Walk-Forward аналіз і валідація стратегій: поза межами простого Backtesting

#Walk-Forward аналіз і валідація стратегій

Backtest, що показує 200% річної доходності, п'янить. Ти знайшов золоту стратегію. От тільки ні — з високою ймовірністю ти знайшов стратегію, ідеально підігнану під минулі дані, яка провалиться тієї миті, коли зустріне живий ринок. Це проблема Overfitting, і вона знищує більше торгових рахунків, ніж будь-коли знищать невдалі ринкові рішення.

Walk-forward аналіз (WFA) — це протиотрута. Це сувора методологія валідації, яка перевіряє, чи є результати твоєї стратегії справжніми, чи артефактом curve fitting. Замість тестування на тих самих даних, на яких ти проводив оптимізацію, WFA систематично навчає на одному сегменті даних і тестує на повністю небаченому сегменті — потім повторює цей процес по всьому dataset.

Цей посібник навчить тебе, як реалізувати walk-forward аналіз крок за кроком, проєктувати тести надійності, що виявляють крихкі стратегії, застосовувати пороги статистичної значущості та будувати всеосяжний чек-лист валідації, який відокремлює стратегії, які варто торгувати, від стратегій, які варто відкинути.

---

#Чому простого Backtesting недостатньо

Якщо ти читав наш посібник Як проводити Backtest крипто-торгової стратегії, ти розумієш основи Backtesting. Тепер розберемо його фундаментальну слабкість: Overfitting.

#Проблема Overfitting

Overfitting виникає, коли Parameter твоєї стратегії налаштовані настільки точно під історичні дані, що вони захоплюють шум — випадкові патерни — замість сигналу — справжньої поведінки ринку. Переоптимізована стратегія виглядає блискуче в Backtest і розвалюється в живій торгівлі.

Ось чому це відбувається механічно:

Уяви, що в тебе є 12 місяців даних про ціну BTC і DCA bot з 6 налаштовуваними Parameter. Ти запускаєш оптимізатор, який тестує 10 000 комбінацій Parameter і обирає ту, що дає найвищий прибуток. Оптимізатор неминуче знайде комбінацію, яка «передбачила» точні просадки та відновлення в цьому 12-місячному вікні — не тому, що він виявив реальний патерн, а тому, що за 10 000 спроб якась комбінація випадково збігнеться з випадковим шумом у даних.

Аналогія: Кидання кубика 10 000 разів і знаходження послідовності, де випадання 6 завжди передувало ралі фондового ринку, не означає, що кубики передбачають ринки. За достатнього обсягу data mining ти завжди знайдеш хибні кореляції.

#Числа за Overfitting

Розглянь простір Parameter із:

• 5 конфігурацій страхувальних ордерів (3, 5, 7, 10, 12)
• 5 значень масштабу кроку (1.0, 1.2, 1.4, 1.6, 1.8)
• 5 значень масштабу обсягу (1.0, 1.3, 1.5, 1.8, 2.0)
• 4 рівні Take Profit (1.0%, 1.5%, 2.0%, 3.0%)
• 3 значення початкового відхилення (1.5%, 2.0%, 3.0%)

Це 5 × 5 × 5 × 4 × 3 = 1 500 комбінацій. Найкращий результат практично гарантовано завищує реальні результати. За 10 000+ комбінацій (які тестують багато оптимізаторів) ризик Overfitting величезний.

---

#Walk-Forward аналіз: крок за кроком

Walk-forward аналіз розв'язує проблему Overfitting, створюючи структурований процес, де оптимізація і тестування завжди розділені.

#Чотирикроковий процес

Крок 1: розділи дані на вікна

Розділи свій загальний історичний dataset на послідовні пари вікон:

• In-sample вікно (Train): Дані, що використовуються для оптимізації Parameter
• Out-of-sample вікно (Test): Дані, що використовуються для тестування оптимізованих Parameter — оптимізатор ніколи не бачить ці дані

Крок 2: проведи оптимізацію на In-sample даних

Запусти оптимізатор Parameter лише на In-sample вікні. Знайди найкращий набір Parameter для цього конкретного періоду.

