重複使用樣本外區間
每當預留區間裡的一個結果又指導了一次調整，那段區間就成了訓練資料的一部分。幾輪之後已經沒有樣本外了，而流程感覺更嚴謹，證明的東西卻更少。
過度配適
過度配適是把 EA 參數調得過分貼合歷史資料，使策略在回測中表現亮眼、在未曾見過的資料上表現不佳，因為它利用的是雜訊而非真正的市場規律。
亦稱：overfitting, 曲線配適, 過度最佳化
更新於 · 審閱於
一句話講清
把規則一路調到與過去貼合得極緊，於是它學會的是那段歷史的偶然，而不是它的規律。回測越來越好看，策略卻越來越差，而報告裡沒有任何東西能把兩者分開。
為什麼重要
過度配適是一種會產出漂亮證據的失效方式，正因如此，它能通過一個差策略過不了的審查。每跑一輪最佳化，報告出來的結果都會變好，無論策略本身是否變好；只看報告結果的流程，因此根本分辨不出差別。
- 它解釋了最常見的 EA 失望：回測出色，實盤平庸或虧損，卻找不出任何 bug。什麼都沒壞——那次調參量到的是樣本。
- 你越用力，它越嚴重。參數更多、最佳化輪次更多、候選策略更多，都會一起抬高「勝者是靠貼合雜訊取勝」的機率。
- 從獲勝的那次執行裡看不出來。把真實優勢與配適出來的優勢分開的唯一證據，是調參從未見過的資料上的表現，而這段資料必須在調參開始之前就先留出來。
用它驗證策略
用在哪裡
- 判斷一支 EA 公布的回測是優勢的證據，還是調參的證據。
- 在動手最佳化之前，決定一個策略最多可以有幾個參數。
- 解讀向前推進檢驗中樣本內與樣本外結果之間的落差。
- 解釋為什麼一個在最佳化表裡排第一的策略，一投入使用就走樣。
可靠的結果長什麼樣
- 公布的區間包含挑選參數期間未被動過的資料。
- 策略參數很少，且每一個都對應交易者不引用回測也能解釋清楚的東西。
- 相鄰參數值的表現相近。只在某一個設定下才成立的優勢，是樣本的性質。
- 同樣的設定，在沒有被用來挑選它們的商品與時間區間上依然有效。
- 在這一個之前試過多少策略是公開的，因為一次大規模搜尋的勝者本來就該憑運氣看起來不錯。
警訊
- 精度離譜的參數——37 週期的均線、23.7 點的停損——而如果優勢是真的，取整值的表現幾乎一樣。
- 多年回測裡勝率超過 90 %、或夏普超過 3，卻沒有任何前推紀錄。
- 結果只在挑選參數所用的那一個商品、那一個區間上呈現。
- 績效曲面上只有一個孤零零的尖峰，而不是一片寬闊的高原。
- 完全沒提在公布這一版之前測試過多少個變體。
回測與實盤的差異
- 實盤帳戶是第一次真正意義上的樣本外檢驗，所以下滑是立刻出現而不是逐漸出現。
- 被配適的策略通常滑向「損益兩平減去成本」，而不是戲劇性的巨虧，這讓人很容易把它解釋成一段行情不好。
- 要量的是樣本內與實盤之間落差的大小。任何策略出現溫和回落都很正常；跌穿損益兩平線才是那個簽名。
- 下滑之後重新最佳化會讓回測恢復好看，並把整個循環再走一遍——這正是流程自己造出來的陷阱。
建議的驗證方法
- 1在動任何一個參數之前先留出樣本外區間，並且只在最後看它一次。
- 2寧可要少而含義站得住的參數，也不要多而結果更好的參數。
- 3看鄰域而不是看峰頂：取一片寬高原的中間，而不是一根尖刺的頂端。
- 4把定稿的設定原封不動地拿到其他商品、其他時間區間上重測。
- 5當策略確實需要隨時間重新配適時，就用向前推進分析，讓重新配適本身也成為被檢驗的一部分。
範例
最佳化工具給出一個策略最好的十組參數。被公布的是最上面那一行；而真正說明優勢是否為真的，是它周圍那張表的形狀。
- 樣本內最佳設定（週期 37）
- PF 2.41
- 相鄰設定（週期 35–39）
- PF 0.94–1.06
- 挪一格就把結果毀掉——那個峰是尖刺，不是高原。
- 同樣的設定，未被動過的樣本外區間
- PF 0.88
真實的優勢會隨著參數遠離最佳點而平緩變弱。被配適的優勢則從懸崖上掉下去，而這道懸崖在花掉任何一份樣本外資料之前就已經看得見。
計算 樣本內 2.41 → 樣本外 0.88，而相鄰設定都停在損益兩平附近
