In-Sample Testing vs Out-of-Sample Testing: Bagaimana Cara Menilai EA Anda dengan Lebih Andal?
Dalam artikel sebelumnya, kita membahas tentang bagaimana melakukan Optimasi (Optimization) pada Penasihat Ahli (EA) Anda, yaitu menyesuaikan pengaturan parameter agar tampil lebih baik pada data historis masa lalu.Kita juga menyebutkan pentingnya berhati-hati terhadap jebakan Overfitting, yaitu ketika EA terlalu sempurna menyesuaikan diri dengan data masa lalu sehingga mungkin tampil buruk di masa depan.
Lalu, bagaimana kita tahu bahwa parameter "terbaik" yang ditemukan dari optimasi benar-benar mempelajari pola pasar, atau hanya "mengingat" data masa lalu saja?
Di sinilah konsep In-Sample Testing dan Out-of-Sample Testing menjadi sangat penting.
Keduanya membantu kita menilai strategi EA dengan lebih andal.
Apa itu In-Sample Testing?
Sederhananya:
In-Sample Testing adalah data historis yang Anda gunakan selama proses optimasi.Seperti mengulang pelajaran:
Bayangkan Anda sedang mempersiapkan ujian dengan mengulang materi yang sudah diberi tanda penting oleh guru.EA saat optimasi juga "belajar" dari data in-sample ini untuk menemukan pengaturan parameter yang tampil terbaik pada data tersebut.
Apa tujuannya?
Menemukan kombinasi parameter yang memberikan kinerja terbaik pada data historis tertentu ini.Apa keterbatasannya?
Kinerja yang baik pada data in-sample tidak menjamin kinerja baik di masa depan.Karena EA mungkin hanya "mengingat" pola atau noise khusus dari data tersebut, bukan mempelajari aturan yang benar-benar umum.
Inilah risiko overfitting.
Apa itu Out-of-Sample Testing?
Sederhananya:
Out-of-Sample Testing menggunakan data historis yang sama sekali tidak digunakan selama proses optimasi untuk menguji parameter "terbaik" yang ditemukan dari in-sample testing.Seperti mengerjakan simulasi ujian:
Setelah mengulang pelajaran (in-sample testing), Anda mengerjakan simulasi ujian yang belum pernah Anda lihat sebelumnya (data out-of-sample ) untuk menguji seberapa baik Anda memahami materi.Out-of-sample testing membuat EA menjalankan parameter yang sudah dioptimasi pada data historis yang "belum pernah dilihat" sebelumnya.
Apa tujuannya?
Melihat apakah parameter "terbaik" tersebut masih tampil baik saat menghadapi data historis baru dan tidak dikenal.Ini membantu menentukan apakah EA benar-benar belajar atau hanya menghafal "ujian" in-sample.
Bagaimana ini membantu Anda?
- Jika EA masih tampil cukup baik pada data out-of-sample (mungkin tidak sebaik in-sample tapi masih dapat diterima), Anda bisa lebih percaya bahwa strategi ini cukup andal dan tidak terlalu overfitting.
- Jika EA tampil sangat buruk pada data out-of-sample (misalnya dari untung menjadi rugi), ini adalah sinyal peringatan kuat ! Kemungkinan besar EA Anda mengalami overfitting berat dan parameter "terbaik" yang ditemukan tidak dapat diandalkan.
Mengapa ini penting? (Mengatasi kekhawatiran Anda)
- Mengurangi ketakutan terhadap kerugian: Out-of-sample testing memberikan pengujian yang lebih mendekati kondisi "nyata". Jika strategi gagal di sini, itu seperti peringatan sebelum Anda mempertaruhkan uang sungguhan. Memahami risiko nyata strategi membantu Anda mengelola ekspektasi dan mengurangi ketakutan akan kerugian di masa depan.
- Melawan jebakan overfitting: Ini adalah salah satu cara paling langsung dan efektif untuk menghindari overfitting. Banyak orang terjebak oleh laporan backtest in-sample yang sempurna setelah optimasi, tapi out-of-sample testing membantu Anda membongkar "ilusi" tersebut.
- Membangun kepercayaan yang lebih realistis: Hanya ketika EA tampil wajar di data in-sample dan out-of-sample, Anda bisa membangun kepercayaan yang lebih realistis terhadap strategi, bukan kepercayaan palsu akibat overfitting.
Bagaimana melakukan kedua jenis pengujian ini? (Konsep sederhana)
Biasanya, data historis yang Anda miliki dibagi menjadi dua bagian (atau lebih):- In-Sample: Gunakan bagian data ini untuk optimasi dan menemukan parameter terbaik.
- Out-of-Sample: Sembunyikan bagian data ini, jangan gunakan sama sekali selama optimasi. Setelah optimasi selesai, gunakan parameter terbaik untuk menjalankan backtest biasa pada data ini dan lihat hasilnya.
Beberapa platform trading (misalnya MT5 ) menyediakan fitur Forward Testing yang dapat membantu otomatis membagi data dan melakukan pengujian ini.
Kesimpulan: Langkah Kunci untuk Memverifikasi Hasil Optimasi
Optimasi parameter EA mungkin membuat strategi terlihat lebih baik, tapi harus diverifikasi.- In-Sample Testing membantu Anda menemukan parameter "berpotensi".
- Out-of-Sample Testing membantu Anda memeriksa apakah parameter tersebut benar-benar "andal".
Dengan kedua pengujian ini, Anda bisa lebih memahami ketahanan strategi EA dan secara efektif mengurangi risiko overfitting, sehingga dapat membuat keputusan trading yang lebih bijak.
Pengingat terakhir: Meskipun EA tampil baik di in-sample dan out-of-sample testing, itu tetap hanya berdasarkan data masa lalu.
Langkah terakhir yang paling penting sebelum menggunakan dana nyata adalah melakukan pengujian waktu nyata di Akun Demo.
Biarkan EA berjalan dalam kondisi pasar saat ini untuk beberapa waktu dan amati kinerjanya secara nyata, itulah ujian akhir yang sesungguhnya.
Jika Anda merasa artikel ini bermanfaat, silakan bagikan kepada teman-teman.
Mari lebih banyak orang belajar tentang pengetahuan trading forex!
Mari lebih banyak orang belajar tentang pengetahuan trading forex!
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