备注：该ea并没有推荐使用，样本外曲线跟历史差异较大，并未优化，盈利空间也是头皮类过小，写这篇文章是案例，当案例不是推荐。
SteadyWinner 是一个指标过滤型趋势ea，单量低，因为是一个老ea，样本外时间够长，所以主要拿出来说下现在的问题：优化过度的问题。
看回测曲线最大的特点就是，从过去到2016年，这个ea收益曲线算是稳定往上走，2016-2022这7年属于样本外时间，可以发现收益曲线处于震荡，做优化的伙伴肯定能理解我说的问题，那就是过度优化（拟合）的问题。
优化毕竟是以历史数据为参考对象，做到各个参考指标达到使用者的要求，对于未来是否能达到历史的效果只能是大概率，这个大家都清楚，但如何避免或者降低这类情况是今天讨论的问题。
优化时时间段的样本选取一般分为：
全时间段：比如以2010-2022做优化对象，没有样本外数据，这样虽然单次优化耗时但简单暴力，缺点就是易拟合，尤其是如果出来的结果单量过低，相当于单子的样本数量不够，就容易出现过度优化的情况。所以这类优化要注意总体单量的参考，而不是一味的参考盈利比，最大回撤等等。
就近时间段：以近期时间段做优化，比如以2019-2022年作为优化的时间段选取，优化出参数，再以2010-2019作为样本外测试，只要两个时间段表现特点大概一致，拟合可能性就会降低，优点是出来的参数更适合近期及未来的行情特点，但不能保证一定不拟合。
中间时间段：比如选择2015-2018年为优化时间段，2010-2015和2019-2022为样本外测试，只要三个时间段表现大概一致，拟合可能性就很低，只是操作繁杂，相当耗时和考验耐性，毕竟可能优化几天也出不来合格的。
以上简单讲了下大家常用的优化时间段的这个细节，其他要注意的细节很多，适合自己的才是最好的，凡事研究到极致总有效果，祝大家顺利，周末愉快！
