In-Sample Testing vs Out-of-Sample Testing: Hogyan értékeljük megbízhatóbban az EA-t?
Az előző cikkben arról beszéltünk, hogyan lehet az Optimalizálás (Optimization) segítségével finomhangolni az Szakértő Tanácsadó (EA) paramétereit, hogy az a múltbeli adatokon jobb teljesítményt nyújtson.Megemlítettük azt is, hogy vigyázni kell a Túlillesztés (Overfitting) csapdájával, amikor az EA túl tökéletesen alkalmazkodik a múltbeli adatokhoz, és emiatt a jövőben rosszul teljesíthet.
De honnan tudjuk, hogy az optimalizálás során talált „legjobb” paraméterek valóban a piac szabályait tanulták meg, vagy csak a múltbeli adatokat „memorizálták”?
Itt jönnek képbe az In-Sample Testing (mintabeli tesztelés) és az Out-of-Sample Testing (mintán kívüli tesztelés) fogalmai.
Ezek segítenek megbízhatóbban értékelni az EA stratégiát.
Mi az az In-Sample Testing (mintabeli tesztelés) ?
Egyszerűen:
Az in-sample tesztelés azt jelenti, hogy az optimalizálás során használt múltbeli adatszakaszt használjuk.Olyan, mint a tankönyv átnézése:
Képzelje el, hogy a vizsgára készülve a tanár által kiemelt tankönyvrészeket tanulja.Az EA optimalizálásakor is ezt a mintabeli adatot „tanulja meg”, és keresi a legjobb paramétereket ezen az adatszakaszon.
Mi a célja?
Megtalálni azt a paraméterkombinációt, amely ezen a konkrét múltbeli adatszakaszon az EA számára a legjobb teljesítményt nyújtja.Mik a korlátai?
Az, hogy az EA jól teljesít az in-sample adatokon, nem jelenti azt, hogy a jövőben is jól fog.Lehet, hogy az EA csak „megjegyezte” az adott adatszakasz speciális mintázatait vagy zaját, és nem tanult meg valóban általános szabályokat.
Ez a túlillesztés kockázata.
Mi az az Out-of-Sample Testing (mintán kívüli tesztelés) ?
Egyszerűen:
Az out-of-sample tesztelés azt jelenti, hogy egy teljesen más, az optimalizálás során nem használt múltbeli adatszakaszt használunk az in-sample tesztelés során talált „legjobb” paraméterek tesztelésére.Olyan, mint egy próba vizsga:
Miután átnézte a tankönyvet (in-sample tesztelés), egy soha nem látott próba vizsgát (mintán kívüli adat) ír, hogy tesztelje, mennyit tanult.Az out-of-sample tesztelés során az EA az optimalizált paraméterekkel futtat egy olyan múltbeli adatszakaszt, amit „nem látott ” korábban.
Mi a célja?
Megnézni, hogy a „legjobb” paraméterek hogyan teljesítenek új, ismeretlen múltbeli adatokon.Ez segít eldönteni, hogy az EA valóban megtanulta a lényeget, vagy csak az in-sample „vizsgán” teljesített jól.
Hogyan segít Önnek?
- Ha az EA az out-of-sample adatokon is jól teljesít (bár nem feltétlenül olyan tökéletesen, mint az in-sample adatokon, de elfogadhatóan), akkor nagyobb bizalommal tekinthet a stratégiára, mert valószínűleg nem szenved súlyos túlillesztéstől.
- Ha az EA az out-of-sample adatokon rosszul teljesít (például nyereségből veszteségbe fordul), az egy erős figyelmeztető jel ! Valószínűleg az EA súlyosan túlillesztett, és a korábban talált „legjobb” paraméterek nem megbízhatóak.
Miért fontos ez? (Aggodalmai kezelése)
- Csökkenti a veszteségtől való félelmet: Az out-of-sample tesztelés egy közelebb álló „valódi” próbát nyújt. Ha a stratégia már itt rosszul teljesít, az figyelmeztetés, mielőtt valódi pénzzel kockáztatna. A stratégia valódi kockázatának ismerete segít kezelni az elvárásokat és csökkenti a jövőbeli veszteségtől való félelmet.
- Ellensúlyozza a túlillesztés csapdáját: Ez az egyik leghatékonyabb módszer a túlillesztés elkerülésére. Sokan elvakulnak az optimalizált, tökéletes in-sample visszatesztelési eredményektől, de az out-of-sample tesztelés segít feltárni ezt az „álcát”.
- Reálisabb bizalmat épít: Csak akkor bízhat meg igazán a stratégiában, ha az EA mind az in-sample, mind az out-of-sample adatokon elfogadhatóan teljesít, nem pedig túlillesztésből fakadó hamis bizalmat táplál.
Hogyan végezze el ezeket a teszteket? (Egyszerű koncepció)
Általában a rendelkezésre álló múltbeli adatokat két (vagy több) részre osztjuk:- In-Sample: Ezt az adatszakaszt használjuk az optimalizáláshoz, hogy megtaláljuk a legjobb paramétereket.
- Out-of-Sample: Ezt az adatszakaszt „elrejtjük”, és nem használjuk az optimalizálás során. Az optimalizálás után a megtalált legjobb paraméterekkel futtatunk egy szokásos visszatesztet ezen az adaton, hogy megnézzük az eredményt.
Néhány kereskedési platform (például MT5) stratégiatesztelője kínál Forward Testing (előretesztelés) funkciót, amely automatikusan elvégzi az adatok szétválasztását és a tesztelést.
Összefoglalás: Az optimalizálás eredményének ellenőrzésének kulcsfontosságú lépései
Az EA paraméterek optimalizálása javíthatja a stratégia látszólagos teljesítményét, de ellenőrizni kell.- In-Sample Testing segít megtalálni a „tehetséges” paramétereket.
- Out-of-Sample Testing segít ellenőrizni, hogy ezek a paraméterek valóban „megbízhatóak”-e.
E két lépés segítségével mélyebb betekintést nyerhet az EA stratégia robosztusságába, hatékonyan csökkentve a túlillesztés kockázatát, és így bölcsebb kereskedési döntéseket hozhat.
Végső figyelmeztetés: Még ha egy EA mind az in-sample, mind az out-of-sample teszteken jól teljesít, az még mindig csak múltbeli adatokon alapul.
A valódi pénz befektetése előtt a legfontosabb utolsó lépés mindig a Demo számla használatával végzett valós idejű tesztelés.
Hagyja, hogy az EA egy ideig a jelenlegi piaci környezetben fusson, és figyelje meg a tényleges teljesítményt – ez a végső próba.
Ha úgy érzed, hogy ez a cikk hasznos számodra, oszd meg barátaiddal.
Hadd tanuljanak mások is a devizakereskedelemről!
Hadd tanuljanak mások is a devizakereskedelemről!
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