{"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\/nb\/ea-out-of-sample-validation-guide\/","title":{"rendered":"EA Evaluering Avansert: Bruk av out-of-sample testing for \u00e5 verifisere strategier og si farvel til overtilpasning"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n

In-Sample Testing vs Out-of-Sample Testing: Hvordan evaluere din EA mer p\u00e5litelig?<\/strong> <\/h2>\n\nI forrige artikkel snakket vi om hvordan man kan \u00aboptimalisere\u00bb (Optimization) din Ekspertr\u00e5dgiver (EA), alts\u00e5 justere parameterinnstillinger for \u00e5 f\u00e5 bedre ytelse p\u00e5 historiske data.
\nVi nevnte ogs\u00e5 viktigheten av \u00e5 v\u00e6re forsiktig med \u00abovertilpasning\u00bb (Overfitting), som betyr at EA tilpasser seg for perfekt til tidligere data, noe som kan f\u00f8re til d\u00e5rlig ytelse i fremtiden.

\n\nS\u00e5 hvordan vet vi om de \u00abbeste\u00bb parameterinnstillingene funnet under optimaliseringen virkelig har l\u00e6rt markedets m\u00f8nstre, eller bare har \u00abmemorert\u00bb tidligere data?
\nHer blir konseptene In-Sample Testing og Out-of-Sample Testing veldig viktige.
\nDe hjelper oss med \u00e5 evaluere EA-strategien mer p\u00e5litelig.

\n\n\"\"

\n\n

Hva er In-Sample Testing?<\/strong> <\/h3>\n\n

Enkelt sagt:<\/strong> <\/h4>\nIn-Sample Testing refererer til den delen av historiske data som du bruker under optimaliseringsprosessen.

\n\n

Som \u00e5 repetere l\u00e6reboken:<\/strong> <\/h4>\nTenk deg at du forbereder deg til en eksamen ved \u00e5 repetere n\u00f8kkelinnholdet i l\u00e6reboken som l\u00e6reren har markert.
\nEA \u00abl\u00e6rer\u00bb denne In-Sample-dataen under optimaliseringen og finner de beste parameterinnstillingene for denne dataperioden.

\n\n

Hva er m\u00e5let?<\/strong> <\/h4>\n\u00c5 finne den parameterkombinasjonen som gir best ytelse p\u00e5 denne spesifikke historiske dataperioden.

\n\n

Hva er begrensningen?<\/strong> <\/h4>\nGod ytelse p\u00e5 In-Sample-data betyr ikke n\u00f8dvendigvis god ytelse i fremtiden.
\nEA kan ha \u00abhusket\u00bb spesielle m\u00f8nstre eller st\u00f8y i denne dataperioden, i stedet for \u00e5 ha l\u00e6rt generelle regler.
\nDette er risikoen ved overtilpasning.

\n\n

Hva er Out-of-Sample Testing?<\/strong> <\/h3>\n\n

Enkelt sagt:<\/strong> <\/h4>\nOut-of-Sample Testing bruker en helt annen del av historiske data som ikke ble brukt under optimaliseringen, for \u00e5 teste de \u00abbeste\u00bb parameterinnstillingene funnet i In-Sample Testing.

\n\n

Som \u00e5 ta en pr\u00f8veeksamen:<\/strong> <\/h4>\nEtter \u00e5 ha repetert l\u00e6reboken (In-Sample Testing), tar du en pr\u00f8veeksamen med sp\u00f8rsm\u00e5l du aldri har sett f\u00f8r (Out-of-Sample-data) for \u00e5 teste hva du har l\u00e6rt.
\nOut-of-Sample Testing lar EA kj\u00f8re med de optimaliserte parameterne p\u00e5 data den \u00abikke har sett\u00bb f\u00f8r.

\n\n

Hva er m\u00e5let?<\/strong> <\/h4>\n\u00c5 se om den \u00abbeste\u00bb parameterinnstillingen fortsatt presterer godt p\u00e5 ny, ukjent historisk data.
\nDette hjelper deg \u00e5 avgj\u00f8re om EA virkelig har l\u00e6rt noe nyttig, eller bare kan \u00abpr\u00f8ve seg\u00bb p\u00e5 In-Sample-dataen.

\n\n

Hvordan hjelper det deg?<\/strong> <\/h4>\n