Walk Forward Testing Trading System

Pengujian maju-maju AmiBroker 5.10 dilengkapi mode uji Walk-Forward otomatis. Uji maju otomatis adalah teknik perancangan dan validasi sistem di mana Anda mengoptimalkan nilai parameter pada segmen data pasar masa lalu (8221in-sample8221), kemudian memverifikasi kinerja sistem dengan mengujinya dalam waktu tepat pada data setelah pengoptimalan Segmen (8221out-of-sample8221). Anda mengevaluasi sistem berdasarkan seberapa baik kinerjanya pada data uji (8221out-of-sample8221), bukan data yang dioptimalkan. Prosesnya bisa diulang pada segmen waktu selanjutnya. Ilustrasi berikut menunjukkan bagaimana proses kerjanya. Tujuan walk-forward test adalah untuk mengetahui kapanpun kinerja sistem trading yang optimal adalah realistis atau hasil curve-fitting. Kinerja sistem dapat dianggap realistis jika memiliki nilai predisitive dan berkinerja baik pada data pasar yang tidak terlihat (out-of-sample). Bila sistem dirancang dengan benar, kinerja perdagangan real-time harus sesuai dengan yang ditemukan selama pengoptimalan. Jika sistem ini akan bekerja dalam real trading, maka pertama-tama harus lulus uji walk-forward. Dengan kata lain, kita tidak benar-benar peduli dengan hasil dalam sampel karena mereka (atau seharusnya) selalu baik. Yang penting adalah kinerja sistem out-of-sample. Ini adalah perkiraan realistis bagaimana sistem akan bekerja dalam perdagangan riil dan dengan cepat akan mengungkapkan masalah yang sesuai dengan kurva. Jika kinerja out-of-sample buruk maka Anda seharusnya tidak menukar sistem seperti itu. Premis untuk melakukan beberapa langkah pengoptimalan dari waktu ke waktu adalah bahwa masa lalu adalah fondasi yang lebih baik untuk memilih nilai parameter sistem daripada masa lalu yang jauh. Kami berharap nilai parameter yang dipilih pada segmen optimasi akan sesuai dengan kondisi pasar yang segera mengikuti. Ini mungkin atau mungkin tidak terjadi karena pasar melewati siklus bearbull, jadi perhatian harus dilakukan saat memilih periode in-sample. Untuk informasi lebih lanjut tentang perancangan dan verifikasi sistem dengan menggunakan prosedur walk-forward dan semua masalah yang terlibat, kami dapat merekomendasikan buku Howard Bandys: quotQuantitative Trading Systemsquot (lihat tautan di halaman AmiBroker). Untuk menggunakan pengoptimalan Walk-Forward ikuti langkah-langkah ini: Goto Tools-gtAutomatic Analysis Klik tombol Settings, lalu beralih ke tab Walk-Forward Di sini Anda dapat melihat Walk forward settings untuk In-sample optimization, out-of-sample backtest Tanggal mulai dan akhir Menandai periode awal mulai akhir Periode ini akan dipindahkan ke depan oleh Langkah sampai Akhir mencapai tanggal terakhir. Tanggal mulai dapat bergerak maju demi langkah juga, atau dapat berlabuh (konstan) jika cek Tertarik aktif. Jika Anda menandai Use today maka tanggal terakhir yang dimasukkan akan diabaikan dan TODAY (current date) akan digunakan sebagai gantinya. Secara default sebuah 8220EASY MODE8221 dipilih yang menyederhanakan proses pengaturan parameter WF. Ini mengasumsikan bahwa: a) Segmen out-of-sample dengan cepat mengikuti segmen sampel-sampel b) panjang segmen out-of-sample sama dengan langkah maju Berdasarkan dua asumsi ini, mode 8220EASY8221 mengambil dalam-sampel tanggal END Dan menetapkan START tanggal di luar hari ke hari berikutnya. Kemudian tambahkan STEP sampel dalam sampel dan ini menjadi tanggal END yang tidak seperti contoh. Nilai contoh