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!