從上面對推進分析的介紹中其實不難發現，推進分析的整個操作流程非常貼合實際交易的情況。在實際環境中如果使用量化交易策略進行交易，使用者常常會先根據最近的數據優化好策略設置和策略參數之後，再用其來指導當前的交易，而在下一次需要判斷是否交易時，再重新優化一遍策略設置和策略參數，從而使得策略更好地反映最近的市場情況。
從宏觀來看，市場是在一直變化的，因此針對距離交易時刻更近一些的數據進行特徵的挖掘和策略的開發，就能更好地保證特徵的存留以及策略的及時有效，是一個符合基本直覺的做法。而在交易資產或者金融市場出現轉折點時，轉折點前後的優化結果會根據轉折本身的特性進行變化，這樣的做法就可以更好地應對這種性質或環境的突然轉變。同時，市場雖然不停地變化，但是這種變化本身在大多數情況下又是趨於穩定的，因此從過往一段時間內提取出的數據特徵和相應的策略在一次交易週期內仍然有很大可能是值得信賴的。
從操作的選擇上來看，用來優化的時間段越長，則提取出的特徵和策略就會由於數據量的增加而更加可信，而時間段越短，則提取出的特徵和策略就越具有時效性，策略越靈活，也越容易快速地度過轉折點前後的失效期。
本書主要討論的是中低頻的量化交易策略，由於交易頻率較低，交易的及時性要求不是特別高，因此在使用量化交易策略進行每一次的交易判斷之前， 用來進行策略優化的時間和計算空間往往是比較充足的，最近數據的延遲也基本可以忽略，因此量化交易策略的實際使用者會更傾向於做這樣的優化處理。
相較於較爲簡單的樣本外檢驗,推進分析可以在回溯測試的過程中更爲精準地反映出這種實際的處理方式。每..次優化都推進一個週期的形式，實際上就是在回溯的環境下複製實際交易中每次判斷前都優化策略的做法，這也是作者在第3章3.3節中曾經提到過的，讓回溯測試環境儘量與真實交易環境保持致的最優解決方案。正是由於這種貼近真實交易的特性，在判斷策略盈利能力時,推進分析下的模擬交易情況具有更高的參考價值。
當然，同樣本外檢驗的初衷-樣， 推進分析的首要目的實際上也是判斷量化交易策略具有多大程度的過度擬合問題。仍然用圖6-2來做演示，對於推進過程中的每一行而言，具體的操作都相當於一次樣本外檢驗。如果回溯測試中所使用的量化交易策略的刻畫超過了數據本身的內在特徵，那麼在所有樣本內部分都會具有過度擬合的問題，實際的反應就是針對每一行的數據集， 灰色框的樣本外檢驗結果都將大概率的劣於白色框的優化結果。當一個特徵在每一行數據的檢驗過程中發生的概率較大時，將多行結果合併到一起就可能會出現統計上的明顯表現。因此，假如量化交易策略並不具備挖掘數據內在特性的能力，也就是不具備真實的盈利能力或預測能力，那麼綜合所有灰色框一起考慮時， 整體結果就很可能會缺乏顯著的盈利性或預測準確性。從上面的敘述中可以發現，推進分析的檢驗過度擬合和判斷策略實際盈利能力這兩個功能，在一定程度上是相互融合的。
同時，推進分析可以在回溯測試中較爲有效地排除未來信息的存在。依然採用圖6-2的例子進行說明，在每一行的數據集中，都是首先針對白色框的樣本內數據進行優化，然後將優化後的具體交易策略代入與樣本內數據無交集的樣本外數據進行檢驗。這種回溯測試的方法完全不同於第4章和第5章中作者介紹擇時策略、選股策略時所採用的簡單框架，數據的優化和檢驗在時間軸上是分開而且具有嚴格先後順序的.因此也就在很大程度上規避了回溯測試中存在的未來信息問題。總體來看,推進分析這一回溯測試工具比較全面地照顧到了第3章中作者介紹的幾個需要注意的事項，是一個在研究量化交易策略時相對而言較爲穩妥的解決方案。
在實際的量化交易策略研發中，有時候會由於使用的策略方法計算量過大而導致完全按照推進分析的流程進行檢驗出現困難。一般而言，樣本內優化需要的計算量遠遠大於樣本外檢驗的計算量，因此當出現計算量過大、計算機處理水平不足的問題時，可以通過降低最優化處理的頻率來有效減小總體的計算量。圖6-3基於圖6-2中的示例，給出了一個經過改動的推進分析的例子用以說明。在這個例子中，仍然先基於週期1到週期5的數據進行優化,但在得到參數確定的量化交易策略之後，將其放置於週期6和週期7的數據上進行檢驗。也就是說，在週期7.上運行的策略同樣也是經過週期1到週期5數據優化得到交易策略,那麼圖6-2中前兩行的計算過程就簡化爲圖6-3中的第-行的計算， 計算量幾乎減少了一半。在圖6-3中，第一行的數據處理完成之後，第二行中用來優化策略的是週期3到週期7的數據，樣本外檢驗則包括週期8和週期9的數據，以此類推，每一次都推進兩個週期。因此整體而言,計算量也就幾乎減少到圖6-2中推進分析的一半。
當然，這樣的改動在節省計算量的同時，也會隨之生成一些其他問題。首先，這樣的回溯測試過程不能夠再精細地體現出實際交易下不斷優化更新策略的操作過程。當然，對於在實際交易中每隔一段時間優化一次策略的使用者而言，這樣的改動反而能夠更好地刻畫現實情況，如何選擇需要根據實際情況進行判定。最重要的是，在假設市場穩定變化的前提下，這樣合併檢驗數據的做法會使得策略的有效性受到損害。
以圖6-3爲例而言，相較於圖6-2中的標準推進分析過程，使用週期1到週期5的數據優化得到的量化交易策略，會由於交易資產和市場數據的變化而對週期7的數據適應能力變差，週期9. 11、13下的檢驗情況也類似。因此，這樣的改動雖然會降低量化交易策略回溯測試的計算量，但是也會同時增加判斷策略真實能力的難度，在計算能力可以支撐的情況下作者並不推薦這種做法。
另一方面，如果實際交易也是間隔一段時間優化一次策略, 那麼對於相隔較遠的交易決策而言，策略的適應能力同樣會降低，進而弱化盈利能力。鑑於在真實交易環境下優化操作只需要進行一次，因此硬件的計算能力往往並不是策略運行的制約因素之一， 在這種情況下，作者其實更不推薦在實際操作中降低中低頻量化交易策略優化的頻率。對於作者的這一觀點， 讀者可以自行進行判斷。