Overfitting (przeoptymalizowanie) Overfitting / Curve-fitting
Jak powstaje dopasowanie do szumu
Dane użyte do stworzenia strategii zawierają zarówno możliwe zależności, jak i przypadkowe zdarzenia. Dodawanie filtrów, wybieranie instrumentów i ustawień po obejrzeniu wyniku może przechwytywać te zdarzenia. Liczba wariantów obejmuje także pomysły odrzucone ręcznie. Nietypowy okres wskaźnika sam nie dowodzi błędu, a popularny parametr nie daje ochrony. Kluczowy jest cały proces wyboru i oceny, nie wygląd jednej krzywej.
Wiele prób zmienia interpretację
Dobry wynik najlepszego z wielu modeli nie ma tej samej interpretacji co wynik jednej ustalonej wcześniej reguły. Zależne testy nie spełniają założeń przykładu 64,15%, ale nie przywracają automatycznie wiarygodności zwycięzcy. Raportuj liczbę i zakres poszukiwań. Problem selekcji strategii opisują Bailey i współautorzy, The Probability of Backtest Overfitting; nie wynika z niego jedna uniwersalna kara procentowa.
Jak ograniczać problem
Zamroź definicje i oddziel tworzenie, walidację oraz końcowy test. Sprawdzaj stabilność sąsiednich parametrów, realistyczne koszty i różne okresy, ujawniając te dodatkowe wybory. Po dopasowaniu do kolejnego wyniku walidacyjnego potrzebna jest nowa uczciwa ocena. Nie zmieniaj testu końcowego w zbiór treningowy bez przyznania tego w dokumentacji. Prostota pomaga kontrolować procedurę, ale sama nie dowodzi przewagi.
Wyjaśnienie ekonomiczne nie zastępuje testu
Przekonująca opowieść o popycie, sesji czy zachowaniu banków może zostać dopisana do przypadkowego wyniku po fakcie. Wyjaśnienie powinno generować wcześniej ustaloną, falsyfikowalną hipotezę, z warunkami, przy których wynik jej nie wspiera. Nie odrzucaj każdej porażki jako wyjątkowego rynku. Ustalając kolejne wyjątki, rozszerzasz poszukiwanie reguł; trzeba je zapisać i ponownie ocenić. Zachowaj także nieudane warianty oraz powody zmian.
Diagnoza i zastosowanie
Słaby OOS może także wynikać ze zmiany reżimu, implementacji albo niepewności. Porównaj źródła danych, czasy dostępności i koszty przed wyciągnięciem wniosków. Dziennik badań powinien pokazywać zarówno sukcesy, jak i porażki, z wersjami i datami. W kursie: backtesting i forward testing oraz trading algorytmiczny. Źródło sprawdzone 11 października 2026 r.
Przykład praktyczny
W czysto umownym eksperymencie wykonujesz 20 niezależnych testów, w których wszystkie hipotezy zerowe są prawdziwe, a każdy test ma poziom błędu 5%. Oczekiwana liczba fałszywych odrzuceń wynosi 20 × 0,05 = 1, a prawdopodobieństwo przynajmniej jednego to 1 − 0,95²⁰ ≈ 64,15%. To model wielokrotnych testów, nie rzeczywista stopa błędu każdej optymalizacji Forex.
Najczęstsze pytania
Czy bardzo dobry backtest dowodzi overfittingu?
Czy usunięcie części filtrów rozwiązuje problem?
Powiązane terminy
Gdzie w kursie
Wspominane w artykułach kursu (3)
- Automatyzacja tradingu: EA, skrypty MQL, cBoty i VPS
- Checklisty tradera i tygodniowy workflow — pre-market, pre-trade, EOD/EOW
- Warsztat AI tradera — prompty do analizy, kodu i audytu procesu
Jarosław Wasiński
