{"id":52638,"date":"2025-04-23T13:20:35","date_gmt":"2025-04-23T05:20:35","guid":{"rendered":"http:\/\/test.swqi.tw\/?p=52638"},"modified":"2025-12-03T03:43:38","modified_gmt":"2025-12-02T19:43:38","slug":"ea-out-of-sample-validation-guide","status":"publish","type":"post","link":"https:\/\/mister.forex\/da\/ea-out-of-sample-validation-guide\/","title":{"rendered":"EA vurdering avanceret: Brug out-of-sample test til at validere strategien og sige farvel til overtilpasning"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n

In-Sample Testing vs Out-of-Sample Testing: Hvordan vurderer du mere p\u00e5lideligt din EA?<\/strong> <\/h2>\n\nI den forrige artikel talte vi om, hvordan man \"optimerer\" (Optimization) din Ekspertr\u00e5dgiver (EA), alts\u00e5 justerer parametre for at f\u00e5 den til at pr\u00e6stere bedre p\u00e5 historiske data.
\nVi n\u00e6vnte ogs\u00e5, at man skal v\u00e6re forsigtig med \"overfitting\" (Overfitting), hvor EA tilpasser sig for perfekt til fortidens data, hvilket kan f\u00f8re til d\u00e5rlig fremtidig pr\u00e6station.

\n\nS\u00e5 hvordan ved vi, om de \"bedste\" parametre fundet ved optimering virkelig har l\u00e6rt markedets m\u00f8nstre, eller bare har \"indl\u00e6rt\" fortidens data uden reel forst\u00e5else?
\nHer bliver begreberne In-Sample Testing og Out-of-Sample Testing meget vigtige.
\nDe hj\u00e6lper os med at evaluere EA-strategien mere p\u00e5lideligt.

\n\n\"\"

\n\n

Hvad er In-Sample Testing?<\/strong> <\/h3>\n\n

Kort sagt:<\/strong> <\/h4>\nIn-Sample Testing refererer til den del af historiske data, som du bruger under optimeringsprocessen.

\n\n

Ligesom at l\u00e6se lektier:<\/strong> <\/h4>\nForestil dig, at du forbereder dig til en eksamen ved at gennemg\u00e5 l\u00e6rerens markerede n\u00f8glepunkter i l\u00e6rebogen.
\nEA \"l\u00e6rer\" under optimeringen p\u00e5 denne In-Sample data og finder de parametre, der pr\u00e6sterer bedst p\u00e5 netop denne datas\u00e6t.

\n\n

Hvad er form\u00e5let?<\/strong> <\/h4>\nAt finde den parametervariation, der giver EA den bedste pr\u00e6station p\u00e5 denne specifikke historiske data.

\n\n

Hvad er begr\u00e6nsningen?<\/strong> <\/h4>\nGod pr\u00e6station p\u00e5 In-Sample data garanterer ikke n\u00f8dvendigvis god fremtidig pr\u00e6station.
\nEA kan blot have \"indl\u00e6rt\" s\u00e6rlige m\u00f8nstre eller st\u00f8j i denne data i stedet for at have l\u00e6rt generelle regler.
\nDette er risikoen ved overfitting.

\n\n

Hvad er Out-of-Sample Testing?<\/strong> <\/h3>\n\n

Kort sagt:<\/strong> <\/h4>\nOut-of-Sample Testing bruger en helt anden del af historiske data, som ikke er blevet brugt under optimeringen, til at teste de \"bedste\" parametre fundet i In-Sample testen.

\n\n

Ligesom en pr\u00f8veeksamen:<\/strong> <\/h4>\nEfter at have l\u00e6st lektierne (In-Sample Testing) laver du en pr\u00f8veeksamen (Out-of-Sample data), som du aldrig har set f\u00f8r, for at teste, hvor godt du har l\u00e6rt stoffet.
\nOut-of-Sample Testing lader din EA k\u00f8re med de optimerede parametre p\u00e5 data, den \"ikke har set f\u00f8r\".

\n\n

Hvad er form\u00e5let?<\/strong> <\/h4>\nAt se, om de \"bedste\" parametre stadig pr\u00e6sterer godt p\u00e5 ny, ukendt historisk data.
\nDette hj\u00e6lper med at afg\u00f8re, om EA virkelig har l\u00e6rt noget brugbart, eller bare kan klare In-Sample \"testen\".

\n\n

Hvordan hj\u00e6lper det dig?<\/strong> <\/h4>\n