In-sample dan Out-of-sample diatur ke nilai yang sama. Mode 8220EASY8221 menjamin kebenaran pengaturan prosedur WF. Anda harus menggunakan Easy Module (EOD) saat melakukan pengujian pada data akhir hari atau Easy mode (Intraday) saat menguji data intraday. Perbedaannya adalah bahwa dalam mode EOD tanggal END periode sebelumnya dan tanggal START periode berikutnya sama - sehingga menghindari kesenjangan antar periode. Mode intraday mengatur tanggal START periode berikutnya sebagai NEXT DAY setelah END pada periode sebelumnya. Itu menjamin bahwa hari batas tidak dihitung dua kali saat pengujian data intraday. Dalam mode Advanced. Pengguna memiliki kontrol penuh atas semua nilai, sejauh hal itu mungkin bukan merupakan prosedur WF yang valid. Antarmuka memungkinkan untuk memilih sampel dalam sampel dan out-of-sample dengan mudah menggunakan kotak centang di bagian atas (untuk hal-hal khusus seperti menjalankan backtests berurutan tanpa pengoptimalan). Semua pengaturan dengan segera tercermin dalam daftar PREVIEW yang menunjukkan semua segmen ISOOS yang dihasilkan dan tanggalnya. Target Optimisasi 8220 bidang 8221 mendefinisikan pemodelan raport COLUMN NAME yang akan digunakan untuk menyortir hasil dan menemukan yang TERBAIK. Setiap kolom built-in dapat digunakan (seperti yang muncul pada keluaran pengoptimalan), atau Anda dapat menggunakan metrik khusus yang Anda tetapkan di backtester khusus. Defaultnya adalah CARMDD, namun Anda bisa memilih metrik built-in lainnya dari combo. Anda juga dapat menambahkan JENIS-DALAM metrik khusus yang telah Anda tambahkan melalui antarmuka pengatur gaya ubahsuaian. Setelah Anda menentukan pengaturan Walk-Forward, masuklah ke Automatic Analysis dan tekan tombol dropdown ARROW pada tombol Optimize dan pilih 8220Walk Forward Optimization8221 Ini akan menjalankan urutan optimizaitons dan backtest dan hasilnya akan ditampilkan di dokumen 8220Walk Forward8221 yang terbuka di Bingkai aplikasi utama Saat pengoptimalan berjalan, Anda dapat mengeklik tombol 8220MINIMIZE8221 pada dialog Kemajuan untuk meminimalkannya - ini memungkinkan untuk melihat keluaran Walk Forward selama langkah pengoptimalan. Ekuitas gabungan IN-CONTOH dan KELUAR DARI SAMPEL Ekuitas gabungan sampel dalam sampel dan contoh keluar tersedia oleh tickers komposit OSEQUITY (periode berturut-turut IS dan OOS digabungkan dan disesuaikan untuk menjaga kesinambungan garis ekuitas - pendekatan ini mengasumsikan bahwa Anda pada umumnya Berbicara adalah keuntungan majemuk). Untuk menampilkan ekuitas IS dan OOS yang bisa Anda gunakan misalnya ini: ISEQUITY. Dalam contoh ekuitas warna merah . StyleLine) PlotForeign (laporan ringkasan OUT-OF-SAMPLE (baru di 5.60) Versi 5.60 membawa laporan ringkasan walk-forward baru yang mencakup semua langkah-langkah di luar sampel. Hal ini terlihat di Report Explorer sebagai yang terakhir dan memiliki tipe quotPSquot Ada perubahan signifikan untuk berjalan di depan pengujian yang dilakukan agar ringkasan laporan out-of-sample Perubahan yang paling penting adalah bahwa setiap uji out-of-sample berikutnya menggunakan ekuitas awal sama dengan ekuitas akhir langkah sebelumnya. (Sebelumnya menggunakan initial konstan Ekuitas) Perubahan ini diperlukan untuk menghitung semua statistik yang benar di seluruh bagian uji di luar sampel. Ringkasan laporan menunjukkan catatan bahwa metrik bawaan benar mewakili semua langkah di luar sampel namun metrik khusus ringkasan disusun dengan menggunakan Metode