Pruebas In-Sample vs Pruebas Out-of-Sample: ¿Cómo evaluar de manera más confiable su EA?
En el artículo anterior, hablamos sobre cómo optimizar (Optimization) su Asesor Experto (EA), es decir, ajustar los parámetros para que funcione mejor con datos históricos pasados.También mencionamos la importancia de tener cuidado con la trampa del sobreajuste (Overfitting), que ocurre cuando el EA se adapta demasiado perfectamente a los datos pasados y puede tener un rendimiento pobre en el futuro.
Entonces, ¿cómo sabemos si los parámetros "óptimos" encontrados realmente aprendieron las reglas del mercado o simplemente "memorizaron" los datos pasados?
Aquí es donde los conceptos de pruebas In-Sample y pruebas Out-of-Sample son muy importantes.
Estos nos ayudan a evaluar la estrategia del EA de manera más confiable.
¿Qué es la prueba In-Sample (In-Sample Testing) ?
En pocas palabras:
La prueba In-Sample se refiere al segmento de datos históricos que utilizó durante el proceso de optimización.Como repasar el libro de texto:
Imagine que está preparando un examen repasando el contenido destacado por el profesor en el libro de texto.El EA, durante la optimización, está "aprendiendo" de estos datos In-Sample, buscando los parámetros que funcionan mejor en este conjunto de datos.
¿Cuál es el objetivo?
Encontrar la combinación de parámetros que permita al EA tener el mejor rendimiento en este segmento específico de datos históricos.¿Cuál es su limitación?
Un buen rendimiento en los datos In-Sample no garantiza un buen rendimiento futuro.Porque el EA podría simplemente haber "memorizado" patrones o ruido específicos de estos datos, en lugar de haber aprendido reglas verdaderamente generales.
Este es el riesgo del sobreajuste.
¿Qué es la prueba Out-of-Sample (Out-of-Sample Testing) ?
En pocas palabras:
La prueba Out-of-Sample utiliza un segmento de datos históricos completamente diferente que no se usó durante la optimización para probar los parámetros "óptimos" encontrados en la prueba In-Sample.Como hacer un examen simulado:
Después de repasar el libro de texto (prueba In-Sample), usted hace un examen simulado que nunca ha visto antes (datos Out-of-Sample ) para evaluar cuánto ha aprendido.La prueba Out-of-Sample consiste en hacer que su EA use los parámetros optimizados para operar en un segmento de datos históricos que no ha visto antes.
¿Cuál es el objetivo?
Ver si esos parámetros "óptimos" siguen funcionando bien frente a datos históricos nuevos y desconocidos.Esto ayuda a determinar si el EA realmente aprendió algo útil o solo sabe resolver el "examen" In-Sample.
¿Cómo le ayuda?
- Si el EA sigue funcionando bastante bien en los datos Out-of-Sample (quizás no tan perfecto como en In-Sample, pero aceptable), puede tener más confianza en que la estrategia es más confiable y no está severamente sobreajustada.
- Si el EA funciona muy mal en los datos Out-of-Sample (por ejemplo, pasa de ganar a perder), esto es una señal de alerta fuerte que probablemente indica un sobreajuste severo y que los parámetros "óptimos" no son confiables.
¿Por qué es importante? (Resuelve sus preocupaciones)
- Reduce el miedo a las pérdidas: La prueba Out-of-Sample ofrece una evaluación más cercana a la "realidad". Si la estrategia falla en esta prueba, es una advertencia antes de arriesgar dinero real. Conocer el riesgo real ayuda a manejar expectativas y reducir el miedo a pérdidas futuras.
- Combate la trampa del sobreajuste: Es uno de los métodos más directos y efectivos para evitar el sobreajuste. Muchas personas se engañan con resultados perfectos en pruebas In-Sample, pero la prueba Out-of-Sample puede revelar esta "ilusión".
- Construye confianza más realista: Solo cuando el EA funciona razonablemente bien tanto en datos In-Sample como Out-of-Sample, puede confiarse en la estrategia de manera más realista, en lugar de basarse en una confianza falsa generada por el sobreajuste.
¿Cómo realizar estas dos pruebas? (Concepto simple)
La práctica común es dividir los datos históricos que tiene en dos (o más) segmentos:- In-Sample: Usar este segmento para optimizar y encontrar los mejores parámetros.
- Out-of-Sample: "Ocultar" este segmento, no usarlo en la optimización. Después de optimizar, usar los parámetros encontrados para hacer una prueba normal en este segmento y observar los resultados.
Algunas plataformas de trading (como MT5 ) ofrecen una función de "prueba hacia adelante" (Forward Testing) que puede automatizar este proceso de división y prueba de datos.
Resumen: Paso clave para validar los resultados de la optimización
Optimizar los parámetros del EA puede hacer que la estrategia parezca mejor, pero debe ser validada.- Prueba In-Sample le ayuda a encontrar parámetros "prometedores".
- Prueba Out-of-Sample le ayuda a verificar si esos parámetros son realmente "confiables".
Con estas dos pruebas, puede entender mejor la robustez de la estrategia del EA y reducir efectivamente el riesgo de sobreajuste, para tomar decisiones de trading más inteligentes.
Último recordatorio: Incluso si un EA funciona bien en pruebas In-Sample y Out-of-Sample, esto sigue basándose en datos pasados.
Antes de invertir dinero real, el paso final más importante es siempre realizar una prueba en tiempo real en una Cuenta demo.
Deje que el EA opere en el entorno actual del mercado durante un tiempo y observe su rendimiento real; esta es la prueba definitiva.
Si crees que este artículo te ha sido útil, no dudes en compartirlo con tus amigos.
¡Deja que más personas aprendan sobre el conocimiento del trading de divisas!
¡Deja que más personas aprendan sobre el conocimiento del trading de divisas!
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