Крок 3: тестуй на Out-of-sample даних

Візьми Parameter, знайдені на кроці 2, і запусти їх — без жодної модифікації — на Out-of-sample вікні. Запиши результати. Це єдине число, яке має значення.

Крок 4: зсунься вперед і повтори

Зсунь усе вікно вперед на довжину Out-of-sample вікна і повтори кроки 1-3. Продовжуй, доки не покриєш увесь dataset.

#Візуальне представлення ковзних вікон

Ось як 24-місячний dataset оброблявся б із 6-місячними In-sample та 2-місячними Out-of-sample вікнами:

Прохід	In-Sample (Оптимізація)	Out-of-Sample (Тест)
1	Місяці 1-6	Місяці 7-8
2	Місяці 3-8	Місяці 9-10
3	Місяці 5-10	Місяці 11-12
4	Місяці 7-12	Місяці 13-14
5	Місяці 9-14	Місяці 15-16
6	Місяці 11-16	Місяці 17-18
7	Місяці 13-18	Місяці 19-20
8	Місяці 15-20	Місяці 21-22
9	Місяці 17-22	Місяці 23-24

Кожен прохід дає Out-of-sample результат. Твоя підсумкова оцінка результатів — це сукупність усіх 9 Out-of-sample періодів — 18 місяців справжніх Out-of-sample результатів із 24-місячного dataset.

#Якірний проти ковзного Walk-Forward

У прикладі вище використовується ковзний підхід, де In-sample вікно рухається вперед. Альтернатива — якірний підхід, де In-sample вікно завжди починається із самого початку:

Прохід	In-Sample (Якірне)	Out-of-Sample
1	Місяці 1-6	Місяці 7-8
2	Місяці 1-8	Місяці 9-10
3	Місяці 1-10	Місяці 11-12
4	Місяці 1-12	Місяці 13-14
...	...	...

Ковзний швидше адаптується до мінливих ринкових умов, але має менше навчальних даних на вікно. Якірний використовує більше даних на вікно (дедалі більше в міру просування), але повільніше адаптується до змін режиму. Для крипторинків, де режими часто змінюються, ковзний зазвичай переважніший.

---

#Розмір In-sample вікна

Розмір твого In-sample вікна — одне з найвпливовіших рішень у walk-forward аналізі. Помилишся з ним, і твої результати будуть ненадійними незалежно від усього іншого.

#Правило 3:1

Надійною відправною точкою є співвідношення 3:1 між In-sample та Out-of-sample вікнами:

In-Sample	Out-of-Sample	Повний цикл	Застосування
3 місяці	1 місяць	4 місяці	Швидкоадаптивні, короткострокові стратегії
6 місяців	2 місяці	8 місяців	Стандартні DCA та свінг-стратегії
9 місяців	3 місяці	12 місяців	Довгострокові трендові стратегії
12 місяців	4 місяці	16 місяців	Дуже терплячі, низькочастотні стратегії

#Замале: проблема шуму

Якщо твоє In-sample вікно замале (напр. 1-2 місяці), оптимізатор працює з обмеженими даними, які можуть представляти лише один ринковий режим. Parameter, оптимізовані на 6 тижнях бичачого ринку, проваляться тієї миті, коли ринок розвернеться в боковик або вниз. Малі вікна дають нестабільні Parameter, які різко змінюються з кожним проходом — червоний прапорець.

Мінімальна рекомендація: Твоє In-sample вікно має містити щонайменше 30 завершених угод bot (Trade). Якщо твій bot у середньому робить 2 угоди на тиждень, тобі потрібно щонайменше 15 тижнів (~4 місяці) In-sample даних.

#Завелике: проблема адаптації

Якщо твоє In-sample вікно завелике (напр. 18-24 місяці), оптимізатор усереднює по кількох ринкових режимах. Отримані Parameter — це компроміс, який працює «нормально» в усіх умовах, але не перевершує в жодних. У крипто, де зміни режимів різкі та драматичні, застарілі Parameter залишають гроші на столі.

Максимальна рекомендація: Для більшості крипто-стратегій 9-12 місяців In-sample даних — верхня межа. Понад це найраніші дані можуть представляти ринкові умови настільки відмінні від поточних, що вони додають шум, а не сигнал.