yang dapat ditentukan pengguna: 1 nilai langkah pertama, 2 nilai langkah terakhir, 3 sum, 4 rata-rata, 5 minimum, 6 maksimum. Secara default, ringkasan laporan menunjukkan nilai langkah terakhir dari metrik khusus. Pengguna UNLESS menentukan metode penggabungan yang berbeda di bo. AddCustom Metrik () panggilan Bo. AddCustomMetrics sekarang memiliki parameter opsional baru - CombineMethod bool AddCustomMetric (Judul String, varian Nilai, varian varian opsional LongOnlyValue, varian opsional ShortOnlyValue varian opsional DecPlaces 2, varian opsional CombineMethod 2) Metode ini menambahkan metrik khusus ke laporan backtest, backtest quotsummaryquot dan Daftar hasil optimasi Judul adalah nama metrik yang akan ditampilkan dalam laporan, Value adalah nilai dari metrik, argumen opsional LongOnlyValue, ShortOnlyValue memungkinkan untuk memberikan nilai untuk kolom longshort-only tambahan di laporan backtest. Argumen terakhir DecPlaces mengontrol berapa banyak desimal yang harus digunakan untuk menampilkan nilainya. Nilai CombineMethod yang Didukung adalah: 1 nilai langkah pertama, - laporan ringkasan akan menunjukkan nilai metrik khusus dari langkah keluar pertama sampel langkah 2 nilai langkah terakhir (default), - laporan ringkasan akan menunjukkan nilai metrik khusus dari yang terakhir Out-of-sample step 3 sum, - ringkasan laporan akan menunjukkan jumlah nilai metrik khusus dari semua dari contoh langkah 4 rata-rata, - laporan ringkasan akan menunjukkan rata-rata nilai metrik khusus dari semua contoh langkah 5 minimum, - laporan ringkasan akan menunjukkan nilai terkecil dari metrik khusus dari semua dari contoh langkah 6 maksimum.- laporan ringkasan akan menunjukkan nilai metrik khusus terbesar dari semua langkah sampel Perhatikan bahwa metode perhitungan metrik tertentu rumit dan untuk Contoh rata-rata mereka tidak akan mengarah pada representasi matematis yang benar dari semua uji sampel. Ringkasan semua metrik built-in secara matematis benar out-of-the-box (yaitu mereka rata-rata tidak, tapi metrik yang benar dihitung dengan menggunakan metode yang sesuai untuk nilai yang diberikan). Ini berbeda dengan metrik khusus, karena mudah dikenali pengguna dan terserah kepada pengguna untuk memilih metode kombinasi, dan tetap saja terjadi bahwa tidak ada metode yang tersedia yang sesuai. Oleh karena itu, laporan tersebut mencakup catatan yang menjelaskan metode yang dapat ditentukan pengguna yang digunakan untuk menggabungkan metrik khusus. Pengujian Kanan dan Teruskan: Pentingnya Hubungan Korelasi yang ingin mencoba ide perdagangan di pasar live sering membuat kesalahan dengan mengandalkan Seluruhnya pada backtesting hasil untuk menentukan apakah sistem akan menguntungkan. Sementara backtesting dapat memberi para pedagang informasi berharga, ini sering menyesatkan dan hanya satu bagian dari proses evaluasi. Pengujian di luar sampel dan pengujian kinerja ke depan memberikan konfirmasi lebih lanjut mengenai keefektifan sistem, dan dapat menunjukkan sistem warna yang benar, sebelum uang riil ada di telepon. Korelasi yang baik antara backtesting, out-of-sample dan forward performance testing results sangat penting untuk menentukan kelayakan sistem trading. (BackTesting: Interpreting the Past.) Backtesting Basics Backtesting mengacu pada penerapan sistem perdagangan ke data historis untuk memverifikasi bagaimana sistem akan melakukan selama Jangka waktu yang ditentukan. Banyak platform perdagangan todays mendukung