ウォークフォワード分析：窓、ラベルと受信時刻を検証

更新手順を、最適化する前に書く

学習・評価の長さ、更新頻度、候補の集合、採用基準、同点処理、候補なしの行動を指定します。利益最大化も一つの選択基準であり、中立的な既定値ではありません。費用、数量と標本数を揃えて比べます。

候補を増やすほど過去の偶然を選ぶ可能性がありますが、200取引の勝率75％超やPF3.5超という数字だけで過適合は確定しません。データ、費用、試した全候補と選択履歴を残します。バックテストの手順と併せて確認します。

標本の番号だけでなく、ラベルの最後も調べる

規則的な期間、番号の揃った標本を仮定。ラベルtは完全な終値t＋1とt＋2を使います。評価は期間10からで、期間9の確定後、10の開始前に学習します。この模型では確定した必要データは即座に使えると仮定します。

gap1では最終学習標本8が残り、そのラベルには終値10が必要で未知です。gap2なら最終7のラベルは終値9で終わります。終値9後には標本7のラベルが完成。これは二期間先を使う本模型の結論で、常にgap2なら安全という処方ではありません。

各標本についてラベルが最後に必要とする期間を書き出します。ラベル定義・予測地平が変われば再計算。TimeSeriesSplitのgapは評価直前の学習標本を除く機能で、すべての情報漏れを検出する機能ではありません。

ローリング更新を時系列に沿って実行

架空の年間例では2018–2021で学習・選択し、設定を凍結して2022を評価。次は2019–2022で学習し、2023を評価します。後の更新で、すでに過去となった2022を学習に含めることと、最初の2022評価を事後に書き換えることは異なります。

2018–2023に四年学習・一年評価を年次更新で置くと完全な評価は2022と2023の二つです。学習窓の重なりと隣接する評価期間は、統計的に独立な観測を意味しません。OOS取引を時系列に結合し、不確実性も見る。評価結果を見て設計を変更したなら、最後の未使用評価区間を別に残します。

開始点を動かすか、固定して伸ばすか

ローリングは長さを固定し古いデータを除きます。四年の例は2018–2021、2019–2022、2020–2023。アンカード／拡大型は開始点を固定し、2018–2021、2018–2022、2018–2023へ伸ばします。

短い記憶は古い環境を除く一方、標本も減らします。長い記憶は異なる状態の観測を残すかもしれません。どちらも速い適応や設定の安定を保証せず、トレンド型は必ず前者、平均回帰は後者という普遍則もありません。OOS結果を使って窓を選び直す行為も選択に数えます。

正規化、特徴量選択、欠損補完も許された学習データだけで学習させ、その変換を評価へ適用。全履歴の平均や特徴選択を先に計算しません。等間隔標本は窓の期間を揃えやすくしますが、不規則なイベントでは別途カレンダーが必要です。

WFEは比率の中身を見て読む

TradeStationの説明に沿う定義では、同じ費用・数量・収益率の定義で年率換算OOS収益率を年率換算IS収益率で割ります。架空10％÷20％＝0.5＝50％です。ISが0なら未定義。−5％÷−10％も0.5になり、両方損失でも見かけの比率は同じです。

TradeStationの50％は目安であり、実資金投入の普遍的な合格基準ではありません。1超だけで未来情報の使用が確定することもありません。純損益、カバー範囲、ドローダウン、特定窓への利益集中と感度を別に見ます。

比率と、事後に選び直した成績を区別

架空の二戦略では年率OOS12％÷IS30％＝0.4、OOS20％÷IS25％＝0.8。これだけで持続的な優位性がある戦略は選べません。先ほどの2018–2023の設定なら完全な評価は二回で、同じ履歴から五回を作ったとはしません。

別の同点処理模型では、二回の選択でAとBが学習時に同点。事前の規則はAを選び、OOS純額はAが＋5、−2、Bが−1、＋6です。複利なしの所定手順は＋3。各OOSで後から勝者を選ぶと＋5＋6＝＋11、履歴全体を見てBへ変更するなら−1＋6＝＋5です。

三つは違う実験です。同点の全候補と採用IDを評価前に保存します。結果を見て作った選択規則は新しい手順の版として後のデータで評価し、元のOOS成績に置き換えません。

追加例：JSTの確定時刻と、実際の受信時刻を分ける

図の即時利用仮定を外した、別の実装模型です。ラベルは同じく次の二終値を必要とします。JSTの2026年10月26日15:00:02で入力を凍結し、評価用の最初の発注判断を15:00:10に予定。これは架空の処理時刻で、実際の市場の休場や約定規則ではありません。

標本7のラベルは終値8・9を必要とし、完全に受信するのは15:00:05。入力凍結15:00:02にはまだありません。標本6のラベルは終値7・8を使い、終値7は14:00より前に受信済みと指定。したがってこの模型では最後に完全なラベルを持つのは6です。サンプル番号だけならgap2で7が残っても、受信時刻の条件で除外します。

3秒待ってデータを採用するなら、入力凍結と学習・注文予定を組み直す別の手順です。後から届いた値を、15:00:02の凍結版へ戻し入れません。JST15:00:02は同日UTC06:00:02。時刻の付与、受信、版、欠落を区別した記録が必要です。

この確認で防げるのは指定した遅延漏れで、データ改訂や他の特徴量の漏れ、良い予測、約定を保証しません。デモで実装を観察する場合も、実際に受信した入力を保存します。

窓の境界で損失やポジションを消さない

更新時の未決済ポジションを、費用付きで閉じるのか明示規則で管理継続するのか先に決めます。含み損を消して残高を初期化しません。較正中の利益を混ぜず、OOSを時系列へ結合し、重複する評価の同じエクスポージャーを二重計上しません。

全期間ドローダウンは結合したequity経路から計算します。各窓のドローダウンの平均とは別の操作です。取引ゼロ期間や一部窓への集中も残す。同じデータ、費用と数量で、事前指定の更新しない基準戦略とも比較します。

MT5のForwardは履歴区間の後半で選ばれた設定を評価する機能で、自動的な複数窓ウォークフォワードや未来のデモ試験ではありません。履歴の留保区間、将来の観察、モンテカルロは別の問いです。並べ替えは入力結果を保持して順序を変えますが、未来の全相場状態や費用を表現しません。

WFE、デモの月数、シミュレーションの分位点に固定の値を置いて利益を保証しません。試した全カレンダー、基準と変更理由を保存します。

次のテストを具体化する

1. 必要な窓数と履歴量を計算。四年学習＋一年評価は五年で一組。年次更新を五回評価するには最初の四年＋五評価年＝九年が必要です。
2. 2018–2023の模型なら最初に2018–2021を選択し2022を評価、次に2019–2022から2023。候補、同点処理、版と後の全純結果を保存します。
3. WFEの年率化と分母を確認し、元のリターンと結合equityの最大下落を読む。低い比率や50％超の設定変更だけで過適合を断定しません。
4. 使っていない最終評価を設計選択へ流用せず、結果を使ったなら新たな未使用データが必要と記録する。