Prueba In-Sample vs Prueba 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 mal desempeño en el futuro.
Entonces, ¿cómo sabemos si los parámetros "óptimos" encontrados en la optimización realmente aprendieron las reglas del mercado o simplemente "memorizaron" los datos pasados?
Aquí es donde los conceptos de prueba In-Sample y prueba Out-of-Sample son muy importantes.
Estos pueden ayudarnos 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 y repasando el contenido destacado por el profesor en el libro de texto.El EA, durante la optimización, está "aprendiendo" de estos datos In-Sample para encontrar la configuración de parámetros que mejor funciona en ese conjunto de datos.
¿Cuál es el objetivo?
Encontrar la combinación de parámetros que haga que el EA funcione mejor en ese segmento específico de datos históricos.¿Cuál es su limitación?
Un buen desempeño en los datos In-Sample no garantiza que funcionará bien en el futuro.Porque el EA podría simplemente haber "memorizado" patrones o ruido específicos de esos 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 consiste en usar otro segmento de datos históricos que no se utilizó en el proceso de optimización para probar la configuración "óptima" encontrada 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 permite que su EA use los parámetros optimizados para operar en un segmento de datos históricos que "no ha visto".
¿Cuál es el objetivo?
Verificar 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 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 mal en los datos Out-of-Sample (por ejemplo, pasa de ganar a perder), es una señal de alerta fuerte. Probablemente su EA está severamente sobreajustado y los parámetros "óptimos" encontrados 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 potencial 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 dejan engañar por reportes perfectos de backtesting 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 construir una confianza más práctica en la estrategia, en lugar de una falsa confianza basada en sobreajuste.
¿Cómo realizar estas dos pruebas? (Concepto simple)
La práctica común es dividir los datos históricos que posee 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 un backtest normal en este segmento y observar los resultados.
Algunas plataformas de trading (como MT5) ofrecen la función de "Forward Testing", que puede ayudar a automatizar este proceso de división y prueba de datos.
Resumen: Paso clave para validar resultados de 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, reducir efectivamente el riesgo de sobreajuste y 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 pruebas en "Cuenta demo".
Deje que el EA opere en el entorno actual del mercado durante un tiempo y observe su desempeño real; esta es la prueba definitiva.
Si crees que este artículo te ha sido útil, ¡compártelo con tus amigos!
¡Hagamos que más personas aprendan sobre el conocimiento del trading de divisas!
¡Hagamos 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