Analisi walk-forward
L'analisi walk-forward è una procedura di backtest che sceglie i parametri su una finestra di addestramento, li congela, li valuta sulla finestra di test successiva che non ha contribuito alla scelta, poi fa avanzare entrambe le finestre nel tempo e ripete. La concatenazione dei risultati delle finestre di test è ciò che la strategia avrebbe reso con parametri che avrebbe potuto davvero conoscere in quel momento.
Senzoukria · Glossario · Aggiornato a settembre 2026
La procedura, passo per passo
- Fissa in anticipo la lunghezza dell'addestramento, quella del test, la griglia dei parametri e il criterio di selezione (per esempio il risultato netto più alto dopo i costi).
- Sulla prima finestra di addestramento, percorri la griglia e scegli una configurazione secondo il criterio.
- Congela quella configurazione ed eseguila sulla finestra di test immediatamente successiva.
- Fai scorrere in avanti entrambe le finestre e ripeti finché i dati non sono esauriti.
- Riporta la concatenazione delle finestre di test, ognuna con la configurazione scelta per lei, costi e operazioni perdenti inclusi.
Perché è più solida di una sola ottimizzazione
Un'unica ottimizzazione su tutto lo storico sceglie la configurazione che si adatta a quello storico, e poi misura la sua curva di equity proprio sui dati che l'hanno scelta. Il walk-forward separa i due atti: la selezione avviene sul passato, la misura sul futuro rispetto a esso. I parametri che si adattano solo al rumore tendono a essere scelti su un segmento e a fallire sul successivo, e quel fallimento compare nel risultato concatenato invece di restare nascosto.
Il confronto tra la performance in-sample e quella out-of-sample lungo i segmenti si riassume spesso come efficienza walk-forward: quanta parte del risultato della finestra di addestramento sopravvive nelle finestre di test. È una diagnostica, non un certificato.
Scelte che modellano il risultato
| Scelta | Compromesso |
|---|---|
| Numero di segmenti | Più segmenti danno più finestre fuori campione, ma periodi di addestramento più corti |
| Quota di addestramento | Una quota alta adatta meglio e testa meno; una quota bassa testa di più su adattamenti più fragili |
| Addestramento ancorato o mobile | Le finestre ancorate crescono da un inizio fisso; quelle mobili mantengono una lunghezza fissa e dimenticano i dati vecchi |
| Criterio di selezione | Va fissato prima del run; cambiarlo dopo aver visto i risultati reintroduce il bias di selezione |
In Senzoukria
Il pannello Backtest automatico della schermata Replay ha un interruttore intitolato Walk-forward: cerca la configurazione migliore. Il suo testo espone il metodo: i parametri sono scelti sull'inizio di ogni segmento, poi valutati sulla fine, che non ha contribuito ad alcuna scelta, e il risultato mostrato è la concatenazione di quei pezzi mai visti. Segmenti e Quota di addestramento si impostano nel pannello, e Parametri da esplorare definisce la griglia; il pannello stima il numero di combinazioni per segmenti e la durata prevista prima che tu prema Avvia il walk-forward.
Il report elenca ogni segmento con il suo periodo di Addestramento, il suo Test reale e la Config scelta, e dichiara un'Efficienza walk-forward con una lettura in una riga: la strategia regge fuori dai propri dati, perde buona parte del suo vantaggio fuori campione, oppure gran parte del risultato era overfitting. Un grafico In-sample contro out-of-sample traccia la curva vista dall'ottimizzatore contro quella che avresti avuto davvero.
Errori frequenti
- Rilanciare il walk-forward con un altro criterio di selezione finché l'efficienza non diventa presentabile.
- Leggere la curva in-sample come se fosse il risultato.
- Usare segmenti così corti che ogni finestra di test contiene una manciata di operazioni.
- Considerare intatta l'ultima finestra di test quando le decisioni erano già state tarate su di essa.
Correlati
Questa pagina in altre lingue
Domande frequenti
- Che differenza c'è tra walk-forward e una divisione addestramento/test?
- Una divisione singola mette da parte un solo periodo successivo, una volta sola. Il walk-forward ripete la divisione molte volte lungo lo storico, così la strategia viene valutata su più periodi mai visti, ognuno con parametri scelti subito prima. Dagli stessi dati esce più evidenza fuori campione e si vede se i parametri scelti derivano da un segmento all'altro.
- Che cos'è l'efficienza walk-forward?
- Confronta la performance ottenuta nelle finestre di test con quella ottenuta nelle finestre di addestramento che hanno scelto i parametri. Una strategia il cui risultato fuori campione conserva gran parte di quello in-sample si dice che regge; una che ne conserva poco sta soprattutto adattandosi al rumore. Il valore dipende dal taglio dei segmenti e dal criterio di selezione, quindi si legge insieme a essi.
- Il walk-forward previene l'overfitting?
- Lo mette in evidenza, più che prevenirlo. Se chi analizza continua a cambiare la griglia, i segmenti o il criterio di selezione dopo aver visto il risultato fuori campione, quelle finestre diventano dati di addestramento sotto un altro nome. La procedura funziona quando le proprie impostazioni sono fissate prima del run e ogni run viene annotato.