---

#Тест стабільності Parameter

Знаходження «найкращого» набору Parameter недостатньо. Тобі потрібно переконатися, що твоя стратегія стоїть на надійному плато — області простору Parameter, де сусідні Parameter також працюють добре — а не на крихкому піку — єдиній точці, яка працює блискуче, але де будь-яка мала зміна спричиняє катастрофічний провал.

#Тест ±20%

Для кожного оптимізованого Parameter протестуй результати з Parameter, що варіюється на ±10% і ±20% від його оптимального значення. Перевір, наскільки деградують результати.

Приклад: Твій оптимізатор знайшов ці оптимальні Parameter для BTC DCA bot:

• Take Profit: 1.8%
• Масштаб кроку: 1.4
• Масштаб обсягу: 1.5
• Початкове відхилення: 2.5%

Тепер протестуй варіації:

Parameter	-20%	-10%	Оптимум	+10%	+20%
Take Profit	1.44%	1.62%	1.80%	1.98%	2.16%
Річна доходність	18.2%	21.5%	24.1%	22.8%	20.3%
Max Drawdown	-12.1%	-11.4%	-10.8%	-11.2%	-12.5%

Це надійне плато: варіювання Take Profit на ±20% змінює річну доходність із 24.1% до діапазону 18.2-22.8% — приблизно 25% деградації в найгіршому випадку. Стратегія стабільна.

Контраст із крихким піком:

Parameter	-20%	-10%	Оптимум	+10%	+20%
Take Profit	1.44%	1.62%	1.80%	1.98%	2.16%
Річна доходність	3.1%	14.2%	38.7%	11.8%	-2.4%
Max Drawdown	-28.3%	-18.1%	-8.2%	-22.5%	-35.1%

Це крихкий пік: «оптимальна» доходність 38.7% обвалюється до 3.1% або навіть до від'ємної доходності за невеликих змін Parameter. Ця стратегія curve-fit і провалиться в живій торгівлі, бо реальні ринкові умови ніколи ідеально не збігаються з оптимізованими Parameter.

---

#Тести надійності за вимірами

Стратегія, яка працює лише на одній парі, одному таймфреймі або одному ринковому режимі, не надійна — вона curve-fit. Справжні ринкові edge зберігаються в споріднених, але різних умовах.

#Вимір 1: різні торгові пари

Якщо стратегію твого DCA bot було оптимізовано на BTC/USDT, протестуй ті самі Parameter (або переоптимізуй) на:

Пара	Очікуваний результат за надійності	Червоний прапорець
ETH/USDT	Схожий напрям, дещо інша амплітуда	Від'ємна доходність
SOL/USDT	Схожий напрям, вищий вплив волатильності	Від'ємна доходність
BNB/USDT	Схожий напрям, інша амплітуда	Цілком інша поведінка

Інтерпретація: Надійна DCA стратегія має працювати на будь-якій ліквідній крупнокапіталізованій крипто-парі — базова поведінка (повернення до середнього після просадок) універсальна для цих активів. Якщо твоя стратегія показує 30% річної доходності на BTC, але -5% на ETH, Parameter імовірно налаштовані під специфічні для BTC патерни, які не узагальнюються.

Правило великого пальця: Тестуй щонайменше на 3 різних парах. Якщо 2 з 3 показують додатну Out-of-sample доходність, стратегія має надійність між парами.

#Вимір 2: різні таймфрейми

Parameter, оптимізовані для 1-годинних свічок, мають показувати спрямовано схожі результати на 4-годинних і денних даних. Амплітуда відрізнятиметься, але стратегія все одно має бути прибутковою.

Таймфрейм	Що змінюється	Що має лишитися
1h → 4h	Менше сигналів, більший рух на сигнал	Загальна прибутковість, напрям Win Rate
4h → 1d	Ще менше сигналів, набагато більші рухи	Додатне матсподівання, співвідношення Drawdown
1h → 15m	Більше сигналів, більше шуму, більше хибних тригерів	Має лишатися прибутковою (можуть знадобитися жорсткіші фільтри)

Червоний прапорець: Стратегія, яка працює лише на 4h, але провалюється і на 1h, і на 1d, імовірно оптимізована під специфічні патерни шуму 4-годинних свічок на тестованій парі.