backtesting. Pedagang dapat menguji gagasan dengan beberapa penekanan tombol dan mendapatkan wawasan tentang keefektifan sebuah gagasan tanpa mempertaruhkan dana dalam akun perdagangan. Backtesting dapat mengevaluasi gagasan sederhana, seperti bagaimana crossover rata-rata bergerak akan tampil pada data historis, atau sistem yang lebih kompleks dengan berbagai masukan dan pemicu. Selama sebuah ide dapat diukur, dapat dilacak kembali. Beberapa pedagang dan investor mungkin mencari keahlian dari seorang pemrogram yang berkualifikasi untuk mengembangkan gagasan tersebut menjadi bentuk yang dapat diuji. Biasanya ini melibatkan programmer yang mengkodekan gagasan ke dalam bahasa kepemilikan yang diselenggarakan oleh platform perdagangan. Pemrogram dapat memasukkan variabel input yang ditentukan pengguna yang memungkinkan pedagang men-tweak sistem. Contoh dari hal ini adalah pada sistem crossover moving average sederhana yang disebutkan di atas: trader akan dapat memasukkan (atau mengubah) panjang dari dua moving averages yang digunakan pada sistem. Pedagang bisa melakukan backtest untuk menentukan rata-rata pergerakan rata-rata yang akan melakukan yang terbaik pada data historis. (Dapatkan lebih banyak wawasan dalam Tutorial Perdagangan Elektronik.) Studi Optimalisasi Banyak platform perdagangan juga memungkinkan dilakukannya studi pengoptimalan. Ini memerlukan jangkauan untuk input yang ditentukan dan membiarkan komputer melakukan matematika untuk mencari tahu masukan apa yang akan dilakukan dengan sebaik-baiknya. Pengoptimalan multi variabel dapat melakukan perhitungan matematika untuk dua atau lebih variabel gabungan untuk menentukan tingkat mana yang akan menghasilkan hasil terbaik. Misalnya, pedagang dapat memberi tahu program mana masukan yang ingin mereka tambahkan ke dalam strategi mereka sehingga kemudian dioptimalkan untuk bobot ideal mereka mengingat data historis yang diuji. Backtesting bisa jadi menarik karena sistem yang tidak menguntungkan seringkali dapat diubah secara ajaib menjadi mesin pembuat uang dengan sedikit pengoptimalan. Sayangnya, mengutak-atik sistem untuk mencapai tingkat keuntungan masa lalu yang paling sering menghasilkan sistem yang akan berkinerja buruk dalam perdagangan riil. Optimalisasi berlebihan ini menciptakan sistem yang terlihat bagus di atas kertas saja. Kurva pas adalah penggunaan analisis pengoptimalan untuk menghasilkan jumlah tertinggi dari perdagangan yang menang dengan keuntungan terbesar dari data historis yang digunakan dalam periode pengujian. Meskipun terlihat mengesankan dalam hasil backtesting, pemasangan kurva mengarah pada sistem yang tidak dapat diandalkan karena hasilnya pada dasarnya dirancang khusus hanya untuk data dan periode waktu tertentu. Backtesting dan optimizing memberikan banyak keuntungan bagi trader tapi ini hanya bagian dari proses ketika mengevaluasi sistem trading potensial. Seorang pedagang langkah selanjutnya adalah menerapkan sistem data historis yang belum pernah digunakan pada fase backtesting awal. (Rata-rata bergerak mudah dihitung dan, setelah diplot pada diagram, adalah alat bercak visual yang kuat. Untuk informasi lebih lanjut, baca Rata-Rata Bergerak Sederhana Membuat Tren Berdiri.) Data Sampel vs. Sampel Sampel Saat menguji sebuah gagasan mengenai data historis, ada baiknya untuk menyimpan jangka waktu data historis untuk tujuan pengujian. Data historis awal dimana gagasan tersebut diuji dan dioptimalkan disebut