Walk-forward validatie: hoe we het model testen zonder de toekomst te zien

Wat walk-forward validatie is

Walk-forward validatie is een evaluatieproces met tijdvensters. In elke cyclus wordt het model alleen op data uit het verleden getraind en daarna getest op een later stuk dat het nooit heeft gezien. Vervolgens schuift het venster vooruit en herhaalt de cyclus, zodat de evaluatie altijd de volgorde van de tijd respecteert: het model wordt nooit beoordeeld op een periode die het uit het hoofd had kunnen leren.

Dit is belangrijk omdat financiële data sequentieel en niet-stationair is. Een model dat ook maar een fragment van de testperiode heeft gezien — direct of via een gelekt kenmerk — kan briljant lijken in een rapport en in productie uiteenvallen. Walk-forward dicht dat gat door cyclus na cyclus exact de situatie te reproduceren die het model live tegenkomt: vandaag beslissen met alleen wat gisteren bekend was.

Waarom het belangrijker is dan één enkele splitsing

Eén enkele train/test-splitsing kan op een gunstig regime vallen en vals vertrouwen wekken. Als het testvenster toevallig een rustige stierenmarkt is, lijkt vrijwel elk model competent. Walk-forward dwingt het model door vele contexten — stieren-, beren- en overgangsfasen — en rapporteert hoe het zich in elk gedroeg, niet alleen gemiddeld.

Het resultaat is een verdeling van out-of-sample uitkomsten in plaats van één gelukkig getal. Een strategie die in één venster schittert maar in het volgende instort, wordt meteen blootgelegd — precies het soort kwetsbaarheid dat een enkele backtest meestal verbergt.

Een walk-forward cyclus met concrete vensters

Een voorbeeld maakt de werking duidelijker. Stel je voor dat het model over meerdere jaren in rollende vensters wordt geëvalueerd. Elke rij hieronder is één onafhankelijke cyclus: het model leert van de trainingsperiode, wordt beoordeeld op de ongeziene testperiode, en daarna schuift het hele venster vooruit.

Merk op dat het testvenster van 2020 een heftige drawdown bevat en dat van 2021 een sterk herstel. Een model dat alleen de rustige jaren overleeft en in 2020 breekt, wordt door dit ontwerp gemarkeerd, omdat elke cyclus op eigen merites wordt beoordeeld voordat de vensters tot een eerlijke out-of-sample staat van dienst worden gecombineerd.

Hoe LearnAImarkets het toepast

Het systeem herkalibreert en herbeoordeelt periodiek. Het doel is niet om één historische maatstaf te maximaliseren, maar om consistentie te behouden wanneer het marktregime verandert. Walk-forward is de ruggengraat van die discipline: elk gepubliceerd out-of-sample cijfer komt uit vensters die het model bij het trainen niet had gezien.

Concreet wordt het ensemble herwogen op basis van recente out-of-sample prestaties, niet op hoe goed het het verleden heeft gefit. Modellen die recent betrouwbaar waren op ongeziene data wegen zwaarder; modellen die verslechterden wegen lichter. De pipeline ververst deze vensters in een vast tempo zodat de evaluatie gelijke tred houdt met nieuwe marktomstandigheden in plaats van te bevriezen op één momentopname.

Datalek voorkomen: het embargo

De volgorde van de tijd respecteren is op zichzelf niet genoeg. Wanneer een model rendementen over meerdere maanden voorspelt, kan het doel van een trainingsdag overlappen met de testperiode: het toekomstige rendement dat wordt geleerd reikt tot dagen die bij het evaluatiestuk horen. Die overlap is een subtiele vorm van look-ahead lekkage.

Om het te blokkeren voegt walk-forward een embargo in: een kloof tussen het einde van de training en het begin van de test, minstens zo breed als de langste voorspellingshorizon. Het embargo gooit wat data weg, maar koopt eerlijkheid — de out-of-sample score is niet langer besmet door doelen die het model deels zou kunnen afleiden.

Walk-forward versus k-fold kruisvalidatie

Standaard k-fold kruisvalidatie schudt observaties in willekeurige folds. Voor onafhankelijke data is dat prima, maar voor een prijsreeks is het gevaarlijk: een willekeurige splitsing laat het model op vrijdag trainen terwijl het op de voorgaande maandag wordt getest, en leert patronen die het in realtime nooit zou kunnen benutten.

Walk-forward is het tijdreeksbewuste alternatief. Het schudt nooit, traint nooit op de toekomst en evalueert altijd vooruit. Voor beleggingsmodellen is dit geen stijlvoorkeur — het is het verschil tussen een maatstaf die je kunt vertrouwen en een die stilzwijgend tijdreizen veronderstelt.

Welke maatstaven we out-of-sample lezen

Een walk-forward run levert meer op dan één enkel nauwkeurigheidsgetal. Het draait om het lezen van meerdere gedragsdimensies over alle ongeziene vensters, want een model kan de richting juist hebben en toch onbruikbaar zijn als zijn risicoprofiel slecht is.

Twee hiervan verdienen een eigen gids. De risicogecorrigeerde lezing leunt op de Sharpe-ratio en de traject-pijn lezing op de maximale drawdown — beide worden uitgebreider beschreven in de gerelateerde lectuur hieronder.

Welke fouten het helpt vermijden

Walk-forward verwijdert het marktrisico niet, maar neutraliseert verschillende validatiefouten die backtest-resultaten routinematig opblazen en in productie tot teleurstelling leiden.

Veelgestelde vragen

Gerelateerde lectuur

Concepten die direct verband houden met walk-forward validatie: