Einleitung:

Die Out-of-Sample-Datenfunktion wurde entwickelt, um Handelsroboter mithilfe unabhängiger Marktdaten zu validieren, die nicht Teil der ursprünglichen Trainings- oder Testdatensätze waren. Dies hilft, Overfitting zu vermeiden und stellt sicher, dass Strategien unter realen Handelsbedingungen zuverlässig sind.

Zweck:

Das Hauptziel dieser Funktion ist es, die Robustheit von Handelsstrategien durch die Verwendung ungesehener Daten zu verbessern und die Wahrscheinlichkeit einer konsistenten Performance unter wechselnden Marktbedingungen zu erhöhen.

Funktionsweise:

• Datensegmentierung:Die Funktion trennt die Marktdaten in Trainings- und Out-of-Sample-Datensätze auf, um sicherzustellen, dass die Validierung auf unabhängigen Daten erfolgt.
• Leistungsanalyse:Roboter werden an Out-of-Sample-Daten getestet, um ihre Resilienz und ihre Fähigkeit zur Anpassung an neue Marktbedingungen zu bewerten.

Best Practices:

• Verwenden Sie die Out-of-Sample-Datenfunktion immer bei der Optimierung von Strategien, um die Zuverlässigkeit im Live-Handel zu gewährleisten.
• Vergleichen Sie die Leistungsmetriken sowohl auf den Trainings- als auch auf den Out-of-Sample-Datensätzen, um Overfitting zu vermeiden.