ウォークフォワード分析

再学習手順を評価する

ウォークフォワードはモデルをいつ、どう更新するかも評価します。各段階で使えるのは以前の観測だけです。学習窓は移動型や拡大型があり、長さ、パラメーター範囲、更新日程を評価前に指定すべきです。例では、以前の検証期間も後の学習時点では過去データなので学習窓に入れられます。ただし、そこで得た知識を以前の検証へ遡って適用してはいけません。

結果を正しく合算する

各段階に適した費用と数量で、実際の検証区間だけを結合します。学習成績を検証曲線に加えてはいけません。重複する検証では一取引を何度も数え得るため、帰属規則を定めます。Rの合計や一取引平均が自動的に複利の口座リターンになるわけではありません。窓の境界では既存の未決済ポジションの扱いも定める必要があります。

限界

結果を見て最良の窓長を選ぶのは、さらに別の当てはめです。少ない窓、小標本、依存する取引は結論を制限します。日付の分割が正しくても、全履歴で学習した前処理から情報が漏れる場合があります。scikit-learnのTimeSeriesSplitは時系列分割の例ですが、その関数だけで金融取引の約定規則が解決するわけではありません。

モデル変更の費用

再学習はポジション、注文数、取引頻度を変え得ます。変種の切替えに決済・再建が必要なら、その約定と費用を評価手順に含めます。窓の境界で未決済損失を自動的に消したり、同じ費用を二重計上したりしてはいけません。結合曲線が新規資本での独立した再出発ではなく実行可能な過程を表すよう、段階間の口座状態を記録します。

利用法

各段階のパラメーター、結果、観測数、費用、失敗を残します。頻繁に調整しない固定戦略と安定性を比べます。手順全体を選んだ後は、少数の良好な窓から保証を推測せず、さらに独立した評価を行います。講座内：戦略検証。情報源は2026年10月11日に確認。

図と計算例