#Вимір 3: різні ринкові режими

Це найкритичніший тест. Розділи свої дані на сегменти за режимами:

Режим	Приклад періоду	Характеристики
Бичачий ринок	Жовт 2023 - Бер 2024	BTC з ~$27K до ~$73K
Ведмежий ринок	Лист 2021 - Лист 2022	BTC з ~$69K до ~$16K
Боковий	Черв 2023 - Вер 2023	BTC у діапазоні $25K-$31K
Подія краху	Бер 2020 (COVID)	BTC -50% за 48 годин
Відновлення	Квіт 2020 - Лип 2020	BTC з $5K назад до $12K

Стратегія має показувати:

• Додатну доходність щонайменше в 2 з 3 основних режимів (бичачий/ведмежий/боковий)
• Контрольований Drawdown під час подій краху (не катастрофічний провал)
• Розумні результати відновлення після краху

---

#Стрес-тестування: події «чорного лебедя»

Звичайний Backtesting покриває нормальні ринкові умови. Стрес-тестування покриває події, які ламають стратегії. Якщо твій bot може пережити березень 2020, крах FTX (листопад 2022) і банківську кризу SVB (березень 2023), він імовірно зможе пережити все, що буде далі.

#Критичні події для відтворення

Подія	Дата	Рух BTC	Тривалість	Що тестує
Обвал COVID	12-13 березня 2020	-50% за 48h	2 дні	Виживання за екстремального флеш-краху
Заборона майнінгу в Китаї	Трав-черв 2021	-55% за 6 тижнів	6 тижнів	Затяжне виснажливе зниження
Крах LUNA/UST	Трав 2022	-35% за 1 тиждень	1 тиждень	Крах від зараження
Крах FTX	Лист 2022	-25% за 1 тиждень	1 тиждень	Злив ліквідності через кризу довіри
Криза SVB	Бер 2023	-10% потім +25%	2 тижні	Різке V-подібне відновлення

#Що вимірювати в стрес-тестах

1. Максимальний Drawdown: Наскільки глибоко йде Position? DCA bot з 5 страхувальними ордерами і $3 000 капіталу — чи вичерпує він усі ордери? Чи отримує ліквідацію (якщо futures)?

2. Час відновлення: Після події скільки часу до того, як bot закриє прибуткову угоду? Якщо відновлення триває 6+ місяців, капітал фактично заблокований.

3. Перевірка ліквідації (лише futures): За 3x плеча чи досягає крах твоєї ціни ліквідації? Обвал COVID (-50%) ліквідував би будь-яку Long-позицію за плеча 2x або вище, якщо stop loss не встановлено.

4. Використання страхувальних ордерів: Який відсоток страхувальних ордерів спрацював? Якщо всі страхувальні ордери було використано із запасом, конфігурація добре підібрана. Якщо крах перевищив твій найглибший страхувальний ордер, тобі потрібні ширші кроки або більше ордерів.

---

#Статистична значущість

Стратегія, яка виграє 8 із 10 Trade, звучить вражаюче. Але всього за 10 Trade є 4.4% ймовірність, що випадкова стратегія (підкидання монети 50/50) теж дала б 8 виграшів. Це статистично незначуще. Тобі потрібно достатньо Trade, щоб бути впевненим, що твої результати не зумовлені випадковістю.

#Мінімальна кількість Trade

Кількість Trade	Статистична надійність	Рекомендація
< 10	Дуже низька — результати легко можуть бути випадковими	Незастосовно
10-29	Низька — спрямовано наводить на думки, але ненадійна	Лише попередньо
30-49	Помірна — мінімум для базових висновків	Мінімальний поріг
50-99	Хороша — розумно надійна	Прийнятно
100-199	Сильна — статистично значуща	Переважно
200+	Дуже сильна — висока впевненість	Ідеально

#95% довірчі інтервали для доходності

Довірчий інтервал говорить тобі про ймовірний діапазон справжніх результатів твоєї стратегії. Ось як його розрахувати та інтерпретувати:

Формула (спрощена для доходності):

ДІ₉₅% = R̄ ± 1.96 × (σ / √n)

Де:

• R̄ = середня доходність за Trade
• σ = стандартне відхилення доходності за Trade
• n = кількість Trade

Приклад: Твій DCA bot завершив 80 Trade із середньою доходністю 1.5% за угоду і стандартним відхиленням 0.8%.

