バックテストの過剰最適化（オーバーフィット）を防ぐ4つのチェックポイント

「パラメータをちょっと変えたら、いい数字が出た」──バックテストツールを使い始めると、誰もが一度は経験する誘惑です。

しかしこの「最適化」は、行きすぎると過去のデータに合わせ込んだだけの幻の戦略を生み出します。これがオーバーフィット（過剰最適化）と呼ばれる現象で、機械学習の世界では古典的な落とし穴として知られています。バックテストでも、まったく同じ問題が発生します。

オーバーフィットとは

オーバーフィットとは、過去のデータに対して偶然うまくいくパラメータの組み合わせを選び取ってしまう状態を指します。同じパラメータを別の期間や別の銘柄に適用すると、過去のような結果は再現されません。

機械学習の文脈で語られることが多い概念ですが、トレード戦略の検証でもまったく同じ問題が発生します。

典型的な兆候

過剰最適化が疑われる兆候には次のようなものがあります。

• パラメータをわずかに変えただけでバックテスト結果が大きく劣化する
• 累積リターンと比較して、最大ドローダウンが不自然に小さい
• 勝率が極端に高い（80% 超など）
• 取引回数が極端に少ない（年間数回など、サンプル数が小さすぎる）
• 過去の特定の局面を狙い撃ったようなロジックになっている

特に、パラメータの組み合わせを総当たりで試し、最も成績のよかったものを選ぶ「グリッドサーチ」は、過剰最適化に陥りやすい典型的な手法です。

なぜ起きるのか

過去のデータには、戦略のロジックが捉えるべきシグナルと、ランダムなノイズの両方が含まれています。パラメータを細かく調整すればするほど、ノイズにフィットした戦略が出来上がります。ノイズは将来再現されないため、実運用では機能しません。

データ量が多ければシグナル/ノイズ比は改善しますが、株価データのような限られたサンプル数では、過剰最適化のリスクが常に存在します。

避けるための基本姿勢

完全に避けることはできませんが、リスクを下げる手順はあります。

1. インサンプル / アウトオブサンプルを分ける

過去データを2つに分割し、前半（インサンプル）でパラメータを決め、後半（アウトオブサンプル）で結果を確認します。後半の結果が前半より大きく劣化するなら、過剰最適化の兆候です。

2. 複数銘柄・複数期間で安定性を見る

ある銘柄でうまく動いたパラメータが、別の銘柄でも同程度に機能するかを確認します。極端に銘柄を選ぶ戦略は、汎用性に疑問が残ります。

3. パラメータの感度を確認する

最適値の周辺（少しずらした値）でも結果が安定しているか確認します。最適値だけでよい数字が出て、隣接値で大きく崩れる場合は、たまたまよい組み合わせを引いた可能性が高いです。たとえば移動平均クロスであれば、短期 5 日と 6 日／長期 25 日と 30 日のように複数組み合わせを並べて比較すると感度が見えます。

4. シンプルさを優先する

パラメータの数が多いほど、過剰最適化の余地が広がります。パラメータが少なく、ロジックがシンプルな戦略の方が、過去の特定パターンに合わせ込まれにくい構造です。

結果評価とあわせて

最適化した結果を評価するときは、リターンだけでなく最大ドローダウンや感度もあわせて見ます。さらに、現在残っている銘柄だけで検証していると生存者バイアスの影響も乗ってくるため、結果を読むときに割り引く視点が必要です。

QuanTest での検証手順

QuanTest では、同じ戦略を異なる期間・異なる銘柄で繰り返しバックテストできます。最初に出た数字に飛びつかず、複数の条件で結果を確認することを習慣化することが、過剰最適化を避ける第一歩です。

「派手な数字が出た瞬間こそ疑う」──この姿勢を手元で実践してみてください。

---

本記事は教育目的の解説であり、特定の戦略の収益性や将来の運用成果を保証するものではありません。投資判断はご自身の責任で行ってください。