結果 那個 2.41 是區間的性質，不是規則的性質
怎麼讀這個數字
過度配適是從產出結果的流程去診斷的，而不是從結果本身。要問：調了什麼、在什麼資料上調、又留下了什麼。
| 區間 | 含義 |
|---|---|
| 一個區間，全部參數都最佳化，什麼都沒留 | 這份報告對未來沒有證據價值。它描述的是規則能被扳到多貼合一個樣本。 |
| 公布了樣本外區間，但每次調整後又拿來用 | 預留已經花掉了。一旦它的結果反過來餵給調參，它也變成了樣本內。 |
| 一個未被動過的樣本外區間，只看了一次 | 最低標準。要解讀落差，而不是解讀水準。 |
| 帶寬闊參數高原、並做跨商品校驗的向前推進檢驗 | 實盤之前能拿到的最強證據，因為重新配適這件事本身被檢驗過了。 |
- 要數試過的策略數量，而不只是參數數量。試兩百個想法再公布最好的那個，是一次勝者本就該看起來不錯的搜尋。
- 把公布的參數取整再跑一遍。如果結果大體還在，那份精度只是裝飾；如果結果垮掉，那份精度本身就是優勢。
- 去評判參數曲面，而不是峰頂。能遷移到未見資料上的性質是寬度。
mt5depot 的列表會寫明資料區間、測試模型與成交筆數，讀者因此可以問出上面這些問題，而不是直接相信那條曲線。
常見誤解
把高夏普或高勝率當成沒有過度配適的證據
那恰恰是配適會吹大的數字。零售 EA 的樣本內夏普超過 3，更可能是症狀而不是安慰。
以為參數少策略就安全
參數數量是一條路徑，策略篩選是另一條。在同一個區間裡從兩百個簡單策略中挑出最好的一個，對樣本的配適效果，和調一個複雜策略一樣有效。
實盤表現讓人失望時就重新最佳化
這會讓回測恢復好看，並把失敗重演一次，因為新的配適出自和舊配適完全相同的流程。要先回答的問題是：原來那個優勢有沒有哪怕一次是樣本外的。
深入說明
十四份公開回測能定下什麼，又定不下什麼
| 這裡公開的 14 支 EA | 數值 |
|---|---|
| 樣本內獲利因子 | 1.27–1.52 |
| 獲利因子低於 1.00 的條目 | 0 |
| 報告了樣本外區塊的 | 11 |
| 樣本外報酬率 | −0.57 % 至 +3.01 % |
| 虧損的樣本外區塊 | 2 |
| 在真實資金帳戶上驗證過的執行 | 0 |
先讀最後一行，再讀第一行。滾動回測跑的仍然是有人可能早就看過的歷史，所以上面沒有任何一項是「能定下什麼」的那種樣本外——而且有三支 EA 公布了預留區間的起始日期，此後再沒有發布過任何結果，從內部看，報告偏差正是這個樣子。
弱點在規模，不在正負號。這裡樣本內紀錄的中位數是 362 筆已平倉交易，預留區塊的中位數只有 21 筆。這麼短的一段跑不出優勢與一個平靜季度的區別，所以那些小幅的負數（−0.57 %、−0.47 %）並不比正數帶有更多判決。
策略測試器的 Forward 下拉選單（No、1/2、1/3、1/4、Custom）會替你把區間切開。它攔不住你在每一輪最佳化之後又去看一遍前半段，而正是這一次次重看把它花掉了。把 Forward 設為 Custom，填上你停止查看的那個日期——上面十個區塊用的是 2026-04-01——預留區間值多少，就取決於落進去多少：Cairn 有 142 筆，其次最大的是 40 筆，另有兩支只有個位數。
常見問題
- 買之前怎麼判斷一支 EA 是不是過度配適了？
- 看流程，別看曲線。要問：挑參數期間是否留出過某段區間；設定是取整的還是精確得不合常理；相鄰的參數值表現是否相近；這套規則有沒有在並非用來挑選它的商品上被測過。在這裡答不上來的問題，本身就是答案。
- 少用參數能防住過度配適嗎？
- 有幫助，但防不住。在同一批資料上從眾多候選中挑出表現最好的那個策略，即使每個候選都很簡單，也仍然是在配適這批資料；所以試過多少個想法，和其中任何一個有多少個旋鈕同樣重要。
- 最佳化總是壞事嗎？
- 不是——策略總得有一套設定，從歷史裡挑選它們是合理的。把最佳化和過度配適分開的，是有沒有留出什麼來對照這個選擇，以及選中的設定是落在一片寬闊高原上，還是落在一根尖刺上。