ДІ₉₅% = 1.5% ± 1.96 × (0.8% / √80) = 1.5% ± 0.175%

Результат: Ти можеш бути на 95% упевнений, що справжня середня доходність за угоду перебуває між 1.325% і 1.675%. Це вузький, корисний інтервал, бо в тебе 80 Trade.

Контраст: Та сама стратегія, але всього 15 Trade:

ДІ₉₅% = 1.5% ± 1.96 × (0.8% / √15) = 1.5% ± 0.405%

Результат: 95% ДІ — від 1.095% до 1.905% — набагато ширший, набагато менш визначений. За 15 Trade справжня доходність могла б бути на 27% нижчою за твоє виміряне середнє.

А всього за 8 Trade:

ДІ₉₅% = 1.5% ± 1.96 × (0.8% / √8) = 1.5% ± 0.554%

Результат: 95% ДІ — від 0.946% до 2.054% — твоя справжня доходність могла б бути на 37% нижчою. За 8 Trade ти, по суті, не знаєш своїх реальних результатів.

---

#Реальний приклад: Overfitting виявлено

Пройдемо через повний walk-forward аналіз, який виявляє Overfitting у DCA стратегії.

#Стратегія

DCA bot на ETH/USDT з таким простором Parameter:

• Take Profit: від 1.0% до 3.0% (крок 0.5%)
• Страхувальні ордери: від 3 до 8
• Масштаб кроку: від 1.0 до 2.0 (крок 0.2)
• Масштаб обсягу: від 1.0 до 2.0 (крок 0.25)
• Початкове відхилення: від 1.5% до 3.5% (крок 0.5%)

Усього комбінацій Parameter: 5 × 6 × 6 × 5 × 5 = 4 500

#Результат простого Backtest (12-місячний період)

Оптимізатор знаходить найкращі Parameter на повному 12-місячному dataset:

• Take Profit: 2.5%
• Страхувальні ордери: 5
• Масштаб кроку: 1.8
• Масштаб обсягу: 1.75
• Початкове відхилення: 2.0%

Результат: 45.2% річної доходності, 87% Win Rate, Max Drawdown -14.3%, 62 завершені угоди.

Це виглядає чудово. Але чи реально це?

#Walk-Forward аналіз (ті самі 12 місяців)

Використовуючи 6-місячні In-sample, 2-місячні Out-of-sample ковзні вікна:

Прохід	In-Sample період	Out-of-Sample період	Доходність IS	Доходність OOS	Оптим. TP	Оптим. крок
1	Місяці 1-6	Місяці 7-8	52.1% (річн.)	8.3% (річн.)	2.0%	1.6
2	Місяці 3-8	Місяці 9-10	48.7% (річн.)	15.1% (річн.)	2.5%	1.8
3	Місяці 5-10	Місяці 11-12	44.3% (річн.)	12.8% (річн.)	3.0%	2.0

#Результати

Метрика	Простий Backtest	Walk-Forward (сукупний OOS)
Річна доходність	45.2%	12.1%
Win Rate	87%	79%
Max Drawdown	-14.3%	-19.7%
Profit Factor	3.8	1.9
Проаналізовано угод	62	62

Walk-forward річна доходність — 12.1% — лише 27% від 45.2% простого Backtest. Простий Backtest завищив результати в 3.7 раза.

#Що сталося?

1. Оптимальні Parameter зсувалися між проходами: Take Profit варіювався від 2.0% до 3.0%, масштаб кроку від 1.6 до 2.0. «Оптимальні» Parameter із Backtest повного періоду (TP=2.5%, Крок=1.8) були компромісом, який випадково виглядав добре в середньому по всьому періоду, але фактично не був найкращим для жодного конкретного підперіоду.

2. Ринковий режим змінювався: Місяці 1-6 були помірно бичачими (часті відскоки = висока доходність для DCA). Місяці 7-10 були боковими з низькою волатильністю (менше завершених угод). Місяці 11-12 були різкою корекцією (глибокі просадки перед відновленням). Parameter, оптимізовані для бичачої фази, показали гірші результати в наступних фазах.

