ウォークフォワード分析のやり方｜MT5の設定手順と過剰最適化の判定

最適化でパラメータを調整すると、バックテストの資産曲線はいくらでもきれいになります。問題は、それが「相場の性質を捉えた結果」なのか「そのデータのノイズに合わせ込んだ結果」なのかを区別できないことです。ウォークフォワード分析は、この区別をつけるための標準的な手続きです。この記事では考え方と手順、そして判定基準を整理します。

結論：最適化するなら必須、しないなら不要

なぜ通常の最適化では足りないのか

最適化は「過去データで最も成績が良かったパラメータを探す」作業です。しかし、データにはシグナル（相場の性質）とノイズ（偶然の値動き）の両方が含まれます。パラメータ探索は、この2つを区別しません。 ノイズに合わせ込んだほうが過去の成績が良くなるなら、そちらを選びます。

MQL5の公式記事でも「Optimization never leads to good（最適化が良い結果をもたらすことは決してない）」「最適化は非常に慎重に行うべきで、明示的な時間制限を加えなくても、その結果は.setファイルの一部になってしまう」と警告されています（出典: MQL5 Articles 10212 、2026年9月24日確認）。

ウォークフォワード分析は、**「最適化に使っていない期間で成績が保たれるか」**を機械的に確認することで、ノイズへの合わせ込みを検出します。

用語の整理

MT5でのフォワード期間設定

MT5の最適化設定には「フォワード」という項目があり、以下から選べます。

出典: MT5 Help - Strategy Optimization （2026年9月24日確認）

標準はIS : OOS = 2 : 1（フォワード1/3）または3 : 1（1/4）です。

実行手順

1. 検証する全期間を決める。 複数のボラティリティ環境を跨ぐ長さが必要です。最低でも2018年以降、2020年3月・2022年・2024年8月を含む期間が望ましいです。期間の決め方は バックテストの期間は何年必要か を参照してください。
2. 最適化するパラメータを絞る。 ここが最重要です。パラメータ数が多いほど、ノイズへの合わせ込みが容易になります。目安はトレード数 ≧ パラメータ数 × 100。 パラメータ5個なら最低500トレードが必要です。
3. MT5のテスターで「最適化」を有効にする。 「Slow complete algorithm（低速な完全アルゴリズム）」か「Fast genetic based algorithm（高速な遺伝的アルゴリズム）」を選びます。総当たりは数万パスになりやすく、それ自体が過剰最適化の温床です。
4. 「フォワード」を 1/3 または 1/4 に設定する。 全期間の後半が自動的にOOSになります。
5. 最適化基準を選ぶ。 Balance max、Profit Factor max、Recovery Factor max、Complex Criterion max などから選べます。Balance max（最終残高最大）だけを使うと、ドローダウンを無視した尖ったパラメータが選ばれやすくなります。
6. 最適化を実行する。
7. 最適化結果の一覧を「フォワード結果」でソートする。 IS（最適化期間）の成績が良い順ではなく、OOSの成績で見ます。
8. ISとOOSの両方で安定しているパラメータを選ぶ。 ISで1位だがOOSで下位、というパラメータはカーブフィッティングです。
9. プラトー分析を行う。 選んだパラメータの周辺±20%でも成績が大きく崩れないかを確認します。尖った山の頂点ではなく、なだらかな高原の中央を選びます。
10. 期間をずらして手順3〜9を繰り返す。 例：2018〜2019で最適化→2020で検証、2019〜2020で最適化→2021で検証、とローリングさせます。
11. 各OOS区間の成績を連結する。 これが実運用に最も近い推定値です。

