本论文提出 AlgoXpert IS–WFA–OOS 部署决策框架,通过优先选择参数稳定区(plateau)、在滚动 WFA 中引入 purge gap 及多数通过+灾难否决门,最后在严格 OOS 下锁定参数以降低回测过拟合与选择偏差 . 框架同时嵌入执行感知的防御层(spread/杠杆 guards、电路断路器与 kill-switch)并建议对执行假设做压力测试以验证可部署性 . 在 USDJPY M5 的案例研究中,WFA 三折多数通过且 OOS 达标,但不同 alpha 在 OOS 上的排序会随目标(Sharpe vs MaxDD)变化,显示性能与尾部风险之间的权衡需按任务目标决定 .
| Fold | Wtrain | Purge g | Wtest |
|---|---|---|---|
| 1 | 01/01/2024-31/03/2024 | 01/04-05/04 | 06/04-30/06/2024 |
| 2 | 01/04/2024-30/06/2024 | 01/07-05/07 | 06/07-30/09/2024 |
| 3 | 01/07/2024-30/09/2024 | 01/10-05/10 | 06/10/2024-31/12/2024 |
| Fold | SR_test,i | MDD_test,i | Calmar_test,i | Trades | Gate |
|---|---|---|---|---|---|
| 1 | 3.81 | 3.61% | 3.39 | 258 | PASS |
| 2 | 1.36 | 2.89% | 2.34 | 281 | FAIL |
| 3 | 6.20 | 2.30% | 16.89 | 318 | PASS |
| Mean | 3.79 | 2.93% | 7.54 | 286 | — |
| Alpha | SR_IS | SR_WFA | SR_OOS | Calmar_OOS | MaxDD_OOS(%) | Trades(OOS) |
|---|---|---|---|---|---|---|
| v1 | 2.43 | 3.18 | 2.19 | 2.74 | 4.43 | 1375 |
| v2 | 2.29 | 2.93 | 2.56 | 3.52 | 4.41 | 1428 |
| v3 | 2.20 | 2.91 | 2.61 | 3.48 | 4.36 | 1427 |
| v4 | 2.12 | 3.79 | 2.34 | 3.01 | 4.21 | 1374 |
引言与报告概览(元数据)
逐章精读与剖析
图表与表格逐一解读(关键可视化与数表)
图 1(IS → WFA → OOS 流程图):该示意图显示三阶段流程、两个主要决策门 G1(IS)、G2(WFA)与 G3(OOS)以及 policy A 的分支(G1 fail → Refactor;G2/G3 fail → Reject);图中也标注持续的 defense‑in‑depth(结构/执行/股本保护)与应力/消融测试路径.
表 1:WFA 的 3‑fold 日程(purge g = 5 交易日)显示三折的训练/清洗/测试时间段(折1: 01/01–31/03 train → 01/04–05/04 purge → 06/04–30/06 test;折2 与折3 以此类推).
表 2(WFA 各折的前向指标):折1 SRtest=3.81, MDD=3.61%, Calmar=3.39, trades=258, PASS;折2 SRtest=1.36, MDD=2.89%, Calmar=2.34, trades=281, FAIL;折3 SRtest=6.20, MDD=2.30%, Calmar=16.89, trades=318, PASS;均值 SR=3.79, MDD=2.93%, Calmar=7.54.
IS / WFA / OOS 三阶段关键数值(Section 4.3 与 Table 3)
Table 3 & Table 4(多变体 v1–v4 的比较)与图 2(标准化 OOS 股本路径):
估值/模糊点说明(若适用)
风险因素、假设与局限性评估
批判性视角与方法学细微之处
结论性综合(摘要与可执行建议)
附:主要引用页码索引(便于追溯)
(本文中所有从原文处得出的要点、数据或推断均已在对应句末标注来源页码以便溯源。)
2603.09219.pdf