3. 45.2% були «удачею»: Оптимізатор повного періоду знайшов Parameter, які випадково збіглися з конкретною послідовністю просадок і відновлень у цих 12 місяцях. Зсунь дані навіть на 2-3 тижні, і ці точні Parameter дали б зовсім інші результати.

#Чи варто торгувати 12.1%?

Можливо, так — 12.1% річної доходності на DCA стратегії, якщо вона надійна, — це гідний результат, який перевершує більшість пасивних стратегій утримання на бокових/ведмежих ринках. Ключ — розуміти, що 12.1% — це реалістичне очікування, а не 45.2%. Потім ти можеш оцінити, чи виправдовує 12.1% блокування капіталу, ризик і комісії.

---

#Чек-лист валідації з 10 пунктів

Перш ніж вкладати реальний капітал у будь-яку стратегію bot, пройди через цей чек-лист. Стратегія має пройти щонайменше 8 із 10 перевірок, щоб вважатися готовою до продакшну.

#	Перевірка	Критерій проходження	Як тестувати
1	Walk-forward OOS додатний	Сукупна доходність OOS > 0 на всіх проходах	Запустити WFA зі співвідношенням IS/OOS 3:1
2	OOS ≥ 25% доходності Backtest	Відношення доходності OOS/Backtest ≥ 0.25	Порівняти сукупний OOS із Backtest повного періоду
3	Стабільність Parameter	Зміна Parameter ±20% → < 50% втрати результатів	Варіювати кожен Parameter окремо
4	Надійність між парами	Прибуткова на ≥ 2 з 3 тестованих пар	Тестувати на BTC, ETH і одному альті (напр. SOL)
5	Виживання в різних режимах	Додатна доходність у ≥ 2 з 3 режимів	Тестувати на бичачому, ведмежому і боковому сегментах
6	Виживання стрес-тесту	Drawdown < 2x норми за відтворення чорного лебедя	Відтворити обвал COVID, крах FTX
7	Достатня кількість Trade	≥ 30 OOS Trade (≥ 100 переважно)	Підрахувати Trade по всіх проходах WFA
8	Додатна нижня межа 95% ДІ	Нижня межа 95% ДІ для доходності > 0%	Розрахувати ДІ за формулою вище
9	Profit Factor ≥ 1.5 (OOS)	Загальний прибуток OOS / загальний збиток OOS ≥ 1.5	Розрахувати з результатів WFA
10	Реалістична модель комісій/проковзування	Результати включають 0.04-0.1% комісії за Trade + проковзування	Перевірити налаштування комісій backtester

#Оцінка твоєї стратегії

Бал	Оцінка	Дія
9-10	Відмінно — сильний edge з високою впевненістю	Розгорнути зі стандартним розміром Position
7-8	Добре — імовірно реальний edge з деякою невизначеністю	Розгорнути зі зменшеним розміром Position, уважно стежити
5-6	На межі — edge може існувати, але докази слабкі	Запустити на паперовій торгівлі 1-3 місяці перед вкладенням капіталу
3-4	Слабко — високий ризик Overfitting	Перепроєктувати Parameter стратегії, перетестувати
0-2	Провал — немає доказів реального edge	Відкинути стратегію повністю

---

#Практичні поради з реалізації

#Якість даних має значення

Walk-forward аналіз хороший рівно настільки, наскільки хороші дані, які ти в нього подаєш. Переконайся, що твої історичні дані:

• Включають реальні тіні свічок (high/low), а не лише open/close — страхувальні ордери DCA часто спрацьовують на внутрішньосвічкових тінях
• Не мають прогалин або відсутніх свічок (перевір у свого постачальника даних)
• Використовують послідовну обробку часових поясів
• Враховують специфічні для бірж різниці цін (BTC на Binance vs BTC на Bybit можуть відрізнятися на 0.1-0.3% під час волатильних періодів)

#Обчислювальні витрати

WFA вимагає багаторазового запуску твого оптимізатора. Якщо кожен запуск оптимізації триває 5 хвилин і в тебе 9 проходів WFA, це 45 хвилин на варіант стратегії. З тестуванням стабільності Parameter (5 варіацій × 4 Parameter = 20 додаткових запусків) ти дивишся на 2+ години на стратегію.

