Testare In-Sample vs Testare Out-of-Sample: Cum să evaluați mai fiabil EA-ul dvs.?
În articolul anterior, am discutat despre cum să „optimizăm ” (Optimization) Expertul Consultant (EA ), adică să ajustăm setările parametrilor pentru a obține performanțe mai bune pe datele istorice anterioare.De asemenea, am menționat să fim atenți la capcana „overfitting ” (supraînvățare), adică când EA-ul se potrivește prea perfect pe datele trecute, dar poate performa slab în viitor.
Atunci, cum știm dacă setările „optime” găsite prin optimizare chiar au învățat regulile pieței sau doar „au memorat” datele istorice?
Aici, conceptele de testare In-Sample și testare Out-of-Sample devin foarte importante.
Ele ne ajută să evaluăm mai fiabil strategia EA.
Ce este testarea In-Sample?
Pe scurt:
Testarea In-Sample se referă la segmentul de date istorice folosit în procesul de optimizare.Ca și cum ai recapitula manualul:
Imaginați-vă că vă pregătiți pentru un examen, revizuind conținutul evidențiat în manual de către profesor.EA-ul, în timpul optimizării, „învață” din acest segment de date In-Sample, găsind setările parametrilor care performează cel mai bine pe aceste date.
Care este scopul?
Să găsească combinația de parametri care oferă cea mai bună performanță pe acest segment specific de date istorice.Care sunt limitările?
Performanța bună pe datele In-Sample nu garantează performanța viitoare.EA-ul poate doar să „memoreze” modele sau zgomot specific din aceste date, fără să învețe reguli general valabile.
Aceasta este riscul overfitting-ului.
Ce este testarea Out-of-Sample?
Pe scurt:
Testarea Out-of-Sample folosește un segment de date istorice complet neutilizat în procesul de optimizare pentru a testa setările „optime” găsite în testarea In-Sample.Ca și cum ai face un test simulativ:
După ce ai revizuit manualul (testarea In-Sample), faci un test simulativ cu o lucrare pe care nu ai văzut-o niciodată înainte (date Out-of-Sample ) pentru a-ți verifica cunoștințele.Testarea Out-of-Sample înseamnă să rulezi EA-ul cu parametrii optimi pe un segment de date istorice „nevăzut ”.
Care este scopul?
Să verifici dacă setul „optim” de parametri performează bine pe date noi, necunoscute anterior.Acest lucru ajută să determinăm dacă EA-ul a învățat cu adevărat sau doar a trecut testul pe datele In-Sample.
Cum vă ajută?
- Dacă EA-ul performează bine și pe datele Out-of-Sample (poate nu la fel de perfect ca pe In-Sample, dar acceptabil), puteți avea mai multă încredere că strategia este mai fiabilă și nu este grav supraînvățată.
- Dacă EA-ul performează prost pe datele Out-of-Sample (de exemplu, trece de la profit la pierdere), acesta este un semnal de avertizare puternic ! Probabil EA-ul este grav supraînvățat, iar parametrii „optimi” găsiți anterior nu sunt de încredere.
De ce este important? (Rezolvă îngrijorările dvs.)
- Reduce frica de pierderi: Testarea Out-of-Sample oferă o verificare mai apropiată de „condițiile reale”. Dacă strategia performează prost aici, este un avertisment înainte să riscați bani reali. Înțelegerea riscurilor reale vă ajută să gestionați așteptările și să reduceți teama de pierderi viitoare.
- Combaterea capcanei overfitting-ului: Este una dintre cele mai directe și eficiente metode de a evita supraînvățarea. Mulți sunt păcăliți de rapoartele perfecte din testele In-Sample, iar testarea Out-of-Sample vă ajută să demascați această „iluzie”.
- Construirea unei încrederi realiste: Doar când EA-ul performează rezonabil atât pe date In-Sample, cât și pe Out-of-Sample, puteți avea o încredere mai realistă în strategie, nu una falsă bazată pe overfitting.
Cum se efectuează aceste două teste? (Concept simplu)
De obicei, datele istorice disponibile sunt împărțite în două (sau mai multe) segmente:- In-Sample: Folosit pentru optimizare, pentru a găsi parametrii optimi.
- Out-of-Sample: Acest segment este „ascuns” și nu este folosit în procesul de optimizare. După optimizare, parametrii optimi sunt testați pe acest segment printr-un backtest obișnuit pentru a vedea rezultatele.
Unele platforme de tranzacționare (de exemplu, MT5 ) oferă în testerele de strategie funcția de „Forward Testing ” (testare înainte), care automatizează procesul de împărțire a datelor și testare.
Concluzie: Pașii cheie pentru validarea rezultatelor optimizării
Optimizarea parametrilor EA poate face strategia să pară mai bună, dar trebuie validată.- Testarea In-Sample vă ajută să găsiți parametrii „promițători”.
- Testarea Out-of-Sample vă ajută să verificați dacă acești parametri sunt cu adevărat „de încredere”.
Prin aceste două teste, puteți înțelege mai profund robustețea strategiei EA și reduceți eficient riscul de overfitting, luând decizii de tranzacționare mai înțelepte.
Ultimul sfat: Chiar dacă un EA performează bine atât pe date In-Sample, cât și pe Out-of-Sample, acestea sunt totuși bazate pe date istorice.
Pasul final și cel mai important înainte de a investi bani reali este să efectuați testare în timp real pe Cont demo.
Lăsați EA-ul să ruleze o perioadă în condițiile actuale de piață și observați performanța reală – aceasta este adevărata probă finală.
Dacă credeți că acest articol v-a fost de ajutor, vă rugăm să-l împărtășiți cu prietenii.
Permiteți-le mai multor oameni să învețe împreună despre tranzacționarea valutară!
Permiteți-le mai multor oameni să învețe împreună despre tranzacționarea valutară!
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