{"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\/de\/ea-out-of-sample-validation-guide\/","title":{"rendered":"EA Bewertung Fortgeschritten: Mit Out-of-Sample-Tests Strategien validieren und Overfitting vermeiden"},"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: Wie bewertet man Ihren EA zuverl\u00e4ssiger?<\/strong> <\/h2>\n\nIm vorherigen Artikel haben wir dar\u00fcber gesprochen, wie man seinen Expert Advisor (EA) \u201eoptimiert\u201c, also die Parameter so anpasst, dass er auf historischen Daten besser performt.
\nWir haben auch vor der Falle des \u201eOverfittings\u201c gewarnt, bei dem der EA die historischen Daten zu perfekt anpasst und dadurch in der Zukunft schlecht abschneiden kann.

\n\nWie k\u00f6nnen wir also wissen, ob die durch Optimierung gefundenen \u201ebesten\u201c Parameter wirklich die Marktmechanismen gelernt haben oder nur die historischen Daten \u201eauswendig gelernt\u201c wurden?
\nHier sind die Konzepte des In-Sample Testing und Out-of-Sample Testing sehr wichtig.
\nSie helfen uns, die EA-Strategie zuverl\u00e4ssiger zu bewerten.

\n\n\"\"

\n\n

Was ist In-Sample Testing?<\/strong> <\/h3>\n\n

Einfach gesagt:<\/strong> <\/h4>\nIn-Sample Testing bezeichnet den historischen Datenabschnitt, der w\u00e4hrend des Optimierungsprozesses verwendet wird.

\n\n

Wie das Lernen aus dem Lehrbuch:<\/strong> <\/h4>\nStellen Sie sich vor, Sie bereiten sich auf eine Pr\u00fcfung vor und wiederholen die vom Lehrer markierten Schwerpunkte im Lehrbuch.
\nDer EA \u201elernt\u201c w\u00e4hrend der Optimierung diese In-Sample-Daten und findet die Parameter, die in diesem Datenabschnitt am besten performen.

\n\n

Was ist das Ziel?<\/strong> <\/h4>\nDie Parameterkombination zu finden, die auf diesem spezifischen historischen Datenabschnitt die beste Performance des EA erm\u00f6glicht.

\n\n

Was sind die Einschr\u00e4nkungen?<\/strong> <\/h4>\nGute Performance auf In-Sample-Daten garantiert nicht gute Ergebnisse in der Zukunft.
\nDer EA k\u00f6nnte nur die speziellen Muster oder das Rauschen dieser Daten \u201eauswendig gelernt\u201c haben, anstatt echte, allgemeing\u00fcltige Regeln zu erkennen.
\nDas ist das Risiko des Overfittings.

\n\n

Was ist Out-of-Sample Testing?<\/strong> <\/h3>\n\n

Einfach gesagt:<\/strong> <\/h4>\nOut-of-Sample Testing verwendet einen komplett anderen historischen Datenabschnitt, der w\u00e4hrend der Optimierung nicht verwendet wurde, um die im In-Sample Testing gefundenen \u201ebesten\u201c Parameter zu testen.

\n\n

Wie eine Probepr\u00fcfung:<\/strong> <\/h4>\nNach dem Lernen aus dem Lehrbuch (In-Sample Testing) machen Sie eine Probepr\u00fcfung, die Sie noch nie gesehen haben (Out-of-Sample-Daten), um Ihr Wissen zu testen.
\nOut-of-Sample Testing l\u00e4sst Ihren EA mit den optimierten Parametern auf einem \u201eunbekannten\u201c historischen Datenabschnitt laufen.

\n\n

Was ist das Ziel?<\/strong> <\/h4>\nZu pr\u00fcfen, ob die \u201ebesten\u201c Parameter auch auf neuen, unbekannten historischen Daten noch gut performen.
\nDas hilft zu beurteilen, ob der EA wirklich etwas gelernt hat oder nur die In-Sample-Pr\u00fcfung \u201ebestanden\u201c hat.

\n\n

Wie hilft es Ihnen?<\/strong> <\/h4>\n