{"id":52638,"date":"2025-04-23T13:20:35","date_gmt":"2025-04-23T05:20:35","guid":{"rendered":"http:\/\/test.swqi.tw\/?p=52638"},"modified":"2025-12-03T03:43:38","modified_gmt":"2025-12-02T19:43:38","slug":"ea-out-of-sample-validation-guide","status":"publish","type":"post","link":"https:\/\/mister.forex\/ms\/ea-out-of-sample-validation-guide\/","title":{"rendered":"EA Penilaian Lanjutan: Menggunakan Ujian Luar Sampel untuk Mengesahkan Strategi, Mengucapkan Selamat Tinggal kepada Overfitting"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n

Ujian Dalam Sampel vs Ujian Luar Sampel: Bagaimana Menilai EA Anda dengan Lebih Boleh Dipercayai?<\/strong> <\/h2>\n\nDalam 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.
\nKami 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.

\n\nJadi, bagaimana kita tahu tetapan parameter \"terbaik\" yang ditemui melalui pengoptimuman benar-benar mempelajari corak pasaran, atau hanya \"hafal\" data lalu?
\nPada masa ini, konsep Ujian Dalam Sampel (In-Sample Testing) dan Ujian Luar Sampel (Out-of-Sample Testing) menjadi sangat penting.
\nIa membantu kita menilai strategi EA dengan lebih boleh dipercayai.

\n\n\"\"

\n\n

Apa itu Ujian Dalam Sampel (In-Sample Testing) ?<\/strong> <\/h3>\n\n

Secara ringkas:<\/strong> <\/h4>\nUjian dalam sampel merujuk kepada data sejarah yang anda gunakan semasa proses pengoptimuman.

\n\n

Seperti mengulangkaji buku teks:<\/strong> <\/h4>\nBayangkan anda sedang mengulangkaji kandungan buku teks yang telah ditandakan oleh guru untuk persediaan peperiksaan.
\nEA semasa pengoptimuman juga \"belajar\" data dalam sampel ini untuk mencari tetapan parameter yang memberikan prestasi terbaik dalam data tersebut.

\n\n

Apa tujuannya?<\/strong> <\/h4>\nUntuk mencari kombinasi parameter yang memberikan prestasi terbaik pada data sejarah tertentu ini.

\n\n

Apa hadnya?<\/strong> <\/h4>\nPrestasi yang baik pada data dalam sampel tidak menjamin prestasi yang baik pada masa depan.
\nKerana EA mungkin hanya \"mengingati\" corak atau bunyi khas dalam data tersebut, bukan mempelajari corak yang benar-benar umum.
\nIni adalah risiko overfitting.

\n\n

Apa itu Ujian Luar Sampel (Out-of-Sample Testing) ?<\/strong> <\/h3>\n\n

Secara ringkas:<\/strong> <\/h4>\nUjian 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.

\n\n

Seperti membuat ujian simulasi:<\/strong> <\/h4>\nSelepas 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.
\nUjian luar sampel membolehkan EA anda menggunakan parameter yang telah dioptimumkan untuk menjalankan ujian pada data sejarah yang \"tidak pernah dilihat\" sebelum ini.

\n\n

Apa tujuannya?<\/strong> <\/h4>\nUntuk melihat sama ada parameter \"terbaik\" tersebut masih berprestasi baik apabila berhadapan dengan data sejarah baru dan tidak diketahui.
\nIni membantu menentukan sama ada EA benar-benar mempelajari kemahiran sebenar atau hanya pandai menjawab \"soalan\" dalam ujian dalam sampel.

\n\n

Bagaimana ia membantu anda?<\/strong> <\/h4>\n