sebagai data dalam sampel. Kumpulan data yang telah dipesan dikenal sebagai data out-of-sample. Penyiapan ini merupakan bagian penting dari proses evaluasi karena memberikan cara untuk menguji gagasan pada data yang belum menjadi komponen dalam model optimasi. Akibatnya, gagasan tersebut tidak akan terpengaruh oleh data out-of-sample dan trader yang akan dapat menentukan seberapa baik kinerja sistem pada data baru yaitu dalam perdagangan real-life. Sebelum melakukan backtesting atau pengoptimalan, pedagang dapat menyisihkan persentase data historis yang dipesan untuk pengujian di luar sampel. Salah satu caranya adalah membagi data historis menjadi tiga pertiga dan memisahkan sepertiga untuk digunakan dalam pengujian di luar sampel. Hanya data dalam sampel yang harus digunakan untuk pengujian awal dan pengoptimalan apa pun. Gambar 1 menunjukkan garis waktu di mana sepertiga data historis dicadangkan untuk pengujian di luar sampel, dan dua pertiga digunakan untuk pengujian dalam sampel. Meskipun Gambar 1 menggambarkan data out-of-sample pada awal pengujian, prosedur tipikal akan memiliki bagian out-of-sample segera sebelum kinerja ke depan. Gambar 1: Garis waktu yang mewakili panjang relatif sampel dalam sampel dan data di luar sampel yang digunakan dalam proses backtesting. Setelah sistem perdagangan dikembangkan dengan menggunakan data dalam sampel, sistem tersebut siap diterapkan pada data di luar sampel. Pedagang dapat mengevaluasi dan membandingkan hasil kinerja antara sampel dalam sampel dan data di luar sampel. Korelasi mengacu pada kesamaan antara pertunjukan dan keseluruhan tren dari dua kumpulan data. Metrik korelasi dapat digunakan dalam mengevaluasi laporan kinerja strategi yang dibuat selama periode pengujian (fitur yang disediakan oleh sebagian besar platform perdagangan). Semakin kuat korelasi antara keduanya, semakin baik probabilitas bahwa sistem akan berkinerja baik dalam pengujian kinerja maju dan perdagangan langsung. Gambar 2 mengilustrasikan dua sistem yang berbeda yang diuji dan dioptimalkan pada data dalam sampel, kemudian diterapkan pada data di luar sampel. Bagan di sebelah kiri menunjukkan sistem yang jelas-cocok untuk bekerja dengan baik pada data sampel dan benar-benar gagal pada data di luar sampel. Bagan di sebelah kanan menunjukkan sistem yang berjalan baik pada data di dalam dan di luar sampel. Gambar 2: Dua kurva ekuitas. Data perdagangan sebelum setiap tanda panah kuning mewakili pengujian dalam sampel. Perdagangan yang dihasilkan antara panah kuning dan merah menunjukkan pengujian di luar sampel. Perdagangan setelah panah merah berasal dari fase pengujian kinerja ke depan. Jika ada sedikit korelasi antara pengujian di dalam sampel dan di luar sampel, seperti bagan kiri pada Gambar 2, kemungkinan sistem tersebut telah terlalu optimal dan tidak akan berkinerja baik dalam perdagangan langsung. Jika ada korelasi kuat dalam kinerja, seperti terlihat pada bagan kanan pada Gambar 2, tahap evaluasi berikutnya melibatkan jenis pengujian out-of-sample tambahan yang dikenal sebagai pengujian kinerja ke depan. (Untuk lebih banyak membaca tentang peramalan, lihat Peramalan Keuangan: Metode Bayesian.) Dasar-dasar Pengujian Kinerja Teruskan Pengujian kinerja ke depan, juga dikenal sebagai perdagangan kertas. Menyediakan pedagang dengan satu set data out-of-sample lainnya untuk mengevaluasi sebuah sistem. Pengujian kinerja ke depan adalah simulasi perdagangan aktual dan melibatkan