卻可能失控。前行測試迫使規則在未曾用作優化的數據上自證。
前行測試運作步驟
前行測試可以視為循環流程，每次循環有四個步驟；理解一次，就能套用到後續所有時間段。
1. 把數據分為優化段與測試段
先把歷史數據（historical data，即過去的價格與成交等資料）切成多段。每段包含較長的優化區間，以及較短的測試區間。
- 每個窗口約 70% 至 80% 作樣本內優化
- 其餘 20% 至 30% 作樣本外測試
例子：用 12 個月數據優化，再用之後 3 個月測試。比例取決於策略特性與數據量。
2. 在樣本內窗口優化參數
只在樣本內數據進行參數優化（parameter optimisation，即嘗試不同設定組合以找出較佳方案）。軟件會測試不同設定，例如移動平均線（moving average，用一段期間的平均價格平滑波動）的周期長短，或止蝕距離（stop distance，即觸發止蝕的價格距離）。
目標不是追求最高回報，而是找出穩定、合理的參數範圍，避免只在某個狹窄時段才有效的極端設定。
3. 用未見過的樣本外窗口驗證
把選定設定套用到樣本外數據；此步驟不再重新優化，只按規則向前跑，當作接近實盤的模擬。
這一步最關鍵：若策略在從未接觸的數據仍表現良好，代表優勢較可信；若明顯失靈，樣本內成績可能只是幻象。
4. 把窗口向前推進並重複
把整個窗口向前移，再重複所有步驟。每次都用新的樣本內數據優化，並在下一段未見過的數據驗證。以下示例以 12 個月優化、3 個月測試：
| Run | 樣本內（優化） | 樣本外（測試） |
| Run 1 | 2023年1月–12月 | 2024年1月–3月 |
| Run 2 | 2023年4月–2024年3月 | 2024年4月–6月 |
| Run 3 | 2023年7月–2024年6月 | 2024年7月–9月 |
| Run 4 | 2023年10月–2024年9月 | 2024年10月–12月 |
把多段樣本外結果連接起來，就得到一條連續、未見過數據的表現紀錄。
固定起點（Anchored）與滾動窗口（Rolling）的前行分析
窗口向前推進主要有兩種做法，選擇取決於策略如何受市場環境變化影響。
1. 固定起點（Anchored）前行：起始日期不變
固定起點前行（anchored walk-forward）會固定起始日期，只把樣本內窗口的結束日期向前移，令優化資料逐步增加，較適合需要「長記憶」的策略。
- 每一步都使用更多歷史數據。
- 假設較舊數據仍有參考價值。
- 適合偏慢、偏結構性的策略（structural strategies，即依賴較長期市場特徵的策略）。
缺點是過舊數據可能稀釋近期更相關環境的影響。
2. 滾動窗口（Rolling）前行：窗口長度固定
滾動前行（rolling walk-forward）使用固定長度窗口向前滑動；新數據加入，同時剔除最舊數據。
- 優化更集中在近期環境。
- 更快適應波幅（volatility，即價格上落幅度）與趨勢變化。
- 適合較短線、反應較快的系統。
由於不保留很久以前的資料，遇到「市況轉換」（regime change，即市場特性轉變）反應更快，但每次結果之間的波動可能更大。
如何選擇固定起點或滾動窗口
兩者沒有絕對優劣，取決於策略週期及你對舊數據的信任程度。
| 特點 | 固定起點前行 | 滾動前行 |
| 起始日期 | 固定 | 向前移 |
| 使用數據 | 每次增加 | 長度固定 |
| 較適合 | 長線、結構性系統 | 短線、適應型系統 |
| 主要風險 | 舊數據稀釋訊號 | 遺忘有用歷史 |
前行效率（Walk-Forward Efficiency）與解讀結果
完成多次測試後，需要方法評估。最常用的單一指標是前行效率（walk-forward efficiency），把多段結果化為可比較的數字，便於不同策略之間對照。
計算前行效率
前行效率比較樣本外與樣本內表現，公式如下：
前行效率 =（樣本外回報 ÷ 樣本內回報）× 100
例如（以年化回報計，annualised return 即把回報換算成每年水平）：
- 樣本內回報：40%
- 樣本外回報：24%
前行效率 =（24 ÷ 40）× 100 = 60%
60%代表樣本外大約保留了樣本內成績的六成；越接近 100%，代表優勢越能在近似實盤環境保留。
配合資金曲線（Equity Curve）與回撤（Drawdown）檢查
單一數字不足以概括策略質素，應同時看其他指標：
- 連接後的資金曲線（equity curve，即帳戶資金隨時間的變化），理想是穩步上升，而非一次爆升。
- 最大回撤（maximum drawdown，即由高位到低位的最大跌幅，用來量度最差虧損期）。
- 每次測試結果是否一致，而非只看平均值。
即使前行效率不錯，但回撤過大仍可能難以承受；穩定性往往比單一亮眼數字更重要。
如何設置前行測試
