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) Expert Consultant-ul dvs. (EA), adică să ajustăm setările parametrilor pentru a obține performanțe mai bune pe datele istorice trecute.Am menționat, de asemenea, să fim atenți la capcana „supraînvățării” (Overfitting), adică atunci când EA-ul se potrivește prea perfect datelor trecute, dar poate performa slab în viitor.
Atunci, cum știm dacă setările „optime” găsite prin optimizare au învățat cu adevărat regulile pieței sau doar „au memorat” datele trecute?
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 pe care îl folosiți în procesul de optimizare.Ca și cum ați recapitula manualul:
Imaginați-vă că vă pregătiți pentru un examen, revizuind conținutul manualului marcat cu punctele importante de către profesor.EA-ul, în timpul optimizării, „învață” din aceste date In-Sample, găsind setările parametrilor care performează cel mai bine pe acest segment.
Care este scopul?
Să găsească combinația de parametri care oferă cele mai bune performanțe pe acest segment specific de date istorice.Care sunt limitările?
Performanța bună pe datele In-Sample nu garantează performanțe bune în viitor.EA-ul poate doar să „memoreze” modele sau zgomot specific din aceste date, fără să învețe reguli general valabile.
Aceasta este riscul supraînvățării.
Ce este testarea Out-of-Sample?
Pe scurt:
Testarea Out-of-Sample folosește un alt segment de date istorice, complet neutilizat în procesul de optimizare, pentru a testa setările „optime” găsite în testarea In-Sample.Ca și cum ați face un test simulativ:
După ce ați revizuit manualul (testarea In-Sample), faceți un test simulativ cu o lucrare pe care nu ați văzut-o niciodată (date Out-of-Sample) pentru a vă verifica cunoștințele.Testarea Out-of-Sample permite EA-ului să ruleze cu parametrii optimi pe un segment de date istorice „necunoscut”.
Care este scopul?
Să verificați dacă setul „optim” de parametri performează bine și pe date noi, necunoscute.Acest lucru ajută să determinăm dacă EA-ul a învățat cu adevărat sau doar a trecut testul 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 alarmă 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 ale strategiei vă ajută să vă gestionați așteptările și să reduceți teama de pierderi viitoare.
- Combaterea capcanei supraînvățării: Este una dintre cele mai directe și eficiente metode de a evita supraînvățarea. Mulți sunt păcăliți de rapoartele perfecte de backtest In-Sample, iar testarea Out-of-Sample vă ajută să demascați această „iluzie”.
- Construirea unei încrederi mai realiste: Doar când EA-ul performează rezonabil atât pe date In-Sample, cât și Out-of-Sample, puteți avea o încredere mai realistă în strategie, nu una falsă bazată pe supraînvățare.
Cum se efectuează aceste două teste? (Concept simplu)
De obicei, împărțiți datele istorice pe care le aveți în două (sau mai multe) segmente:- In-Sample: Folosiți acest segment pentru optimizare și găsirea parametrilor optimi.
- Out-of-Sample: „Ascundeți” acest segment, nu îl folosiți deloc în optimizare. După ce optimizarea este gata, rulați un backtest normal pe acest segment cu parametrii optimi găsiți și verificați rezultatele.

Unele platforme de tranzacționare (de exemplu MT5) oferă funcția de „Forward Testing” care poate automatiza procesul de împărțire a datelor și testare.
Rezumat: 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, reducând eficient riscul supraînvățării și luând decizii de tranzacționare mai înțelepte.
Ultimul sfat: Chiar dacă un EA performează bine atât pe testele In-Sample, cât și pe cele Out-of-Sample, acestea sunt totuși bazate pe date istorice.
Pasul final cel mai important înainte de a investi bani reali este întotdeauna testarea în timp real pe „Cont demo”.
Lăsați EA-ul să ruleze o perioadă în condițiile actuale ale pieței 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!