Ujian Dalam Sampel vs Ujian Luar Sampel: Bagaimana Menilai EA Anda dengan Lebih Boleh Dipercayai?
Dalam artikel sebelum ini, kami membincangkan bagaimana untuk "mengoptimumkan" (Optimization) Penasihat Pakar (EA) anda, iaitu melaraskan tetapan parameter supaya ia berprestasi lebih baik berdasarkan data sejarah lalu.Kami juga menyebut tentang berhati-hati dengan perangkap "overfitting" (Overfitting), iaitu EA yang terlalu sempurna menyesuaikan diri dengan data lalu, yang mungkin menyebabkan prestasi yang buruk pada masa depan.
Jadi, bagaimana kita tahu tetapan parameter "terbaik" yang ditemui melalui pengoptimuman benar-benar mempelajari corak pasaran, atau hanya "hafal" data lalu?
Pada masa ini, konsep Ujian Dalam Sampel (In-Sample Testing) dan Ujian Luar Sampel (Out-of-Sample Testing) menjadi sangat penting.
Ia membantu kita menilai strategi EA dengan lebih boleh dipercayai.
Apa itu Ujian Dalam Sampel (In-Sample Testing) ?
Secara ringkas:
Ujian dalam sampel merujuk kepada data sejarah yang anda gunakan semasa proses pengoptimuman.Seperti mengulangkaji buku teks:
Bayangkan anda sedang mengulangkaji kandungan buku teks yang telah ditandakan oleh guru untuk persediaan peperiksaan.EA semasa pengoptimuman juga "belajar" data dalam sampel ini untuk mencari tetapan parameter yang memberikan prestasi terbaik dalam data tersebut.
Apa tujuannya?
Untuk mencari kombinasi parameter yang memberikan prestasi terbaik pada data sejarah tertentu ini.Apa hadnya?
Prestasi yang baik pada data dalam sampel tidak menjamin prestasi yang baik pada masa depan.Kerana EA mungkin hanya "mengingati" corak atau bunyi khas dalam data tersebut, bukan mempelajari corak yang benar-benar umum.
Ini adalah risiko overfitting.
Apa itu Ujian Luar Sampel (Out-of-Sample Testing) ?
Secara ringkas:
Ujian luar sampel merujuk kepada penggunaan satu set data sejarah yang tidak pernah digunakan dalam proses pengoptimuman untuk menguji tetapan parameter "terbaik" yang ditemui dalam ujian dalam sampel.Seperti membuat ujian simulasi:
Selepas mengulangkaji buku teks (ujian dalam sampel), anda akan membuat ujian simulasi yang tidak pernah dilihat sebelum ini (data luar sampel) untuk menguji sejauh mana anda telah belajar.Ujian luar sampel membolehkan EA anda menggunakan parameter yang telah dioptimumkan untuk menjalankan ujian pada data sejarah yang "tidak pernah dilihat" sebelum ini.
Apa tujuannya?
Untuk melihat sama ada parameter "terbaik" tersebut masih berprestasi baik apabila berhadapan dengan data sejarah baru dan tidak diketahui.Ini membantu menentukan sama ada EA benar-benar mempelajari kemahiran sebenar atau hanya pandai menjawab "soalan" dalam ujian dalam sampel.
Bagaimana ia membantu anda?
- Jika EA masih berprestasi baik pada data luar sampel (mungkin tidak sehebat dalam sampel, tetapi masih boleh diterima), anda boleh lebih yakin bahawa strategi ini mungkin lebih boleh dipercayai dan tidak mengalami overfitting yang serius.
- Jika EA berprestasi buruk pada data luar sampel (contohnya berubah dari untung menjadi rugi), ini adalah isyarat amaran yang kuat! Mungkin EA anda mengalami overfitting yang serius dan parameter "terbaik" yang ditemui tidak boleh dipercayai.
Mengapa ini penting? (Menjawab kebimbangan anda)
- Kurangkan ketakutan terhadap kerugian: Ujian luar sampel memberikan ujian yang lebih hampir dengan "perdagangan sebenar". Jika strategi gagal dalam ujian luar sampel, ia memberi amaran sebelum anda mempertaruhkan wang sebenar. Memahami risiko sebenar strategi membantu anda mengurus jangkaan dan mengurangkan ketakutan terhadap kerugian masa depan.
- Melawan perangkap overfitting: Ini adalah salah satu cara paling langsung dan berkesan untuk mengelakkan overfitting. Ramai orang mudah tertipu dengan laporan backtest dalam sampel yang sempurna selepas pengoptimuman, tetapi ujian luar sampel membantu anda menembusi "ilusi" ini.
- Membina keyakinan yang lebih realistik: Hanya apabila EA berprestasi munasabah dalam kedua-dua data dalam dan luar sampel, anda boleh membina keyakinan yang lebih realistik terhadap strategi tersebut, bukannya keyakinan palsu yang disebabkan oleh overfitting.
Bagaimana melakukan kedua-dua ujian ini? (Konsep mudah)
Biasanya, data sejarah yang anda miliki dibahagikan kepada dua bahagian (atau lebih):- Dalam Sampel (In-Sample): Gunakan data ini untuk pengoptimuman dan mencari parameter terbaik.
- Luar Sampel (Out-of-Sample): Sembunyikan data ini sepenuhnya daripada proses pengoptimuman. Selepas pengoptimuman selesai, gunakan parameter terbaik yang ditemui untuk menjalankan backtest biasa pada data ini dan lihat hasilnya.
Beberapa platform dagangan (contohnya MT5) menyediakan fungsi "Ujian Hadapan" (Forward Testing) yang membantu secara automatik membahagikan data dan menjalankan ujian ini.
Kesimpulan: Langkah Utama untuk Mengesahkan Hasil Pengoptimuman
Pengoptimuman parameter EA mungkin membuat strategi kelihatan lebih baik, tetapi ia mesti disahkan.- Ujian Dalam Sampel membantu anda mencari parameter "berpotensi".
- Ujian Luar Sampel membantu anda menguji sama ada parameter tersebut benar-benar "boleh dipercayai".
Dengan melalui kedua-dua ujian ini, anda dapat memahami dengan lebih mendalam ketahanan strategi EA, mengurangkan risiko overfitting secara efektif, dan membuat keputusan dagangan yang lebih bijak.
Peringatan terakhir: Walaupun EA berprestasi baik dalam ujian dalam dan luar sampel, ia masih berdasarkan data lalu.
Langkah terakhir yang paling penting sebelum melabur wang sebenar adalah sentiasa melakukan ujian masa nyata dalam "Akaun Demo".
Biarkan EA berjalan dalam persekitaran pasaran semasa untuk tempoh masa tertentu dan perhatikan prestasi sebenar – inilah ujian akhir yang sebenar.
Jika anda merasakan artikel ini berguna, sila kongsikan kepada rakan-rakan.
Mari kita belajar tentang perdagangan forex bersama-sama!
Mari kita belajar tentang perdagangan forex bersama-sama!
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