濾網的意義，是把策略結果變的更有效能。
濾網開發課程中的濾網採用函數來開發，以降低對原策略的干擾，課程提供了6個濾網範例，1個是從AI開發與程式撰寫的示範得到的範例，其他5個是超五的範例，但課程並不僅止於提供濾網範例，還從效能的選擇到未來效能的預估性，提供了演繹示範來做更廣泛的思考。
當我們開發出濾網後，接著要思考2個問題：
- 策略原型加上濾網後，績效是不是變好？
- 在未來的表現中，濾網是不是仍然可以讓策略績效變好？
第2個問題，是我們比較容易忽略的：
回測的效能不代表未來的效能
就算我們把套入濾網的策略，做樣本外分析是有效能的，也不代表這效能來自濾網。
論壇的超五專欄「進階模組」版面中的文章「穩健測試：如何看待策略的回測結果？」，提到參數最佳化測試的3個穩健測試方法：
- 參數高原：由於最佳化測試參數是濾網別，數值沒有敏感度意義，因此不適用參數高原分析
- 樣本外分析：當我們選擇了樣本內學習期最佳績效的濾網，在樣本外的表現會如何？這個表現，濾網貢獻了多少？
- Walk-Forward Test：經驗上，濾網別的參數選擇不適合做。濾網並非是在要某些行情才使用，而是所有行情套上濾網後，剔除掉的交易大部分是不利的。
如同第1個方法，參數高原提到的，濾網別的參數值不具有敏感度分析意義，通常也不適合做WF，因為在不同期間採用不同濾網，似乎是過度匹配，但是當我們選定濾網後，是可以針對濾網本身採用的參數做WF測試分析的。
只不過，策略原型也有參數需要做穩健性測試，加上濾網後，合併的參數數量若太多，WF的結果也不容易掌控了。
所以，超五的開發程序是先對策略原型做穩健性測試，然後在這個基礎下，再針對套入的進階模組如濾網，個別做穩健性測試。
濾網開發線上課程，原本應該是在第3篇(3階)的進階模組中，策略原型做過穩健測試後的程序，但是前面還有第2篇(2階)資金管理，進階模型必須建構在一個合理的資金管理模型基礎下，特別是自己實際會採用的資金管理模型。合理的程序，未必是每個人可以跟隨的，而且基於教育訓練政策，第1篇(1階)策略原型結業人數達100人，才會開放2階資金管理線上課程。
所以，提前上架了濾網開發線上課程，並且以單口的資金管理模型當範例，也略過策略原型的穩健測試，直接在濾網開發課程中，處理原型與濾網的穩健性評估。
上圖是6個濾網的64個組合結果，加上沒有濾網的原型(Test #1)，#4是最佳ROA，淨利從8,261提升到12,499，但是經過穩健性評估後，超五選擇的是#19，淨利是9,405，只有增加1成左右，這符合不選擇最佳結果的原則，但不選最佳，到底要選第幾呢？濾網開發課程會示範如何建模型對規則做學習。