Overfitting (sovradattamento)
L'overfitting, o sovradattamento, è ciò che accade quando una regola di trading viene tarata così da vicino su un unico campione storico da catturarne gli schemi accidentali insieme a quel che c'è di ripetibile: il risultato del backtest sovrastima allora quello che la regola farebbe su dati nuovi. Più parametri ci sono e più configurazioni si provano sugli stessi dati, più è facile produrlo.
Senzoukria · Glossario · Aggiornato a settembre 2026
Come si produce
Ogni campione storico contiene schemi che non si ripeteranno. Una regola con abbastanza pezzi regolabili può essere piegata su di essi: un filtro in più che elimina la peggiore giornata in perdita, una soglia spostata di poco per prendere un vincente in più, un taglio di sessione scelto dopo aver guardato la curva di equity. Ogni ritocco migliora il risultato in-sample e non aggiunge nulla che il futuro sia tenuto a rispettare.
La selezione fa lo stesso lavoro senza toccare la regola. Prova molte configurazioni su un solo campione e tieni la migliore: la migliore di molte estrazioni casuali sembra un edge anche sul rumore puro. Ecco perché il numero di configurazioni provate va annotato accanto al risultato.
Segnali da cercare
- Una salita regolare in-sample seguita da una curva out-of-sample piatta o in discesa.
- Valori di parametro vicini che rendono molto peggio di quello scelto; una regola sana sta di solito su un altopiano, non su un picco.
- Un risultato che crolla appena si alzano i costi di poco.
- Regole con condizioni prive di una ragione economica o di microstruttura dichiarata, aggiunte dopo aver esaminato le perdite.
- Un risultato brillante ottenuto dopo che un gran numero di varianti sono state provate e scartate.
Test che lo smascherano
| Test | Domanda a cui risponde |
|---|---|
| Walk-forward | I parametri scelti sul passato reggono sul periodo che segue? |
| Stabilità dei parametri | La regola funziona ancora a un passo di distanza su ciascun asse? |
| Sharpe deflazionato | Il risultato si distingue dal migliore delle configurazioni provate? |
| Probabilità di overfitting del backtest | Quanto spesso il vincitore in-sample delude fuori campione? |
| Test di permutazione | Il risultato si distingue dal caso su dati rimescolati? |
| Sensibilità ai costi | L'edge sopravvive a commissioni e slippage più alti? |
In Senzoukria
La sezione Gauntlet del pannello Backtest automatico, intitolata Gauntlet — questo edge è reale?, esegue i test qui sopra su un walk-forward terminato: uno Sharpe deflazionato per il numero di configurazioni provate, un test di permutazione contro il puro caso e la Probabilità di overfitting del backtest, costruita su una griglia a periodo pieno in cui ogni configurazione viene rieseguita su tutte le barre. Ogni criterio è marcato eliminatorio o indicativo e la sezione si chiude con GO, NO-GO o CONDIZIONALE.
La lettura dello Sharpe deflazionato è formulata su tre livelli: il risultato sopravvive alla correzione; il numero di configurazioni provate ne spiega buona parte; oppure è indistinguibile dal migliore di un'estrazione casuale, che il pannello descrive come l'aspetto di un overfit. Un grafico di Stabilità dei parametri traccia la configurazione scelta contro le sue vicine immediate sulla griglia e spiega che un altopiano è l'aspetto di un edge reale. Quando la scansione diventa troppo grande, il pannello avverte che oltre quel punto stai misurando la fortuna di un overfit. Sono report sui dati forniti, non una garanzia.
Errori frequenti
- Aggiungere un filtro perché elimina una specifica serie di perdite.
- Ottimizzare su tutto lo storico e poi presentare quello storico come risultato.
- Scambiare un picco stretto nella griglia dei parametri per una scoperta.
- Buttare via il conto delle varianti provate appena ne esce una buona.
Correlati
- Backtest
- Come testare una strategia di trading
- Guida al backtest sui futures
- Scansione dei parametri
- In-sample contro out-of-sample
Questa pagina in altre lingue
Domande frequenti
- Quanti parametri sono troppi?
- Non c'è un numero fisso: conta quanti pezzi regolabili ci sono rispetto al numero di operazioni indipendenti nel campione, e quante combinazioni sono state provate. Una regola con due parametri esplorati su centinaia di combinazioni su poche decine di operazioni può essere sovradattata quanto una regola con dieci parametri. Annota il conto delle configurazioni e usa una statistica deflazionata che ne tenga conto.
- Un risultato walk-forward è immune dall'overfitting?
- No. Il walk-forward sposta la selezione fuori dalle finestre di test, il che elimina la forma più diretta di sovradattamento, ma chi analizza può comunque sovradattare la procedura stessa cambiando segmenti, griglie o criteri di selezione dopo aver visto l'esito. Fissa quelle scelte prima del run e annota ogni run, compresi quelli che scarti.
- Che cosa mi dice un altopiano di parametri?
- Ti dice che il risultato della regola non dipende dal cadere esattamente su un valore. Se le configurazioni vicine, a un passo di distanza su ciascun asse, rendono quasi altrettanto, la regola sta catturando qualcosa di più ampio di una coincidenza del campione. Un picco isolato circondato da vicine mediocri è il segnale opposto.