อัปเดตล่าสุด: 29 สิงหาคม 2569 · บทความในหมวด บทเรียนที่ 14: ทดสอบและวัดผล
Walk-Forward Analysis คือการแบ่งข้อมูลเป็นหลายรอบ โดยแต่ละรอบใช้ช่วงหนึ่งปรับกฎ แล้วทดสอบกับช่วงถัดไปที่ยังไม่เคยใช้
เป็นวิธีที่ตอบคำถามซึ่ง Backtest ธรรมดา ตอบไม่ได้ — กฎนี้ใช้ได้เฉพาะกับช่วงเวลาหนึ่ง หรือใช้ได้ทั่วไป
ปัญหาที่วิธีนี้แก้
ซึ่งไม่บอกว่าผลนั้นมาจากข้อได้เปรียบจริง หรือมาจากความบังเอิญของช่วงนั้น
และForward Test แก้ปัญหานี้ได้ — แต่ใช้เวลานานมาก เพราะต้องรอให้เวลาเดินไปจริง
Walk-Forward จำลองกระบวนการเดียวกันด้วยข้อมูลในอดีต จึงได้คำตอบเร็วกว่า
โดยแลกกับความสมจริงที่น้อยกว่า Forward Test
วิธีการทำงาน

โครงสร้างของแต่ละรอบ รอบที่ 1 ปรับกฎกับช่วง A -> ทดสอบกับช่วง B รอบที่ 2 ปรับกฎกับช่วง B -> ทดสอบกับช่วง C รอบที่ 3 ปรับกฎกับช่วง C -> ทดสอบกับช่วง D รอบที่ 4 ปรับกฎกับช่วง D -> ทดสอบกับช่วง E สิ่งที่ต้องดู ผลของช่วง B, C, D, E รวมกัน ไม่ใช่ผลของช่วงที่ใช้ปรับ
ทุกช่วงทดสอบเป็นข้อมูลที่ยังไม่เคยใช้ปรับกฎ
นี่คือสิ่งที่ทำให้ผลเชื่อถือได้มากกว่า Backtest ธรรมดา
เพราะในแต่ละรอบ คุณกำลังทำสิ่งเดียวกับที่จะทำในความเป็นจริง — ปรับกฎจากสิ่งที่รู้ แล้วใช้กับสิ่งที่ยังไม่รู้
ถ้าผลของช่วงทดสอบดีสม่ำเสมอทุกรอบ — แปลว่ากฎไม่ได้พอดีกับช่วงเวลาใดเป็นพิเศษ
ถ้าผลดีบางรอบและแย่บางรอบมาก — แปลว่ากฎอ่อนไหวต่อช่วงเวลาที่ใช้ปรับ
สิ่งที่ต้องกำหนดก่อนเริ่ม
- ความยาวของช่วงที่ใช้ปรับกฎ
- ความยาวของช่วงทดสอบ
- จำนวนรอบทั้งหมด
- เกณฑ์ว่าผลแบบไหนถือว่าผ่าน
เพราะถ้ากำหนดหลังจากนั้น — คุณจะเลือกค่าที่ทำให้ผลออกมาดี
ซึ่งเป็น Overfitting ในอีกระดับหนึ่ง
ข้อสังเกตสำคัญ: ความยาวของช่วงเป็นพารามิเตอร์เหมือนกัน — การลองหลายค่าแล้วเลือกตัวที่ให้ผลดีที่สุด ก็คือการปรับให้พอดีกับอดีต
อ่านผลอย่างไร
| สิ่งที่เห็น | ตีความอย่างไร |
|---|---|
| ทุกรอบให้ผลใกล้เคียงกัน | สัญญาณที่ดีที่สุดที่วิธีนี้ให้ได้ |
| ผลแกว่งมากระหว่างรอบ | กฎอ่อนไหวต่อช่วงเวลาที่ใช้ปรับ |
| ค่าพารามิเตอร์ที่ได้ต่างกันมากทุกรอบ | สัญญาณของ Overfitting ที่ชัดเจน |
| ผลช่วงปรับดีมาก แต่ช่วงทดสอบแย่ | กฎจับความบังเอิญ ไม่ใช่รูปแบบ |
ถ้าการปรับในแต่ละรอบให้ค่าที่ต่างกันมาก — แปลว่าไม่มีค่าที่ “ถูก” อยู่จริง
คุณกำลังจับความบังเอิญของแต่ละช่วง ไม่ใช่คุณสมบัติของตลาด
ในกรณีนั้น การเลือกค่าใดค่าหนึ่งไปใช้จริงก็ไม่มีเหตุผลรองรับ
ข้อจำกัดที่ต้องยอมรับ
| ข้อจำกัด | ผลที่ตามมา |
|---|---|
| ต้องมีข้อมูลจำนวนมาก | แต่ละรอบต้องมีไม้พอสรุปผล |
| ยังเป็นข้อมูลย้อนหลัง | ไม่แทนที่ Forward Test ได้ |
