Testowanie In-Sample vs Testowanie Out-of-Sample: Jak bardziej wiarygodnie ocenić swój EA?
W poprzednim artykule omówiliśmy, jak „optymalizować ” (Optimization) swojego Doradcę Eksperta (EA), czyli dostosowywać ustawienia parametrów, aby lepiej działał na historycznych danych.Wspomnieliśmy również o konieczności ostrożności przed pułapką „przeuczenia ” (Overfitting), czyli sytuacją, gdy EA zbyt idealnie dopasowuje się do przeszłych danych, co może skutkować słabą wydajnością w przyszłości.
Jak więc możemy wiedzieć, czy znalezione podczas optymalizacji „najlepsze” ustawienia parametrów naprawdę nauczyły się reguł rynku, czy tylko „wykuły na pamięć” przeszłe dane?
W tym momencie bardzo ważne stają się dwa pojęcia: testowanie In-Sample i testowanie Out-of-Sample.
Pomagają one bardziej wiarygodnie ocenić strategię EA.
Czym jest testowanie In-Sample?
Prosto mówiąc:
Testowanie In-Sample odnosi się do fragmentu historycznych danych, które wykorzystujesz podczas procesu optymalizacji.Jak nauka z podręcznika:
Wyobraź sobie, że przygotowujesz się do egzaminu, powtarzając najważniejsze fragmenty podręcznika zaznaczone przez nauczyciela.EA podczas optymalizacji „uczy się” tego fragmentu danych In-Sample, aby znaleźć najlepsze ustawienia parametrów dla tego okresu.
Jaki jest cel?
Znaleźć kombinację parametrów, która daje najlepsze wyniki na tym konkretnym fragmencie historycznych danych.Jakie są ograniczenia?
Dobre wyniki na danych In-Sample nie gwarantują dobrych wyników w przyszłości.EA może po prostu „zapamiętać” specyficzne wzorce lub szumy w tych danych, zamiast nauczyć się uniwersalnych reguł.
To właśnie ryzyko przeuczenia.
Czym jest testowanie Out-of-Sample?
Prosto mówiąc:
Testowanie Out-of-Sample polega na użyciu innego fragmentu danych historycznych, który nie był używany podczas optymalizacji, aby przetestować znalezione w In-Sample „najlepsze” ustawienia parametrów.Jak robienie próbnego egzaminu:
Po powtórzeniu materiału z podręcznika (testowanie In-Sample) robisz próbny egzamin z zupełnie nieznanych wcześniej pytań (dane Out-of-Sample ), aby sprawdzić, jak dobrze się nauczyłeś.Testowanie Out-of-Sample polega na tym, że EA używa zoptymalizowanych parametrów do działania na danych historycznych, których „nie widział wcześniej ”.
Jaki jest cel?
Sprawdzić, czy ta „najlepsza” kombinacja parametrów nadal działa dobrze na nowych, nieznanych danych historycznych.To pomaga ocenić, czy EA naprawdę nauczył się czegoś wartościowego, czy tylko zdał „egzamin In-Sample”.
Jak to pomaga?
- Jeśli EA nadal radzi sobie dobrze na danych Out-of-Sample (może nie tak idealnie jak na In-Sample, ale wciąż akceptowalnie), możesz mieć większą pewność, że strategia jest bardziej wiarygodna i nie jest poważnie przeuczona.
- Jeśli EA radzi sobie źle na danych Out-of-Sample (np. zamiast zysku generuje straty), to jest silny sygnał ostrzegawczy ! Najprawdopodobniej Twój EA jest poważnie przeuczony i znalezione „najlepsze” parametry nie są wiarygodne.
Dlaczego to jest ważne? (Rozwiewanie Twoich obaw)
- Zmniejszenie lęku przed stratami: Testowanie Out-of-Sample daje bardziej realistyczną próbę „na żywo”. Jeśli strategia zawodzi w tym teście, ostrzega Cię przed ryzykiem, zanim zaczniesz ryzykować prawdziwymi pieniędzmi. Poznanie rzeczywistych potencjalnych zagrożeń pomaga zarządzać oczekiwaniami i zmniejsza strach przed przyszłymi stratami.
- Przeciwdziałanie pułapce przeuczenia: To jeden z najskuteczniejszych sposobów na uniknięcie przeuczenia. Wielu ludzi jest zwiedzionych idealnymi wynikami testów In-Sample po optymalizacji, a test Out-of-Sample pomaga obnażyć tę „iluzję”.
- Budowanie bardziej realistycznej pewności siebie: Tylko gdy EA dobrze radzi sobie zarówno na danych In-Sample, jak i Out-of-Sample, możesz mieć bardziej realistyczne zaufanie do strategii, a nie fałszywe przekonanie wynikające z przeuczenia.
Jak przeprowadzić oba testy? (Prosta koncepcja)
Zazwyczaj dzieli się posiadane dane historyczne na dwie (lub więcej) części:- In-Sample: Używa się tego fragmentu danych do optymalizacji i znalezienia najlepszych parametrów.
- Out-of-Sample: Ten fragment danych „ukrywa się” i nie używa podczas optymalizacji. Po zakończeniu optymalizacji testuje się znalezione parametry na tym fragmencie, wykonując zwykły backtest, aby zobaczyć wyniki.
Niektóre platformy tradingowe (np. MT5 ) oferują w testerze strategii funkcję „Forward Testing ”, która automatycznie dzieli dane i przeprowadza testy.
Podsumowanie: Kluczowy krok w weryfikacji wyników optymalizacji
Optymalizacja parametrów EA może sprawić, że strategia będzie wyglądać lepiej, ale musi zostać zweryfikowana.- Testowanie In-Sample pomaga znaleźć „obiecujące” parametry.
- Testowanie Out-of-Sample pomaga sprawdzić, czy te parametry są naprawdę „wiarygodne”.
Dzięki tym dwóm testom możesz lepiej zrozumieć odporność strategii EA i skutecznie zmniejszyć ryzyko przeuczenia, co pozwala podejmować mądrzejsze decyzje tradingowe.
Ostateczne przypomnienie: Nawet jeśli EA dobrze radzi sobie zarówno na danych In-Sample, jak i Out-of-Sample, to nadal opiera się na danych historycznych.
Przed zainwestowaniem prawdziwych środków najważniejszym ostatnim krokiem jest zawsze przeprowadzenie testów na żywo na koncie demo.
Pozwól EA działać w aktualnym środowisku rynkowym przez pewien czas i obserwuj rzeczywiste wyniki – to jest ostateczna próba.
Jeśli uważasz, że ten artykuł był dla Ciebie pomocny, podziel się nim z przyjaciółmi.
Pozwól, aby więcej osób mogło wspólnie uczyć się wiedzy o handlu walutami!
Pozwól, aby więcej osób mogło wspólnie uczyć się wiedzy o handlu walutami!
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