A novel approach to trading strategy parameter optimization, using double out-of-sample data and walk-forward techniques
创建于 更新于
摘要
本文提出将 walk-forward 的训练/测试窗口长度作为待优化参数，结合 EMA 交叉策略与阻尼/加权的 Robust Sharpe 网格以挑选最优窗口，并在独立的 Unseen 期上只执行一次回测以减少数据挖掘偏差 [page::0][page::6][page::14]。训练期内多数 WF 组合优于 Buy-and-Hold，测试期策略与 Buy-and-Hold 表现接近但显著降低最大回撤，且跨币种（ETH、BNB）验证显示一定鲁棒性；成本敏感性分析显示策略在约 0.36%–0.40% 单次交易费附近失去盈利性（break-even）[page::0][page::31][page::27]。
