第 22 天 10/06/2026
實作前向最佳化架構：將資料分為訓練集與滾動樣本外 (OOS) 測試集。
在建置 AI 多代理（Multi-Agent）量化交易系統的演進中，我們依序完成了標準化 BigQuery 資料模擬迴圈、消除 Point-in-Time 財報與存活者偏誤、納入交易摩擦、3 年初始回測、代理權重校準，以及在 2022 年極端市場下的壓力測試與偏誤控制。
然而，如果只使用「固定歷史區間」優化出來的參數，策略終究難以避免對過去數據產生過度擬合（Overfitting），導致策略一上線實盤就發生績效斷崖式下跌。為了建立具備自我進化與抗適應能力的模型，「實作前向最佳化架構（Walk-Forward Optimization, WFO）」是將靜態模型升級為動態自我校準系統的最終關鍵。
一、 訓練集（In-Sample）與滾動樣本外（OOS）測試集的差距
在實作前向最佳化（WFO）時，我們將歷史資料切分為「滾動訓練集（In-Sample, IS）」與「滾動樣本外測試集（Out-of-Sample, OOS）」。例如：使用 12 個月滾動訓練集優化代理參數，並在接下來的 3 個月樣本外測試集執行盲測，隨後將視窗向後推進 3 個月，不斷循環。

┌─────────────────────────────────────────────────────────────┐
│ 前向最佳化 (WFO) 滾動視窗示意 │
├─────────────────────────────────────────────────────────────┤
│ [ Train: Year 1 ] ──> [ OOS: Q1 ] │
│ [ Train: Year 1 Q2 - Year 2 Q1 ] ──> [ OOS: Q2 ] │
│ [ Train: Year 1 Q3 - Year 2 Q2 ] ──> [ OOS: Q3 ]│
└─────────────────────────────────────────────────────────────┘

在實務運作中，訓練集（IS）與樣本外（OOS）之間通常會展現出顯著的「績效衰減差距（Performance Degradation Gap）」：

1. 績效指標落差（Sharpe & Return Decay）
   • 現象：訓練集中的夏普比率（Sharpe Ratio）可能高達 2.5，勝率 65%；但到了 OOS 測試集，夏普比率往往會顯著修正至 1.2～1.5，勝率降至 52%～55%。
   • 主因：訓練集的參數尋優演化會自動捕捉到該段歷史中的「特異雜訊（Noise）」。一旦進入 OOS，雜訊改變，僅有真正具備穩健性的 Alpha 因子能夠存活並獲利。
2. 市場狀態切換造成的「時空斷層（Regime Shift）」
   • 現象：若訓練集剛好處於低波動升段（如 2021 年），優化出的參數會偏向高槓桿與動能追漲；但接續的 OOS 測試集若突逢升息或盤整行情（如 2022 年），OOS 的表現會瞬間陷入嚴重的最大回撤（MDD）。
   二、 如何調整參數以達成模型最佳化？
   為了縮小 IS 與 OOS 之間的績效差距，並確保模型在未知的未來市場中維持最佳化，參數調整與架構設計必須遵循以下四大核心機制：
3. 採納「參數高原（Parameter Plateau）」而非「單點極值」
   • 錯誤做法：選擇在訓練集中回測績效最高（最高 Sharpe/Return）的那組「單點最佳參數」（Peak Parameter Set）。這組參數多半是嚴重過擬合的產物。
   • 正確做法：在參數空間（Parameter Space）中尋找平坦的高原區域。例如：將技術代理的均線週期在 $N \pm 20%$ 範圍內進行敏感度測試（Sensitivity Analysis），選擇鄰近區域表現皆穩定且標準差最小的參數組合。即便其 IS 績效不是第一名，但在 OOS 測試中具備極高的抗噪韌性。
4. 導入「動態評估指標 (WFE)」限制參數搜尋空間
   • 使用前向最佳化效率（Walk-Forward Efficiency, WFE）作為評估參數調整的硬性門檻：
   $$\text{WFE} = \frac{\text{Annualized Return}{\text{OOS}}}{\text{Annualized Return}{\text{IS}}}$$
   • 若策略的 $\text{WFE} < 50%$，代表參數過度擬合訓練集。此時系統必須強制簡化模型——減少代理模組數量、限制神經網路或樹狀模型的深度（Depth）、或拉長訊號確認的週期。
5. 多代理評分權重的「滾動式 IC 動態調整」
   在 WFO 架構中，多代理（基本面、技術面、情緒面、風控）的權重不應由全域優化決定，而是根據每個滾動訓練集（IS）內的資訊係數（Information Coefficient, IC）與夏普貢獻度進行動態重分配：
   • 若最近 12 個月（IS）技術代理的 IC 值快速下降，系統會在下一個 3 個月（OOS）自動降低 $w_{\text{tech}}$，並將權重移轉至 IC 較為穩定的基本面代理或風控代理。
6. 設定「狀態感知」與「訓練視窗重置」機制
   • 視窗長度（Window Length）調校：訓練集視窗並非越長越好。過長的視窗會引入過時的市場架構，過短的視窗則易受短期的雜訊干擾。
   • 動態重置（Event-driven Re-training）：當系統監測到當前市場波動率（如 VIX）或資產相關性超過訓練集均值 2 個標準差時，自動觸發重新訓練與參數校準（Re-calibration），而非僵化等待 3 個月滾動週期結束。
   三、 結論
   前向最佳化架構的靈魂在於承認「過去的最佳參數並不等於未來的最佳參數」。透過觀察訓練集與滾動樣本外（OOS）測試集的差距，並以參數高原選擇、WFE 效率指標約束、動態 IC 權重重分配來調整參數，才能打造出具備自我進化能力、真正能適應市場變化的實盤 AI 交易引擎。