全体の操作手順は MT4/MT5バックテストのやり方 にまとめています。

判定基準

WFE（ウォークフォワード効率）

WFE = OOSの成績 ÷ ISの成績

分子・分母には年率リターン、あるいはシャープレシオを使います。MQL5の記事では「1.0に近い値はパラメータセットがフォワードデータへ性能をそのまま移転できたことを意味する。0に近い値は、イン・サンプルの性能が大部分人工物だったことを意味する」と説明され、頑健性の最低ラインとしてWFE ≥ 0.50が挙げられています（出典: MQL5 Articles 23250 、2026年9月24日確認）。

その他の確認項目

1. OOSのプロフィットファクターがISの70%以上を保っているか。 OOSでPFが1.0を割るならカーブフィッティングです。
2. OOSでの最大ドローダウンがISの範囲に収まっているか。 OOSでDDが倍増するなら、想定リスクが過小です。
3. 各OOS区間がすべてプラスか。 特定の1区間だけで稼いでいるなら再現性はありません。

ローリングの組み方（具体例）

ISを2年、OOSを1年としたローリング方式の例です。検証期間が2018年〜2025年の8年分あるとします。

各回でISだけを使って最適化し、そのパラメータでOOS期間を1回だけ回します。最後に6つのOOS区間の損益を時系列に連結すると、「毎年パラメータを更新しながら運用したらどうなったか」に近い推定が得られます。

この表から読み取ること

1. 6区間すべてがプラスか。 1〜2区間だけで稼いでいるなら再現性がありません。
2. 各回で選ばれたパラメータが大きく変わっていないか。 毎回まったく違う値が最適になるなら、そのパラメータは相場の性質ではなくノイズを追っています。
3. 連結後の最大ドローダウンはいくらか。 これが実運用で想定すべき値です。IS期間の最大ドローダウンではありません。
4. OOS区間の合計トレード数は十分か。 6区間合計で100回に満たないなら、結論を出すには足りません。

判定を誤る典型例

もう一つの典型は試行回数の隠蔽です。学術研究でも「報告の核心的欠陥は試行総数を書かないこと」と指摘されています。何百通りも試してたまたまOOSを通った1つを提示すれば、それは検証ではなく選別です。

EAを買う側がこれをどう使うか

自分で最適化しない人にとっても、ウォークフォワードの考え方は判断材料になります。

• 販売者に「最適化でいくつのパラメータ組み合わせを試しましたか」と聞く。答えられないなら、その成績は統計的に解釈できません。
• 「バックテスト期間の後半1/3だけの成績」を見せてもらう。全期間の資産曲線より、この区間のほうが情報量があります。
• バージョンが頻繁に更新されているEAは、再最適化を繰り返している可能性があります。更新のたびにパラメータが変わるなら、それは相場変化への適応ではなく、直近データへの追従かもしれません。

EAの選び方は EAの選び方 、危険なEAの見分け方は 危険なEAのチェックリスト にまとめています。

よくある失敗

• ISの成績が良いパラメータを選んでしまう。 最適化結果の一覧は、標準ではIS成績順に並びます。見るべきはOOSです。
• パラメータを10個以上同時に最適化する。 必要トレード数が膨大になり、現実的に満たせません。
• OOS期間が短すぎる。 3か月のOOSで20トレードでは、統計的な判断ができません。
• プラトー分析を省略する。 尖ったピークのパラメータは、わずかな相場変化で崩れます。
• 通貨ペアごとに別々のパラメータを使う。 各ペアに最適化した結果を並べるのは、汎化ではなく個別フィッティングです。

より詳しい判定基準は カーブフィッティングとは に9項目でまとめています。

まとめ

ウォークフォワード分析は、最適化が生み出す幻を検出するための手続きです。期間をISとOOSに分け、OOSでのみ評価し、それをずらしながら繰り返す。WFEが0.5を下回るなら、そのパラメータは採用しないという判断になります。

そしてこの手続きを経ても、バックテストはバックテストです。スリッページも約定拒否も再現されません。次は バックテストとリアルが乖離する7つの原因 と フォワードテストの設計 で、実運用への橋渡しを確認してください。成績指標の判定は EA成績指標チェッカー も使えます。