| ซับซ้อนกว่าที่จำเป็นสำหรับหลายกรณี | กลยุทธ์ที่มีพารามิเตอร์น้อยอาจไม่ต้องใช้ |
| ไม่ตรวจเรื่องการทำตามกฎ | เพราะไม่มีแรงกดดันจริง |
ถ้ากลยุทธ์ของคุณมีพารามิเตอร์ไม่กี่ตัวและไม่ได้ปรับค่าไปมา — คุณอาจไม่จำเป็นต้องใช้วิธีนี้
วิธีนี้มีค่าที่สุดกับกลยุทธ์ที่มีค่าให้ปรับหลายตัว ซึ่งเสี่ยงต่อ Overfitting สูง
สิ่งที่สำคัญกว่าสำหรับผู้เริ่มต้น: แบ่งข้อมูลเป็นสองส่วนแล้วเปิดส่วนที่เก็บไว้ครั้งเดียว — อ่านวิธี
แล้วทองคำล่ะ
เพราะทองมีช่วงที่พฤติกรรมต่างกันชัดเจน — และวิธีนี้จะเผยให้เห็นทันทีว่ากฎของคุณใช้ได้เฉพาะบางช่วงหรือไม่
สิ่งที่ควรดูเป็นพิเศษ: ค่าพารามิเตอร์ที่ได้จากแต่ละรอบ
ถ้าระยะ SL ที่เหมาะสมต่างกันมากทุกรอบ — แปลว่าคุณควรใช้เกณฑ์ที่อ้างอิง ATR แทนตัวเลขคงที่
เพราะเกณฑ์ที่อ้างอิง ATR ปรับตามสภาวะเอง จึงไม่ต้องหาค่าที่ “ถูก” สำหรับทุกช่วง
คำถามที่พบบ่อย
ต้องใช้กี่รอบ?
มากพอที่แต่ละรอบยังมีไม้พอสรุปผล — ซึ่งแปลว่าต้องมีข้อมูลรวมมากพอสมควร ถ้าแบ่งแล้วแต่ละรอบมีไม้น้อยเกินไป ผลจะไม่บอกอะไร
ช่วงปรับกับช่วงทดสอบควรยาวเท่าไร?
ไม่มีค่ามาตรฐาน — สิ่งสำคัญคือกำหนดไว้ก่อนเห็นผล และไม่ลองหลายค่าแล้วเลือกตัวที่ดีที่สุด
แทนที่ Forward Test ได้ไหม?
ไม่ได้ — เพราะยังเป็นข้อมูลย้อนหลังและไม่ตรวจว่าคุณทำตามกฎได้จริงเมื่อมีเงินเดิมพัน
ผลแต่ละรอบต้องดีทุกรอบไหม?
ไม่จำเป็น — แต่ถ้าแกว่งมากผิดปกติ ควรถือว่ากฎยังไม่นิ่งพอ มากกว่าจะเลือกดูเฉพาะรอบที่ดี
สรุป
2. ดูผลของช่วงทดสอบรวมกัน ไม่ใช่ผลของช่วงที่ใช้ปรับ
3. ค่าพารามิเตอร์ที่ต่างกันมากทุกรอบ คือสัญญาณ Overfitting ที่ชัด
4. ความยาวของช่วงก็เป็นพารามิเตอร์ — ห้ามลองหลายค่าแล้วเลือกตัวที่ดี
5. ไม่แทนที่ Forward Test เพราะยังเป็นข้อมูลย้อนหลัง
อ่านต่อ
- Performance Metrics ที่ต้องวัด
- Overfitting และ Curve Fitting
- Forward Testing
- Sample Size เท่าไรจึงเชื่อถือได้
แหล่งอ้างอิง
- Walk-Forward Analysis เป็นวิธีการที่พัฒนามาจากแนวคิดการตรวจสอบข้ามชุดข้อมูลในสาขาสถิติ บทความนี้อธิบายหลักการและข้อจำกัด ไม่ได้ยืนยันว่าการใช้วิธีนี้จะทำให้กลยุทธ์ทำกำไรได้ ความยาวของช่วงและจำนวนรอบที่เหมาะสมต่างกันตามกลยุทธ์และปริมาณข้อมูลที่มี
📘 บทความนี้เป็นส่วนหนึ่งของ บทเรียนที่ 14: Build → Test → Measure → Improve
Share This Story, Choose Your Platform!
อัปเดตล่าสุด: 28 สิงหาคม 2569 · บทความในหมวด บทเรียนที่ […]
อัปเดตล่าสุด: 29 สิงหาคม 2569 · บทความในหมวด บทเรียนที่ […]
อัปเดตล่าสุด: 28 สิงหาคม 2569 · บทความในหมวด บทเรียนที่ […]



