用途：为交易策略和机器学习模型提供前向验证框架。标准交叉验证（k-fold、随机划分）在金融时间序列中会引入前视偏差、忽略自相关，导致评估失效，本技能用于解决此类问题。
主要能力：支持滚动窗口（固定训练集大小）与扩展窗口（训练集随时间增长）两种划分方式，参数包括 train_size、test_size、step_size、min_train_size；提供清洗（purging）与禁运（embargo）机制，避免训练样本标签窗口与测试期重叠；支持组合清洗交叉验证（CPCV），从 N 个连续分组生成 C(N,k) 条回测路径；提供过拟合检测指标，包括通缩夏普比率（DSR）与回测过拟合概率（PBO）。
使用方式：通过 WalkForwardConfig 配置窗口类型、大小与清洗/禁运参数，用 WalkForwardValidator 的 split 方法逐折训练与预测，再调用 aggregate_results 汇总样本外夏普等结果。脚本 scripts/walk_forward.py 与 scripts/overfit_detector.py 带 --demo 模式，可用合成数据演示。
适用场景：加密货币及金融时间序列的策略回测与模型验证；不同策略周期（高频、日内、波段、仓位）对应不同的训练/测试窗口与禁运长度参考值。
限制：随机划分与 k-fold 不适用；需注意幸存者偏差、流动性状态变化与代币数据不足等问题；具体实现细节与公式参见 references 目录文档，本资料未提供完整安装步骤。