Taganttestimise strateegiatele on kolm peamist lähenemisviisi: tegelike hindade andmete kasutamine, mis on jagatud kolme rühma; bootstrap, mis kasutab tegelikke hinnaandmeid, kuid proovib need uuesti; ja Monte Carlo simulatsioon. On teoreetilised probleemid, mis jagavad süsteemiehitajaid selle üle, milline meetod on parim. Kaupleja jaoks on oluline, et ta rakendaks enne oma kauplemiskapitali usaldamist oma süsteemis õigesti vähemalt ühte järeltestimise strateegiatest. Kriitiline probleem järeltestimise strateegia valimisel on loodud tehingute arv; süsteemiehitaja töö igas etapis on vaja vähemalt 1,000 tehingut.
Tegelike hinnaandmete kasutamine, mis on jagatud kolmeks osaks, on enamiku süsteemiehitajate jaoks tavaline alguspunkt. Süsteem luuakse kasutades esimest kolmandikku andmetest. Siinkohal on ehitaja leidnud algoritmid, mis näivad teenivat piisavalt kasumit piisavalt väikese riskiga, et pakkuda häid väljavaateid. Teist kolmandikku andmetest kasutatakse süsteemi optimeerimiseks.
Pärast süsteemi optimeerimist rakendatakse seda ülejäänud ühele kolmandikule andmetest. Seda nimetatakse valimiväliseks testimiseks ja see on koht, kus enamik süsteeme ebaõnnestub. Kui süsteemil on endiselt häid tulemusi vähemalt 1,000 tehingu kohta, on süsteemi koostajal elujõuline süsteem. Kui süsteem genereerib valimivälisel testimisel vähem kui 1,000 tehingut, peaks koostaja kaaluma mõnda muud järeltestimise strateegiat.
Bootstrapping on meetod kogukomplektist mõningate andmete väljavõtmiseks, testimiseks, andmete uuesti sisestamiseks ja rohkemate andmete joonistamiseks või uuesti proovivõtmiseks ja uuesti testimiseks. Ideaalne uuesti valimite arv on nn või n astmeni n, kus n on andmete arv algses valimis. Kaupleja jaoks, kes tegeleb tõenäoliselt vähemalt 2,500 andmepunktiga – 250 päeva aastas 10 aasta jooksul – ei ole see otstarbekas. Õnneks annab 100 uuesti proovivõttu suure kindlustunde, et alglaadimisproov peegeldab algandmeid, muutes tulemused usaldusväärseks. Kui 100 uuesti valimi võtmine ei anna vajalikku 1,000 tehingut, peab kaupleja jätkama uuesti valimit kuni selle eesmärgi saavutamiseni, kui ta eeldab, et süsteem, mitte ainult andmete uuesti valimine, on usaldusväärne.
Viimane strateegiate järeltestimise meetod on Monte Carlo (MC) simulatsioon. See meetod kasutab simuleeritud andmete genereerimiseks arvutit ja seejärel testitakse süsteemi nende andmete põhjal. MC-simulatsiooni eeliseks on see, et saab luua piiramatus koguses andmeid, mis võimaldab genereerida 10,000 XNUMX tehingut või mis tahes muud arvu tehinguid. Teine eelis on see, et iga uus andmekogum ei ole valimitest. See annab võimaluse teha korduvaid optimeerimis- ja katsekäike; lihtsalt optimeerige seda andmekogumit ja rakendage need süsteemiparameetrid järgmistele arvuti genereeritavatele andmetele.
MC-simulatsiooni puuduseks on see, et andmetel ei pruugi olla täpselt sama tõenäosusjaotuse funktsiooni, mis kauplemisandmetel, mis võib tulemusi moonutada. Kõigist parimatest võimalikest maailmadest tuleks süsteemi kontrollimise protsessis kasutada kõiki kolme järeltestimise strateegiat. Edu kõigis kolmes peaks pakkuma reaalses kauplemises väga suurt edu tõenäosust.