設置前行測試的關鍵是事前選擇：窗口長度、測試次數、使用平台。
1. 設定樣本內與樣本外期間長度
窗口長度要配合交易頻率。每日交易的系統，每個窗口可用較短數據；每月只交易幾次的系統需要更長窗口。常見做法：
- 樣本內：樣本外約 3:1 或 4:1。
- 樣本外要有足夠交易次數，才有代表性。
- 窗口要涵蓋不同市況。
2. 決定前行測試次數
次數越多，樣本外證據越多，一般較好。可參考：
- 數據許可下，至少做 8 至 10 次。
- 每段樣本外要有具意義的交易數目。
- 整體涵蓋趨勢市與橫行市（ranging market，即價格在區間內上落）。
3. 在 MT5、Python 與 Amibroker 進行前行優化
多個工具可直接支援前行優化：
- MetaTrader 5（MT5）內置策略測試器（Strategy Tester），支援前行模式，用於EA（Expert Advisor，自動交易程式）。
- MetaTrader 4（MT4）可分段優化，但需要較多手動管理窗口。
- Python可用程式自訂前行測試循環。
- Amibroker提供前行功能，可自動滾動窗口。
若使用VT Markets等經紀商，可在 MT4 及 MT5 先測試演算法交易系統（algorithmic trading systems，即按程式規則自動下單的系統），再投入實盤。
前行測試與相關方法比較
把前行測試與其他驗證方法對照，有助更清楚每種方法在檢查什麼。
1. 前行測試 vs 一般回測（Backtesting）
回測（backtest）往往在同一段歷史數據同時「優化」與「測試」，過度擬合更容易被掩蓋。前行測試把兩者分開，並用未見過數據驗證。
- 回測：這些設定在這段歷史會如何？
- 前行測試：這些設定在未用來調校的數據會如何？
後者更接近實盤，因此可信度通常較高。
2. 前行測試 vs 交叉驗證（Cross-Validation）
交叉驗證常見於機器學習（machine learning，即讓電腦由數據中學習規律）。它把數據分成多份輪流測試，主要差異在「時間順序」。
- 交叉驗證可能會打亂數據，忽略時間先後。
- 前行測試保留時間順序。
金融市場非常重視時間先後；用「未來」資料去測「過去」不合理，因此前行測試通常更貼近現實。
3. 前行測試 vs 單次樣本外測試
單次樣本外測試只保留一段近期數據作驗證，雖比沒有好，但只覆蓋一個時段。前行測試的改進在於：
- 測多段樣本外數據。
- 涵蓋多種市場環境。
- 降低單一「幸運時段」令結果變好看的機會。
樣本外證據越多，越能減少之後的意外。
可靠性、限制與常見錯誤
前行測試很有用，但不能預知未來。了解限制，有助由測試過渡到真實資金時保持務實。
前行測試可以與不可以確認什麼
前行測試可以確認策略邏輯在未見過的歷史數據是否仍有效，但不能保證未來一定盈利。
- 即使未見過，仍然是過去數據。
- 市場可能進入歷史未出現的新環境。
- 滑點（slippage，即實際成交價與預期價的差距）與點差（spread，即買入價與賣出價的差距）等成本會蠶食回報。
前行結果強，只代表證據較好，不是承諾。
設定窗口與解讀結果的常見錯誤
常見問題多來自設定不當或過度解讀。以下做法會令測試失真：
- 窗口太短，交易次數不足。
- 看到樣本外結果後再重新優化，令驗證失去意義。
- 測試時忽略交易成本（包括點差、佣金、隔夜利息等）。
- 只看平均回報，不看回撤與一致性。
- 只挑最好看的那一段結果。
嚴謹的前行測試，是如實接納結果。
常見問題（FAQs）
Q1：什麼是前行測試（Walk-Forward Testing）？
前行測試是一種驗證方法：先用一段歷史數據優化交易策略，再用之後、未見過的數據測試。窗口按時間向前移並重複，可更貼近實盤環境下的表現。
Q2：固定起點（Anchored）與滾動窗口（Rolling）前行分析有何分別？
固定起點前行會固定起始日期，樣本內窗口逐步增大；滾動前行則使用固定長度窗口向前移，加入新數據並剔除舊數據。固定起點較適合長線系統；滾動窗口較快反映近期環境。
Q3：如何選擇樣本內與樣本外期間？
按策略交易頻率設定。常見起點是樣本內：樣本外約 3:1 或 4:1；每段樣本外需有足夠交易次數才有參考價值。
Q4：前行測試與回測有何分別？
一般回測常在同一段數據同時優化與測試，容易忽略過度擬合；前行測試會用未用作調校的數據驗證，結果通常更接近實盤。
使用 VT Markets 練習前行測試
一套策略要值得用真實資金交易，必須在未見過的數據下仍能站得住腳；這正是前行測試的用途，讓你用證據取代猜測。
能長期生存的交易者會用未見過數據驗證，理解方法限制，不把漂亮回測當成保證。建立這個習慣，之後每個策略都會受益。
透過VT Markets，你可在MetaTrader 4（MT4）及MetaTrader 5（MT5）運行你的前行測試策略，以接近真實市場的條件、較快成交速度，以及交易工具輔助決策。
