样本内和样本外是什么意思？量化回测必须分清的一对词

回测世界里代价最高的一对词，大概就是样本内（In-Sample, IS）和样本外（Out-of-Sample, OOS）。分不清这两段数据的边界，一份看起来收益漂亮的回测报告，本质上可能什么都没证明。

一、通俗的定义

样本内：你用来反复试参数、改条件、挑选出"看起来最好看"那套规则的那一段历史数据。你在这段数据上做的任何调整，本质上都是在拟合这段已知的历史。

样本外：事先划定、在整个选参和调整过程中完全不去看、只是当作"尚未发生的未来"去检验的那一段历史数据。

这里有一个容易被忽略但很关键的边界：只要样本外的数据被拿来参与过一次调参决策，它就不再是真正的样本外了——即便你只是"看了一眼样本外表现不好，于是回去改了个参数"，这个动作本身就已经污染了样本外的独立性。

二、为什么必须严格区分这两段数据

因为人的直觉判断和大多数优化算法一样，都会本能地"记住"历史数据里的噪声，而不仅仅是背后真正的规律。样本内挑出来的最优结果，很大概率是对那一段具体行情的过度拟合——它记住的可能是"某几个月里恰好这样操作最赚钱"，而不是一个能持续存在的规律。样本外如果表现明显变差，正是在提示你：你所依赖的可能只是一个故事，而不是一条规律。

步进验证（Walk-Forward Optimization, WFO）本质上就是把"划分样本内样本外"这个动作反复重复多次，在时间轴上滚动前进，每一段都用前面的数据定参数、用紧接着的一段做检验，这样可以避免只留最后一小段做单次验证所带来的偶然性。

三、个人研究者应该坚持的最低标准

即便条件有限、无法搭建完整的步进验证流程，也应该至少做到以下几点：

1. 1. 用历史数据的前70%左右去确定策略逻辑和参数；
2. 2. 后30%完全不参与调整，只用来验证；
3. 3. 如果样本外表现明显塌方，正确的应对是回到更简化的逻辑重新出发，而不是继续在现有框架上拧参数去"救"这条曲线——继续拧参数只会让过拟合程度进一步加深。

四、几种常见的自我欺骗方式

看完全区间的结果之后，"忍不住"又回去改了一次入场条件，然后重新划分样本内外，这其实等于让样本外失效重来；把样本外表现不佳的那一两年数据以"这段行情特殊"为理由剔除出统计，只保留表现好的年份；用同一段历史数据既做因子挖掘（发现规律），又做这个规律的最终效果评价，这三种做法本质上都是在悄悄把样本外变成样本内，让验证失去它本来的意义。

青柠量化 免费版可以完成分段回测与逐笔复盘；专业版提供步进验证等更系统化的样本外检验工具。

下载与说明见产品页：
https://www.zpyztech.com/product/qingquant/

免责声明： 本文仅作量化知识科普，不构成任何投资建议。样本外验证通过也不等于未来一定有效，请独立判断并自行承担投资风险。