Walk-Forward (validação temporal)
Testa seu algoritmo em dados que nunca viu durante o treino, avançando no tempo como ocorreria no real. O filtro contra o sobreajuste ao passado.
Quando você otimiza um algoritmo sobre todo o histórico, trapaceia sem querer: o sistema «vê» o futuro porque você o ajustou com dados que na realidade ainda não teriam ocorrido. O Walk-Forward elimina essa trapaça. Divide a história em trechos, otimiza num trecho e testa no SEGUINTE —que o algoritmo não viu— e avança assim por toda a série. É a simulação mais honesta de como seu sistema teria se comportado operando mês a mês no tempo real.
Onde fica: o Walk-Forward é uma validação que você roda sobre um algoritmo salvo ou sobre os candidatos de uma exploração, no Testador de Algoritmos. Aparece junto ao Multiverso como uma das abas de robustez.
In-sample e out-of-sample: a ideia central
Todo o método gira em torno de dois conceitos:
- In-sample (IS): o trecho onde o algoritmo é otimizado. É «o que o sistema estudou».
- Out-of-sample (OOS): o trecho seguinte, que o algoritmo não viu ao se otimizar. É «a prova surpresa». Só conta o desempenho aqui.
Passo a passo
- 1
Divida a história em janelas
Por exemplo, otimizar com 12 meses e validar com os 3 seguintes. Você define essas proporções.
- 2
Otimize no IS, meça no OOS
O sistema busca os melhores parâmetros nos 12 meses, e depois —sem tocá-los— os aplica aos 3 meses seguintes e anota o resultado.
- 3
Avance a janela e repita
Move o bloco inteiro para frente e re-otimiza/valida. Assim você percorre anos inteiros encadeando provas surpresa.
- 4
Junte todos os OOS
A curva de equity que importa é a união de todos os trechos OOS: o desempenho real fora da amostra, encadeado.
A métrica-chave: WFE (Walk-Forward Efficiency)
A WFE compara o desempenho fora da amostra contra o de dentro da amostra: quanto do desempenho «de laboratório» sobrevive na prova real.
| WFE (OOS ÷ IS) | O que significa |
|---|---|
| Próxima de 1 | Excelente: o algoritmo quase não se infla no treino. Generaliza muito bem. |
| > 0.5 | Sinal de robustez. Perder algo de desempenho fora da amostra é normal; mais da metade é saudável. |
| < 0.3 | Sobreajuste severo: o algoritmo brilhava no laboratório e apaga na prova. Descartar. |
Não espere uma WFE de 1. Sempre haverá alguma degradação fora da amostra — isso é honesto e esperado. Desconfie mais de um algoritmo com WFE suspeitosamente perfeita do que de um com WFE de 0.6 estável ao longo dos anos.
O Walk-Forward valida que o algoritmo funcione no FUTURO temporal; o Multiverso valida que funcione em mercados ALTERNATIVOS; o Deflated Sharpe Ratio desconta a sorte de ter testado muitas combinações. São ortogonais: cada um caça um autoengano diferente. Use-os juntos.