许多朋友在做策略参数优化时，都陷入了一个误区，那就是简单地在历史数据上执行参数优化，发现最优参数下，策略绩效极好，然后使用这个最优参数投入实盘，这样做基本等于自杀，过拟合的可能性太大了。

稍微好一点的做法，是将历史数据分层成两部分，一部分是训练集，另一部分是测试集。在训练集上做参数优化，然后拿到最优参数后，在测试集上回测，看看回测效果如何，如何好，就投入实盘，如何回测效果不好，就继续修改策略。这样做，比较浪费数据，测试量也不够大。

更好的评价参数优化效果的方法，是所谓walk forward滚动回测的方法。

这里，以上图所示这个小例子，介绍滚动回测的原理。

（1）训练阶段

首先，把数据按时间顺序划分为5组，然后开始迭代，进入训练阶段：在迭代1，组1,2作为训练集，组3作为测试集，在训练集上执行参数优化回测，确定最佳参数（注意，这时暂时不在测试集上执行回测）。然后在迭代2，在训练集组2,3上执行参数优化回测，确定最佳参数。在迭代3，在训练集组3,4上执行参数优化回测，确定最佳参数。这样就得到对应三次迭代的三组最佳参数。

（2）测试阶段

把3,4,5组测试数据连接起来，作为一组数据送入策略，策略内next方法迭代到每根bar时，要识别该bar的时间，如果是组3的数据，则应用迭代1确定的最佳参数来计算指标，如果是组4的数据，则应用迭代2的最佳参数来计算指标，如果是组5的数据，则应用迭代3的最佳参数，来计算指标。测试集回测结束得到的绩效指标作为参数优化的最终绩效评价指标。

虽然网上有一些backtrader做滚动回测的文章和代码，但都没有正确实现如上算法。特别是有些算法是在每个测试集上单独进行测试回测，这样例子中要进行3次回测，这种回测是有问题的，比如在进行测试集组3的回测时，在结束日临近下的单，可能要到组4才能成交，单独回测无法很好地处理这个问题。再比如在进行组5的回测时，一开始会缺少计算指标所需的历史数据，因此会浪费一部分起始数据来预热指标。网上另外一些滚动回测只能处理单股的情况，无法处理多股场景。

我们在
《扫地僧 Backtrader 给力教程系列二：量化回测与实盘交易高级篇》已完美实现了高级walk forwalk多股滚动回测，大家可参考教程学习使用。