mengikuti logika sistem di pasar live. Ini juga disebut perdagangan kertas karena semua perdagangan dieksekusi di atas kertas saja, entri perdagangan dan catatan didokumentasikan bersamaan dengan keuntungan atau kerugian apa pun dari sistem, namun tidak ada transaksi real estat yang dieksekusi. Aspek penting dari pengujian kinerja ke depan adalah mengikuti logika sistem secara tepat, jadi sulit, jika tidak mungkin, untuk secara akurat mengevaluasi langkah proses ini. Pedagang harus jujur ​​tentang setiap entri perdagangan dan keluar dan menghindari perilaku seperti perdagangan memetik ceri atau tidak termasuk perdagangan di atas kertas yang merasionalisasi bahwa saya tidak akan pernah melakukan perdagangan itu. Jika perdagangan terjadi setelah mengikuti logika sistem, maka harus didokumentasikan dan dievaluasi. Banyak broker menawarkan akun trading simulasi dimana perdagangan dapat ditempatkan dan keuntungan dan kerugian yang sesuai dihitung. Menggunakan akun perdagangan simulasi dapat menciptakan suasana semi-realistis untuk berlatih perdagangan dan menilai sistem lebih lanjut. Gambar 2 juga menunjukkan hasil untuk pengujian kinerja ke depan pada dua sistem. Sekali lagi, sistem yang diwakili dalam bagan kiri gagal untuk melakukan jauh melampaui pengujian awal pada data dalam sampel. Sistem yang ditunjukkan di bagan kanan, bagaimanapun, terus tampil dengan baik melalui semua fase, termasuk pengujian kinerja ke depan. Sebuah sistem yang menunjukkan hasil positif dengan korelasi yang baik antara pengujian di dalam sampel, di luar sampel dan di masa depan siap diimplementasikan di pasar live. The Bottom Line Backtesting adalah alat berharga yang tersedia di sebagian besar platform perdagangan. Membagi data historis ke dalam beberapa rangkaian untuk menyediakan pengujian dalam sampel dan di luar sampel dapat memberi para pedagang sarana praktis dan efisien untuk mengevaluasi ide dan sistem perdagangan. Karena kebanyakan pedagang menggunakan teknik pengoptimalan dalam backtesting, penting untuk kemudian mengevaluasi sistem pada data bersih untuk menentukan viabilitasnya. Melanjutkan pengujian out-of-sample dengan pengujian kinerja ke depan memberikan lapisan keamanan yang lain sebelum menerapkan sistem di pasar yang mempertaruhkan uang riil. Hasil positif dan korelasi yang baik antara backtesting in-sample dan out-of-sample dan pengujian kinerja ke depan meningkatkan probabilitas bahwa sistem akan berkinerja baik dalam perdagangan aktual. (Untuk tinjauan menyeluruh mengenai analisis teknis, lihat Analisis Teknis: Pendahuluan.) Nilai total pasar dolar dari semua saham beredar perusahaan. Kapitalisasi pasar dihitung dengan cara mengalikan. Frexit singkatan dari quotFrench exitquot adalah spinoff Prancis dari istilah Brexit, yang muncul saat Inggris memilih. Perintah ditempatkan dengan broker yang menggabungkan fitur stop order dengan perintah limit. Perintah stop-limit akan. Ronde pembiayaan dimana investor membeli saham dari perusahaan dengan valuasi lebih rendah daripada valuasi yang ditempatkan pada. Teori ekonomi tentang pengeluaran total dalam perekonomian dan pengaruhnya terhadap output dan inflasi. Ekonomi Keynesian dikembangkan. Kepemilikan aset dalam portofolio. Investasi portofolio dilakukan dengan harapan menghasilkan laba di atasnya. This. What adalah Analisis Walk Forward Walkay anaylsis adalah proses mengoptimalkan sistem perdagangan dengan menggunakan seperangkat parameter yang terbatas, dan