In-Sample Testing vs Out-of-Sample Testing: Wie bewertet man Ihren EA zuverlässiger?
Im vorherigen Artikel haben wir darüber gesprochen, wie man seinen Expert Advisor (EA) „optimiert“, also die Parameter so anpasst, dass er auf historischen Daten besser performt.Wir haben auch vor der Falle des „Overfittings“ gewarnt, bei dem der EA die historischen Daten zu perfekt anpasst und dadurch in der Zukunft schlecht abschneiden kann.
Wie können wir also wissen, ob die durch Optimierung gefundenen „besten“ Parameter wirklich die Marktmechanismen gelernt haben oder nur die historischen Daten „auswendig gelernt“ wurden?
Hier sind die Konzepte des In-Sample Testing und Out-of-Sample Testing sehr wichtig.
Sie helfen uns, die EA-Strategie zuverlässiger zu bewerten.
Was ist In-Sample Testing?
Einfach gesagt:
In-Sample Testing bezeichnet den historischen Datenabschnitt, der während des Optimierungsprozesses verwendet wird.Wie das Lernen aus dem Lehrbuch:
Stellen Sie sich vor, Sie bereiten sich auf eine Prüfung vor und wiederholen die vom Lehrer markierten Schwerpunkte im Lehrbuch.Der EA „lernt“ während der Optimierung diese In-Sample-Daten und findet die Parameter, die in diesem Datenabschnitt am besten performen.
Was ist das Ziel?
Die Parameterkombination zu finden, die auf diesem spezifischen historischen Datenabschnitt die beste Performance des EA ermöglicht.Was sind die Einschränkungen?
Gute Performance auf In-Sample-Daten garantiert nicht gute Ergebnisse in der Zukunft.Der EA könnte nur die speziellen Muster oder das Rauschen dieser Daten „auswendig gelernt“ haben, anstatt echte, allgemeingültige Regeln zu erkennen.
Das ist das Risiko des Overfittings.
Was ist Out-of-Sample Testing?
Einfach gesagt:
Out-of-Sample Testing verwendet einen komplett anderen historischen Datenabschnitt, der während der Optimierung nicht verwendet wurde, um die im In-Sample Testing gefundenen „besten“ Parameter zu testen.Wie eine Probeprüfung:
Nach dem Lernen aus dem Lehrbuch (In-Sample Testing) machen Sie eine Probeprüfung, die Sie noch nie gesehen haben (Out-of-Sample-Daten), um Ihr Wissen zu testen.Out-of-Sample Testing lässt Ihren EA mit den optimierten Parametern auf einem „unbekannten“ historischen Datenabschnitt laufen.
Was ist das Ziel?
Zu prüfen, ob die „besten“ Parameter auch auf neuen, unbekannten historischen Daten noch gut performen.Das hilft zu beurteilen, ob der EA wirklich etwas gelernt hat oder nur die In-Sample-Prüfung „bestanden“ hat.
Wie hilft es Ihnen?
- Wenn der EA auf Out-of-Sample-Daten immer noch gut performt (vielleicht nicht so perfekt wie In-Sample, aber akzeptabel), können Sie mit mehr Vertrauen annehmen, dass die Strategie zuverlässiger ist und nicht stark overfittet wurde.
- Wenn der EA auf Out-of-Sample-Daten schlecht abschneidet (z.B. von profitabel zu verlustreich wechselt), ist das ein starkes Warnsignal! Wahrscheinlich wurde der EA stark overfittet und die gefundenen „besten“ Parameter sind nicht zuverlässig.
Warum ist das wichtig? (Löst Ihre Sorgen)
- Reduziert Angst vor Verlusten: Out-of-Sample Testing bietet eine realitätsnähere Prüfung. Wenn die Strategie hier schlecht abschneidet, warnt sie Sie, bevor Sie echtes Geld riskieren. Das Verständnis der tatsächlichen Risiken hilft, Erwartungen zu managen und Angst vor zukünftigen Verlusten zu verringern.
- Bekämpft die Overfitting-Falle: Dies ist eine der direktesten und effektivsten Methoden, um Overfitting zu vermeiden. Viele werden von perfekten In-Sample-Optimierungsergebnissen getäuscht, aber Out-of-Sample Testing durchschaut diese „Illusion“.
- Schafft realistischeres Vertrauen: Nur wenn der EA sowohl auf In-Sample- als auch auf Out-of-Sample-Daten vernünftig performt, können Sie ein realistisches Vertrauen in die Strategie aufbauen, statt auf falschem Vertrauen durch Overfitting zu basieren.
Wie führt man diese beiden Tests durch? (Einfache Konzepte)
Üblicherweise teilt man die verfügbaren historischen Daten in zwei (oder mehr) Abschnitte:- In-Sample: Dieser Datenabschnitt wird für die Optimierung verwendet, um die besten Parameter zu finden.
- Out-of-Sample: Dieser Abschnitt wird „versteckt“ und während der Optimierung nicht verwendet. Nach Abschluss der Optimierung wird mit den besten Parametern ein normaler Backtest auf diesen Daten durchgeführt, um die Ergebnisse zu prüfen.
Einige Handelsplattformen (z.B. MT5) bieten eine „Forward Testing“-Funktion, die diesen Datenaufteilungs- und Testprozess automatisiert.
Zusammenfassung: Der Schlüssel zur Validierung der Optimierungsergebnisse
Die Optimierung der EA-Parameter kann die Strategie besser erscheinen lassen, muss aber validiert werden.- In-Sample Testing hilft Ihnen, die „vielversprechenden“ Parameter zu finden.
- Out-of-Sample Testing prüft, ob diese Parameter wirklich „zuverlässig“ sind.
Durch diese beiden Tests können Sie die Robustheit Ihrer EA-Strategie besser verstehen, das Risiko von Overfitting effektiv reduzieren und somit fundiertere Handelsentscheidungen treffen.
Letzte Erinnerung: Selbst wenn ein EA sowohl im In-Sample- als auch im Out-of-Sample-Test gut abschneidet, basiert das immer noch auf historischen Daten.
Der wichtigste letzte Schritt vor dem Einsatz von echtem Kapital ist immer ein Live-Test im „Demokonto“.
Lassen Sie den EA eine Zeit lang in der aktuellen Marktumgebung laufen und beobachten Sie die tatsächliche Performance – das ist die endgültige Prüfung.
Wenn Sie denken, dass dieser Artikel Ihnen geholfen hat, teilen Sie ihn gerne mit Freunden.
Lassen Sie mehr Menschen gemeinsam das Wissen über den Devisenhandel lernen!
Lassen Sie mehr Menschen gemeinsam das Wissen über den Devisenhandel lernen!
繁體中文 
العربية 
বাংলা 
简体中文 
香港中文 
Čeština 
Dansk 
Nederlands 
English 
Français 
Deutsch 
Ελληνικά 
हिन्दी 
Magyar 
Bahasa Indonesia 
Italiano 
日本語 
한국어 
Bahasa Melayu 
Norsk bokmål 
Polski 
Português do Brasil 
Português 
Română 
Русский 
Español de Argentina 
Español de México 
Español 
Svenska 
ไทย 
Türkçe 
Українська 
اردو 
Tiếng Việt