Порада: Почни з грубої сітки Parameter (менше комбінацій) для первинного WFA-скринінгу. Запускай детальну оптимізацію лише на стратегіях, які проходять грубий відбір.

#Уникання look-ahead bias

Переконайся, що твій backtester випадково не використовує майбутні дані. Поширені джерела look-ahead bias:

• Використання ціни закриття для виконання ордерів, коли ордер має виконатися на відкритті наступної свічки
• Використання Indicator, розрахованих на повному dataset, замість ковзних розрахунків
• Включення інформації про події (на кшталт краху FTX) у логіку стратегії до того, як вони сталися

#Коли повторно валідувати

Розгорнуту стратегію слід повторно валідувати кожні 3-6 місяців або коли:

• Результати відхиляються від walk-forward очікувань більш ніж на 2 стандартних відхилення
• Ринкова структура фундаментально змінюється (нове регулювання, великий збій біржі)
• Ти змінюєш будь-який Parameter стратегії

Про поточну оптимізацію дивись наш посібник Оптимізація результатів торгового bot.

---

#Часті запитання

#Чим walk-forward аналіз відрізняється від простого Out-of-sample тестування?

Просте Out-of-sample тестування ділить дані на один навчальний набір і один тестовий (напр. навчити на 10 місяцях, тестувати на 2). Walk-forward аналіз робить це багаторазово з ковзними вікнами, створюючи безліч Out-of-sample результатів у різних ринкових умовах. Це дає тобі розподіл Out-of-sample результатів, а не одну точку даних — набагато надійніше для оцінки реальних результатів.

#Яке співвідношення In-sample до Out-of-sample використовувати?

Почни з 3:1 (напр. 6 місяців IS / 2 місяці OOS). Якщо твоя стратегія торгує часто (кілька угод на день), ти можеш використовувати коротші вікна (3 місяці IS / 1 місяць OOS). Якщо вона торгує рідко (кілька угод на місяць), використовуй довші вікна (12 місяців IS / 4 місяці OOS). Ключове обмеження: кожне Out-of-sample вікно має містити щонайменше 8-10 Trade, щоб результати були мінімально значущими.

#Мої walk-forward результати гірші за мій Backtest — чи варто відмовитися від стратегії?

Необов'язково. Walk-forward результати завжди гірші за результати Backtest — це нормально й очікувано. Питання в тому, наскільки гірші. Якщо WFA доходність становить 25-50% від доходності Backtest, стратегія імовірно має справжній edge. Якщо WFA доходність нижча за 10% від доходності Backtest (напр. Backtest показує 50%, WFA показує 4%), стратегія сильно переоптимізована і має бути перепроєктована або відкинута.

#Скільки walk-forward проходів мені потрібно?

Мінімум 4-5 проходів для базової надійності. В ідеалі 8-12 проходів для надійних висновків. Більше проходів означає більше Out-of-sample точок даних, що звужує твої довірчі інтервали. За менш ніж 4 проходів твій сукупний Out-of-sample результат може бути викривлений одним незвично хорошим або поганим Out-of-sample періодом.

#Чи можна використовувати walk-forward аналіз для Grid-ботів або інших стратегій, окрім DCA?

Так. WFA не залежить від стратегії — він працює для будь-якої параметризованої торгової стратегії. Grid-боти, стратегії повернення до середнього, моментум-стратегії і навіть системи входу на основі сигналів — усі виграють від walk-forward валідації. Методологія ідентична: оптимізувати Parameter на In-sample даних, тестувати на Out-of-sample даних, зсунутися вперед, повторити.

#Що, якщо мої оптимальні Parameter різко змінюються між проходами WFA?

Великі зсуви Parameter між проходами вказують на одне з двох: (1) ринковий режим значно змінився між періодами (що є реальною і важливою інформацією), або (2) твій простір Parameter має кілька локальних оптимумів зі схожими результатами (оптимізатор випадково стрибає між ними). Щоб розрізнити, перевір, чи послідовний напрям зсуву. Якщо Take Profit продовжує зростати з часом, ринок рухається до нижчої волатильності. Якщо він коливається випадково, Parameter може не мати великого значення — що насправді хороший знак для надійності.

---