In-Sample Testing vs Out-of-Sample Testing: Hoe kunt u uw EA betrouwbaarder evalueren?
In het vorige artikel hebben we besproken hoe u uw Expertadviseur (EA) kunt "optimaliseren" (Optimization), dat wil zeggen het aanpassen van parameterinstellingen om betere prestaties te behalen op historische data.We hebben ook gewaarschuwd voor de valkuil van "overfitting" (Overfitting), waarbij de EA te perfect past op de historische data, wat kan leiden tot slechte prestaties in de toekomst.
Hoe weten we nu of de "beste" parameters die door optimalisatie zijn gevonden, echt de marktregels hebben geleerd, of slechts de historische data "uit het hoofd hebben geleerd"?
Hier komen de concepten van In-Sample Testing en Out-of-Sample Testing goed van pas.
Ze helpen ons om de EA-strategie betrouwbaarder te evalueren.
Wat is In-Sample Testing?
In het kort:
In-Sample Testing verwijst naar het deel van de historische data dat u gebruikt tijdens het optimalisatieproces.Zoals het herhalen van een lesboek:
Stel u voor dat u zich voorbereidt op een examen door de door de docent gemarkeerde belangrijke delen van het lesboek te bestuderen.De EA "leert" tijdens de optimalisatie deze In-Sample data en zoekt naar de parameterinstellingen die het beste presteren binnen deze dataset.
Wat is het doel?
Het vinden van de parametercombinatie die het beste presteert op deze specifieke historische dataset.Wat zijn de beperkingen?
Goede prestaties op In-Sample data garanderen niet dat het in de toekomst ook goed zal presteren.De EA kan namelijk alleen de specifieke patronen of ruis in deze data "onthouden" hebben, in plaats van de echt algemene regels te leren.
Dit is het risico van overfitting.
Wat is Out-of-Sample Testing?
In het kort:
Out-of-Sample Testing betekent dat u een geheel andere set historische data gebruikt, die niet is gebruikt tijdens het optimalisatieproces, om de "beste" parameters die in de In-Sample test zijn gevonden te testen.Zoals het maken van een proefexamen:
Na het herhalen van het lesboek (In-Sample Testing) maakt u een proefexamen dat u nog nooit eerder heeft gezien (Out-of-Sample data) om te testen wat u geleerd heeft.Out-of-Sample Testing laat uw EA de geoptimaliseerde parameters toepassen op een stuk historische data dat het "nog niet heeft gezien".
Wat is het doel?
Controleren of de "beste" parameters ook goed presteren op nieuwe, onbekende historische data.Dit helpt te bepalen of de EA echt iets geleerd heeft, of alleen maar goed is in het "maken van het In-Sample examen".
Hoe helpt het u?
- Als de EA ook op Out-of-Sample data nog steeds redelijk presteert (misschien niet zo perfect als In-Sample, maar acceptabel), kunt u met meer vertrouwen aannemen dat de strategie betrouwbaarder is en niet ernstig overfit is.
- Als de EA op Out-of-Sample data slecht presteert (bijvoorbeeld winstgevend wordt verliesgevend), is dat een sterk waarschuwingssignaal! Het betekent waarschijnlijk dat uw EA ernstig overfit is en de eerder gevonden "beste" parameters onbetrouwbaar zijn.
Waarom is dit belangrijk? (Oplossen van uw zorgen)
- Verminderen van angst voor verlies: Out-of-Sample Testing biedt een test die dichter bij "live trading" staat. Als de strategie al faalt in Out-of-Sample Testing, waarschuwt dat u voordat u echt geld riskeert. Het begrijpen van de werkelijke risico’s helpt u verwachtingen te managen en vermindert angst voor toekomstige verliezen.
- Bestrijden van de overfitting-valkuil: Dit is een van de meest directe en effectieve manieren om overfitting te voorkomen. Veel mensen worden misleid door perfecte In-Sample backtestresultaten, maar Out-of-Sample Testing helpt deze "illusie" te doorprikken.
- Opbouwen van realistisch vertrouwen: Alleen wanneer de EA zowel op In-Sample als Out-of-Sample data redelijk presteert, kunt u realistisch vertrouwen hebben in de strategie, in plaats van een vals vertrouwen gebaseerd op overfitting.
Hoe voert u deze twee tests uit? (Eenvoudig concept)
De gebruikelijke methode is om uw historische data in twee (of meer) delen te splitsen:- In-Sample: Gebruik deze data voor optimalisatie om de beste parameters te vinden.
- Out-of-Sample: Verberg deze data volledig tijdens optimalisatie. Na het optimaliseren voert u een gewone backtest uit met de gevonden beste parameters op deze data om de resultaten te bekijken.
Sommige handelsplatformen (zoals MT5) bieden een "Forward Testing" functie in hun strategie-tester, die het proces van data-splitsing en testen automatisch kan uitvoeren.
Samenvatting: De sleutelstap om optimalisatie-resultaten te verifiëren
Optimalisatie van EA-parameters kan een strategie beter laten lijken, maar verificatie is noodzakelijk.- In-Sample Testing helpt u de "veelbelovende" parameters te vinden.
- Out-of-Sample Testing helpt u te controleren of deze parameters echt "betrouwbaar" zijn.
Door deze twee tests uit te voeren, krijgt u een dieper inzicht in de robuustheid van uw EA-strategie, vermindert u effectief het risico op overfitting en kunt u betere handelsbeslissingen nemen.
Laatste herinnering: Zelfs als een EA goed presteert in zowel In-Sample als Out-of-Sample tests, is dit nog steeds gebaseerd op historische data.
De allerbelangrijkste laatste stap voordat u echt geld inzet, is altijd live testen in een Demo rekening.
Laat de EA een tijdlang draaien in de huidige marktomstandigheden en observeer de daadwerkelijke prestaties; dat is de ultieme test.
Als je denkt dat dit artikel nuttig voor je is, deel het dan gerust met vrienden.
Laat meer mensen samen de kennis van forex trading leren!
Laat meer mensen samen de kennis van forex trading leren!
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