回测及参数优化：WFA推进分析优化

Work for Analysis，简称WFA，也叫推进分析（有的也称为“移动窗口优化”）。我们从三个角度讲解：什么是推进分析、如何使用、使用注意事项。我认为WFA是优化策略的最佳方案，在回测和优化中起决定性作用。

一、什么是WFA？

WFA最初由罗伯特·帕尔提出，卡夫曼等学者的著作中也有提及。其本质是通过多阶段方法处理优化过程，提升参数有效性，降低过拟合风险。

传统优化方法（ISOOS）的问题

传统方法分为训练集（样本内和验证集（样本外两阶段：

• 优点：
  • 样本内数据长，交易笔数多，统计意义强。
  • 步骤简单，回测和优化速度快。
• 缺点：
  1. 参数折中问题：样本内涵盖多种市场阶段（牛/熊/震荡），优化参数是各阶段的折中解，而非针对当前阶段的最优解，导致实盘表现平庸。
  2. 样本外数据不足：样本内数据过长会压缩样本外数据，交易笔数少，参数统计显著性差，降低实盘信心。

WFA的设计初衷就是解决上述问题。

二、如何使用WFA进行参数优化？

WFA将优化过程分为多个独立阶段，每个阶段包含样本内优化和样本外验证，通过“滑动窗口”推进：

1. 第一阶段：
   • 样本内：如2012-2015年数据，优化得到最佳参数。
   • 样本外：如2016年数据，用优化参数验证并记录绩效。
2. 第二阶段：
   • 样本内窗口向前滑动，与上一阶段样本外结束时间对齐（如2013-2016年），重复优化和验证，记录绩效。
3. 重复推进：直至处理完所有数据，最终用最后阶段的优化参数实盘（需满足预设绩效标准）。

案例演示（以恒生HK50策略为例）

• 数据：16年数据（2012-2022年），按每年划分样本外阶段。
• 操作步骤：
  1. 在MT5中，对每个样本内区间（如2012-2015年）进行参数优化，保存最佳参数（如20/250/20）。
  2. 将参数应用于对应样本外区间（如2016年），生成绩效报告（保存为HTML文件）。
  3. 滑动窗口至2013-2016年，重复上述步骤，直至覆盖所有年份。
• 结果合并：
  用Python或QuantAnalyzer将各阶段绩效合并为总资金曲线，评估是否满足要求（如蒙特卡罗模拟标准）。

WFA的优势

• 样本外数据量提升：传统方法样本外可能仅4年，WFA可累积至9年，增强统计显著性和实盘信心。
• 参数适配当前环境：每个阶段基于最新市场数据优化，避免折中解，降低过拟合风险。

三、WFA使用注意事项

1. 通用注意事项（与传统方法共通）

• 统计显著性：确保样本内/外交易笔数足够，避免参数优化因数据不足失效。
• 参数数量控制：优化参数过多（如5个以上）易导致过拟合，实盘表现差。
• 迭代步长合理：参数迭代步长需科学（如10、20、30…），避免无效遍历（如1、2、3…）。

2. WFA特有注意事项

• 阶段划分不宜过细：若每个阶段样本内数据过小，训练数据不足，参数可能为随机产物，而非策略真实优势。

• 样本内/外比例：
  • 无统一标准，参考原则：参数越多，样本内需越多（如3个参数可按80%样本内+20%样本外）。
  • 个人经验：固定为4:1（4年样本内+1年样本外），确保各阶段市场环境差异显著（类似康波周期分阶段）。

ISOOS

优点

• 简单易懂： ISOOS的概念和流程相对简单明了，对于初学者更为友好。
• 易于实施： 对参数进行优化的过程易于进行，对于大多数交易软件或平台来说，基本都支持进行ISOOS优化。

缺点

• 结果可能过于理想化： 通过ISOOS进行参数优化，可能会产生过拟合的情况，即在样本内测试表现良好，但在实际操作（样本外）中表现糟糕。

WFA

优点

• 防止过拟合： 通过滚动优化方式，反复对新的样本进行优化，能够更好地防止过拟合的情况。
• 更接近实际环境： WFA尝试通过滚动优化模拟实际交易中的环境，因此能提供一个更加接近实际的参数优化选择。

缺点

• 流程复杂： 与ISOOS相比，WFA的流程更为复杂，需要对数据进行多次划分，并且逐步进行优化。
• 计算和数据集资源占用大： 由于需要反复进行数据清洗、优化、回测，因此对计算资源和数据的需求比ISOOS大得多。

理论总结：从理论上讲，WFA比ISOOS更为科学且实用，但在实际过程中更耗时和复杂。具体选择需结合自身情况。