kemudian menguji parameter optimal terbaik yang ditetapkan pada data out-of-sample. Ini mirip dengan bagaimana Anda akan menggunakan expert advisor Anda dalam live trading. Prinsip-prinsip analisis berjalan maju pertama kali dijelaskan dalam buku Evaluasi dan Optimalisasi Strategi Perdagangan oleh Robert Pardo. Untuk melakukan analisis berjalan di MetaTrader, pertama-tama optimalkan expert advisor di Strategy Tester. Kemudian, pilih hasil yang paling menguntungkan di tab Hasil Pengoptimalan, dan lakukan backtest selama periode waktu segera setelah periode optimasi. Tanggal akhir periode optimasi sama dengan tanggal mulai periode pengujian. Proses ini berulang-ulang sampai ukuran sampel yang memuaskan tercapai. Jika penasehat ahli berkinerja baik dalam pengujian, relatif terhadap hasil pengoptimalan, maka orang dapat menyimpulkan bahwa penasihat ahli kemungkinan akan menguntungkan dalam perdagangan langsung. Jika, di sisi lain, penasihat ahli melakukan pengujian dengan buruk, maka parameter pengoptimalan atau lamanya periode pengujian dan pengoptimalan perlu disesuaikan. Jika, setelah banyak usaha, penasehat ahli masih belum berkinerja baik dalam pengujian, maka dapat disimpulkan bahwa sistem perdagangan tidak menguntungkan. Animasi ke kanan menggambarkan prosedur analisis berjalan ke depan. Pengoptimalan dilakukan dalam jangka waktu yang lebih lama (data sampel), dan kemudian parameter yang dioptimalkan diuji selama periode singkat berikutnya (data di luar sampel). Periode pengoptimalan dan pengujian digeser maju, dan proses diulang sampai ukuran sampel yang sesuai tercapai. Sumber Contoh Analisis Berjalan Maju Mari memberi contoh kehidupan nyata: Akan melakukan analisis berjalan maju pada penasihat ahli, dengan menggunakan EURUSD M30. Nah optimalkan expert advisor ini selama 120 hari. Kami memilih 3 atau 4 parameter terpenting untuk dioptimalkan, agar tidak terlalu mengoptimalkan atau melengkung sesuai hasilnya. Juga, lebih sedikit parameter berarti tes yang lebih cepat. Nah pilih hasil yang paling menguntungkan, dan backtest parameter tersebut selama 30 hari segera setelah periode optimasi. Dianjurkan untuk menggunakan periode pengujian kira-kira 25 dari panjang periode pengoptimalan. Setelah kami mencatat hasil kami, pindahkan pengoptimalan dan periode pengujian berikutnya hingga 30 hari. Setelah 12 putaran optimasi dan pengujian berturut-turut, ada baiknya data analisis berjalan sepanjang tahun. Kami membandingkan rata-rata keuntungan harian untuk periode optimasi dengan rata-rata keuntungan harian untuk periode pengujian. Ini akan memberi kita perhitungan yang disebut walk forward efficiency ratio. Rasio efisiensi berjalan maju lebih besar dari 0,5 dianggap hasil yang sangat baik. Inilah yang kita sebut sistem perdagangan yang kuat. Namun, penasihat ahli dapat diperdagangkan sepanjang menguntungkan secara konsisten selama beberapa periode pengujian. Jika rasio efisiensi berjalan maju negatif, berarti itu berarti penasehat ahli tidak berkinerja baik dibandingkan dengan hasil optimasi. Tentu saja, Anda bisa melakukan analisis berjalan maju secara manual di MetaTraders Strategy Tester. Tapi prosesnya membosankan, menyita waktu dan rawan kesalahan. Di sinilah perangkat lunak Walk Forward Analyzer masuk. Program ini secara otomatis akan melakukan analisis berjalan maju menggunakan MetaTraders Strategy Tester dalam jangka waktu tertentu, hanya dengan beberapa pengaturan yang disediakan oleh pengguna.