{"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\/sv\/ea-out-of-sample-validation-guide\/","title":{"rendered":"EA Utv\u00e4rdering Avancerad: Anv\u00e4nd Out-of-Sample-testning f\u00f6r att verifiera strategin och s\u00e4ga adj\u00f6 till \u00f6veranpassning"},"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: Hur kan du p\u00e5 ett mer tillf\u00f6rlitligt s\u00e4tt utv\u00e4rdera din EA?<\/strong> <\/h2>\n\nI den f\u00f6reg\u00e5ende artikeln pratade vi om hur man \"optimerar\" (Optimization) din Expert Advisor (EA), det vill s\u00e4ga justerar parameterinst\u00e4llningarna f\u00f6r att f\u00e5 b\u00e4ttre resultat p\u00e5 historiska data.
\nVi n\u00e4mnde ocks\u00e5 att man m\u00e5ste vara f\u00f6rsiktig med f\u00e4llan \"\u00f6veranpassning\" (Overfitting), vilket inneb\u00e4r att EA anpassar sig alltf\u00f6r perfekt till tidigare data och d\u00e4rf\u00f6r kan prestera d\u00e5ligt i framtiden.

\n\nS\u00e5 hur vet vi om de \"b\u00e4sta\" parameterinst\u00e4llningarna som optimeringen hittat verkligen har l\u00e4rt sig marknadens m\u00f6nster, eller bara \"memorerat\" tidigare data?
\nH\u00e4r blir begreppen In-Sample Testing och Out-of-Sample Testing mycket viktiga.
\nDe hj\u00e4lper oss att p\u00e5 ett mer tillf\u00f6rlitligt s\u00e4tt utv\u00e4rdera EA-strategin.

\n\n\"\"

\n\n

Vad \u00e4r In-Sample Testing?<\/strong> <\/h3>\n\n

Enkelt sagt:<\/strong> <\/h4>\nIn-Sample Testing avser den del av historiska data som du anv\u00e4nder under optimeringsprocessen.

\n\n

Som att repetera i l\u00e4roboken:<\/strong> <\/h4>\nF\u00f6rest\u00e4ll dig att du f\u00f6rbereder dig f\u00f6r ett prov genom att repetera de viktiga delarna i l\u00e4roboken som l\u00e4raren markerat.
\nN\u00e4r EA optimeras \"l\u00e4r\" den sig fr\u00e5n denna In-Sample-data och hittar de parametrar som presterar b\u00e4st p\u00e5 just denna data.

\n\n

Vad \u00e4r syftet?<\/strong> <\/h4>\nAtt hitta den parameterkombination som ger b\u00e4st resultat p\u00e5 denna specifika historiska data.

\n\n

Begr\u00e4nsningar?<\/strong> <\/h4>\nBra resultat p\u00e5 In-Sample-data garanterar inte bra resultat i framtiden.
\nEA kan ha \"memorerat\" speciella m\u00f6nster eller brus i denna data ist\u00e4llet f\u00f6r att ha l\u00e4rt sig verkligt generella regler.
\nDet \u00e4r risken med \u00f6veranpassning.

\n\n

Vad \u00e4r Out-of-Sample Testing?<\/strong> <\/h3>\n\n

Enkelt sagt:<\/strong> <\/h4>\nOut-of-Sample Testing inneb\u00e4r att man testar de \"b\u00e4sta\" parametrarna som hittats i In-Sample-testet p\u00e5 en helt annan del av historiska data som inte anv\u00e4nts under optimeringen.

\n\n

Som att g\u00f6ra ett \u00f6vningsprov:<\/strong> <\/h4>\nEfter att ha repeterat l\u00e4roboken (In-Sample Testing) g\u00f6r du ett \u00f6vningsprov som du aldrig sett f\u00f6rut (Out-of-Sample-data) f\u00f6r att testa hur v\u00e4l du har l\u00e4rt dig.
\nOut-of-Sample Testing l\u00e5ter din EA anv\u00e4nda de optimerade parametrarna p\u00e5 data den \"inte sett\" tidigare.

\n\n

Vad \u00e4r syftet?<\/strong> <\/h4>\nAtt se hur den \"b\u00e4sta\" parameterupps\u00e4ttningen presterar p\u00e5 ny, ok\u00e4nd historisk data.
\nDet hj\u00e4lper dig att avg\u00f6ra om EA verkligen har l\u00e4rt sig n\u00e5got anv\u00e4ndbart eller bara klarar av In-Sample-testet.

\n\n

Hur hj\u00e4lper det dig?<\/strong> <\/h4>\n