Walk-forward Analysis

يدفع Walk-forward Analysis المحاكاة التاريخية إلى الأمام زمنيًا: يختار قاعدة أو يضبطها اعتمادًا على البيانات المتاحة حتى ذلك الحين، ثم يقيّم تطبيقها في المقطع التالي. يصف QuantConnect التحسين الدوري على نافذة من أحدث البيانات الماضية. وتمييزنا التحريري هو أننا نقيّم إجراءً محددًا مسبقًا لتحديث المعلمات، لا مجموعة واحدة ثابتة منها فقط. وتشمل القاعدة أيضًا توقيت الاختيار التالي وهدفه ومجموعة المرشحين. التوافق الأفضل مع البيانات الحديثة لا يثبت بمفرده نتيجة مستقبلية أفضل. [QuantConnect — Walk Forward Optimization]

يحذر QuantConnect من أن الفترة المستخدمة للبحث عن أفضل المعلمات تصبح جزءًا من بيانات التطوير. وتطبيق الفائز المختار عليها بأثر رجعي ليس تقييمًا نزيهًا لقرار اتُخذ آنذاك. لذلك ينهي بروتوكولنا الاختيار قبل بداية مقطع الاختبار التالي. يجب ألا تؤثر بيانات هذا المقطع في الفائز الحالي. بعد انتهائه وإتاحة معلوماته فعلًا، يمكن أن تدخل وفق الإجراء المحدد مسبقًا في اختيار لاحق؛ لكن هذا لا يغير قرارات الاختبار المسجلة سابقًا. [QuantConnect — Optimization Parameters]

ينشئ TimeSeriesSplit فهارس تدريب واختبار مرتبة زمنيًا؛ ويوسع افتراضيًا مجموعة التدريب الماضية تدريجيًا، مع إمكانية تقييد حجمها. وتمييزنا هو أن النافذة المتحركة تحافظ على طول مختار من التاريخ، بينما تحتفظ النافذة المتوسعة ببداية ثابتة. طول النافذة وتواتر التحديث جزء من التصميم، وليسا تعديلين حرين بعد مشاهدة النتائج. تشترط الوثائق عينات متساوية التباعد لمقارنة مقاييس المقاطع؛ أما البيانات غير المنتظمة فتتطلب الانتباه إلى الامتداد الزمني الفعلي في التقويم. [scikit-learn — TimeSeriesSplit]

يستبعد المعامل gap في TimeSeriesSplit عينات من نهاية مجموعة التدريب قبل الاختبار. ومطلبنا المنهجي هو اشتقاق الفاصل اللازم من وقت إتاحة المدخلات واكتمال النتائج المستهدفة. إذا استخدمت نتيجة ملاحظة تدريب أسعارًا من فترة الاختبار، فإن ترتيب الصفوف وحده لا يزيل التسرب. لذلك لا ينبغي اختيار طول الفجوة لمجرد الحصول على منحنى جميل. وحتى الفجوة المناسبة لا تثبت استقلال الفترات المتجاورة ولا تزيل جميع أشكال انحياز الاختيار. [scikit-learn — TimeSeriesSplit]

تحذر وثائق scikit-learn من أن التطبيع أو تعويض القيم المفقودة أو اختيار السمات قد ينقل معلومات الاختبار إلى النموذج. ينبغي تعلم معلمات هذه التحويلات على جزء التدريب وحده ثم تطبيقها على جزء الاختبار. ويكرر فحصنا هذا الفصل عند كل تحريك للنافذة. حساب متوسط المجموعة بأكملها مسبقًا لا يُصلح بتقسيم الجدول الجاهز لاحقًا. ويجب أيضًا حفظ نسخة البيانات وتوقيت إتاحتها الفعلي. [scikit-learn — Common Pitfalls: Data Leakage]

يميز QuantConnect نموذجًا يحدد سعر التنفيذ وكميته ويمكن أن يتضمن فرق السعر وSlippage. ومطلبنا لربط مقاطع الاختبار هو التعامل المتسق مع رأس المال والمراكز المفتوحة وتكاليف تغيير القاعدة. لا تُضاف أرباح التدريب إلى نتيجة الاختبار اللاحق، ولا يجوز احتساب فترات الاختبار المتداخلة مرات متعددة دون توضيح. إذا رُحّل مركز مفتوح، فيجب وصف الانتقال بين الإعدادات. أما نموذجنا أدناه فينهي كل فترة دون مركز مفتوح. [QuantConnect — Trade Fills: Key Concepts]

يصف بيلي وزملاؤه تزايد خطر الاكتشافات الزائفة مع البحث المتكرر على البيانات نفسها. واستنتاجنا بالنسبة إلى Walk-forward Analysis هو أننا إذا غيرنا أطوال النوافذ أو الهدف أو المرشحين وفق سلسلة الاختبار الناتجة وأعدنا العملية كلها، فإن السلسلة تؤثر بالفعل في التطوير. لا يكفي تسميتها مستقلة. ينبغي أن يذكر التقرير جميع البروتوكولات المجربة ويميز أي تحقق إضافي لم يُستخدم بعد. التقدم الزمني وحده ليس تقديرًا لاحتمال فرط التكيّف ولا ضمانًا إحصائيًا تلقائيًا. [Bailey et al. — The Probability of Backtest Overfitting]

تؤكد NFA أن النتائج الافتراضية لا تعكس التداول الفعلي ولا الأثر الكامل للسيولة والانزلاق السعري والسلوك عند خسارة حقيقية. لذلك يحفظ تقريرنا عن Walk-forward Analysis حدود النوافذ والمرشحين ودرجات الاختيار والإعدادات المختارة ونتائج المقاطع اللاحقة بما فيها التكاليف. يحتاج المجموع إلى سياق المخاطر وعدد الملاحظات والمقارنة في ظروف متطابقة. لا يثبت مثال صغير سلبي عدم جدوى الطريقة عمومًا، كما لا يثبت مجموع إيجابي ميزة تداول مستقبلية. [NFA — Use of Promotional Material Containing Hypothetical Performance Results]