{"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\/nl\/ea-out-of-sample-validation-guide\/","title":{"rendered":"EA Geavanceerde Evaluatie: Gebruik Out-of-Sample Testen om Strategie te Verifi\u00ebren en Overfitting te Voorkomen"},"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: Hoe kunt u uw EA betrouwbaarder evalueren?<\/strong> <\/h2>\n\nIn 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.
\nWe 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.

\n\nHoe 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\"?
\nHier komen de concepten van In-Sample Testing en Out-of-Sample Testing goed van pas.
\nZe helpen ons om de EA-strategie betrouwbaarder te evalueren.

\n\n\"\"

\n\n

Wat is In-Sample Testing?<\/strong> <\/h3>\n\n

In het kort:<\/strong> <\/h4>\nIn-Sample Testing verwijst naar het deel van de historische data dat u gebruikt tijdens het optimalisatieproces.

\n\n

Zoals het herhalen van een lesboek:<\/strong> <\/h4>\nStel u voor dat u zich voorbereidt op een examen door de door de docent gemarkeerde belangrijke delen van het lesboek te bestuderen.
\nDe EA \"leert\" tijdens de optimalisatie deze In-Sample data en zoekt naar de parameterinstellingen die het beste presteren binnen deze dataset.

\n\n

Wat is het doel?<\/strong> <\/h4>\nHet vinden van de parametercombinatie die het beste presteert op deze specifieke historische dataset.

\n\n

Wat zijn de beperkingen?<\/strong> <\/h4>\nGoede prestaties op In-Sample data garanderen niet dat het in de toekomst ook goed zal presteren.
\nDe EA kan namelijk alleen de specifieke patronen of ruis in deze data \"onthouden\" hebben, in plaats van de echt algemene regels te leren.
\nDit is het risico van overfitting.

\n\n

Wat is Out-of-Sample Testing?<\/strong> <\/h3>\n\n

In het kort:<\/strong> <\/h4>\nOut-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.

\n\n

Zoals het maken van een proefexamen:<\/strong> <\/h4>\nNa 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.
\nOut-of-Sample Testing laat uw EA de geoptimaliseerde parameters toepassen op een stuk historische data dat het \"nog niet heeft gezien\".

\n\n

Wat is het doel?<\/strong> <\/h4>\nControleren of de \"beste\" parameters ook goed presteren op nieuwe, onbekende historische data.
\nDit helpt te bepalen of de EA echt iets geleerd heeft, of alleen maar goed is in het \"maken van het In-Sample examen\".

\n\n

Hoe helpt het u?<\/strong> <\/h4>\n