In-sample contro out-of-sample
I dati in-sample sono il periodo storico usato per scegliere le regole e i parametri di una strategia; i dati out-of-sample sono un periodo successivo che non ha contribuito a quella scelta e serve solo a valutare il risultato congelato. La distinzione conta perché una performance misurata sui dati che hanno selezionato i parametri sovrastima ciò che gli stessi parametri avrebbero reso su dati mai visti.
Senzoukria · Glossario · Aggiornato a settembre 2026
Due compiti per due periodi
La divisione va decisa prima di guardare i parametri. Se il confine viene spostato dopo aver visto i risultati, o se il periodo di test viene usato per scegliere tra due finalisti, quel periodo è diventato dato in-sample, qualunque etichetta porti.
| Periodo | Serve a | Non deve servire a |
|---|---|---|
| In-sample (addestramento) | Scegliere regole, soglie, parametri | Riportare la performance come se fosse ottenibile |
| Out-of-sample (test) | Valutare una volta la configurazione congelata | Ritoccare qualunque cosa dopo aver visto il risultato |
| Holdout finale | Un'ultima valutazione di decisioni già prese | Qualsiasi ulteriore selezione |
Perché le due curve divergono
Qualunque ottimizzatore si adatta sia alla struttura ripetibile dei dati di addestramento sia ai loro schemi accidentali. La parte accidentale non si ripete, quindi il risultato fuori campione conserva solo la parte strutturale. Una salita regolare in-sample seguita da un tratto out-of-sample piatto o in discesa è la firma ordinaria di una regola che si è adattata soprattutto al rumore. Una certa divergenza è attesa anche per una regola sana; quello che conta è quanta parte del risultato in-sample sopravvive e se la parte sopravvissuta copre i costi.
Come ottenere evidenza fuori campione
- Una sola divisione cronologica: addestra sulla parte iniziale, testa una volta sulla parte finale.
- Walk-forward: divisioni ripetute lungo lo storico, ogni finestra di test preceduta dalla propria finestra di addestramento.
- Uno strumento o una sessione diversi per la stessa regola, quando la logica della regola non è specifica di uno strumento.
- Un forward test su conto simulato dopo il lavoro storico, che aggiunge il comportamento del flusso dati live ma nessuna certezza sui riempimenti.
In Senzoukria
Dopo un run walk-forward nel pannello Backtest automatico, il report mostra un grafico intitolato In-sample contro out-of-sample, con la curva vista dall'ottimizzatore tratteggiata contro quella che avresti avuto davvero, ciascuna tracciata sul proprio numero di operazioni. Il testo del pannello dà la lettura: un in-sample che sale dritto sopra un out-of-sample piatto è il disegno dell'overfitting, prima che lo dica qualsiasi numero.
Ogni segmento del report è elencato con il suo periodo di Addestramento e il suo Test reale, così il confine tra i due periodi si vede invece di restare sottinteso. La sezione Gauntlet aggiunge uno Sharpe deflazionato calcolato sulle operazioni fuori campione e il numero di configurazioni provate. Questi report riassumono il proprio protocollo sui dati forniti; un'etichetta favorevole non è una certificazione sui risultati futuri.
Errori frequenti
- Guardare il periodo di test mentre si progetta la regola, e poi dichiararlo fuori campione.
- Riottimizzare sull'holdout dopo un risultato deludente, trasformandolo in silenzio in dato di addestramento.
- Scegliere un periodo di test così corto che il verdetto lo decidono poche operazioni.
- Mettere la curva in-sample nel riepilogo e citare quella out-of-sample solo in appendice.
Correlati
Questa pagina in altre lingue
Domande frequenti
- Quanti dati devono restare fuori campione?
- Non esiste un rapporto universale. Il periodo di test ha bisogno di abbastanza operazioni perché il risultato significhi qualcosa, e il periodo di addestramento di abbastanza dati per adattare la regola senza inseguire eventi isolati. Decidi la divisione partendo dalla frequenza operativa della regola prima di lanciare qualsiasi cosa, mettila per iscritto e non spostarla dopo aver visto i risultati.
- Posso riutilizzare un periodo out-of-sample?
- Solo perdendone lo statuto. Ogni decisione presa dopo aver guardato il risultato di un periodo rende quel periodo parte del processo di selezione. Tieni da parte un periodo finale mai toccato per l'ultima valutazione, e accetta che una volta usato per decidere qualcosa serva un periodo nuovo per la decisione seguente.
- Un buon risultato fuori campione prova un edge?
- È un'evidenza migliore di un risultato in-sample, non una prova. Il periodo fuori campione resta un'unica estrazione di storia, sotto un solo modello di esecuzione e un solo insieme di costi. Per pesarlo servono la sensibilità a costi più alti, la stabilità sui parametri vicini e il conto di quante regole sono state provate.