Ir trīs galvenās pieejas atpakaļpārbaudes stratēģijām: faktisko cenu datu izmantošana, kas sadalīti trīs grupās; bootstrap, kas izmanto faktiskās cenas datus, bet tos atkārtoti iztver; un Montekarlo simulācija. Pastāv teorētiskas problēmas, kuru dēļ sistēmu veidotāji dalās par to, kura metode ir vislabākā. Tirgotājam ir svarīgi, lai viņš savā sistēmā pareizi izmantotu vismaz vienu no atpakaļpārbaudes stratēģijām, pirms tam uztic savu tirdzniecības kapitālu. Kritisks jautājums, izvēloties atpakaļpārbaudes stratēģiju, ir ģenerēto darījumu skaits; katrā sistēmas veidotāja darba posmā ir nepieciešami vismaz 1,000 darījumi.
Faktisko cenu datu izmantošana, kas sadalīta trīs daļās, ir parasts sākuma punkts lielākajai daļai sistēmu veidotāju. Sistēma tiek izveidota, izmantojot pirmo trešdaļu datu. Šobrīd būvētājs ir atradis algoritmus, kas, šķiet, rada pietiekami lielu peļņu ar pietiekami mazu risku, lai piedāvātu labas izredzes. Otrā viena trešdaļa datu tiek izmantota sistēmas optimizēšanai.
Pēc sistēmas optimizācijas tā tiks piemērota atlikušajai vienai trešdaļai datu. To sauc par ārpusizlases testēšanu, un tā ir vieta, kur vairums sistēmu neizdodas. Ja sistēmai joprojām ir labi rezultāti vismaz 1,000 darījumos, sistēmas veidotājam ir dzīvotspējīga sistēma. Ja sistēma ārpusizlases testēšanā ģenerē mazāk nekā 1,000 darījumu, izstrādātājam jāapsver cita atpakaļpārbaudes stratēģija.
Bootstrapping ir metode, kā iegūt dažus datus no kopējās kopas, testēt, ievietot datus atpakaļ un iegūt vairāk datu, vai atkārtotu iztveršanu un atkārtotu testēšanu. Ideālais atkārtoto paraugu skaits ir nn vai n līdz n-tajai pakāpei, kur n ir datu skaits sākotnējā izlasē. Tirgotājam, kurš, visticamāk, nodarbojas ar vismaz 2,500 datu punktiem — 250 dienas gadā 10 gadu garumā, tas nav praktiski. Par laimi, 100 atkārtoti paraugi nodrošinās augstu pārliecības līmeni, ka sāknēšanas paraugs atspoguļos sākotnējos datus, padarot rezultātus ticamus. Ja 100 atkārtotu paraugu ņemšana nenodrošina nepieciešamos 1,000 darījumus, tirgotājam ir jāturpina atkārtota izlase, līdz šis mērķis ir sasniegts, ja viņš sagaida, ka sistēma, nevis tikai datu atkārtota atlase, būs uzticama.
Pēdējā atpakaļpārbaudes stratēģiju metode ir Montekarlo (MC) simulācija. Šī metode izmanto datoru, lai ģenerētu simulētus datus, un sistēma pēc tam tiek pārbaudīta ar šiem datiem. MC simulācijas priekšrocība ir tāda, ka var izveidot neierobežotu datu apjomu, ļaujot ģenerēt 10,000 XNUMX darījumu vai jebkuru citu darījumu skaitu. Vēl viena priekšrocība ir tā, ka katra jauna datu kopa ir ārpus izlases. Tas piedāvā iespēju veikt atkārtotus optimizācijas un testēšanas braucienus; vienkārši optimizējiet šo datu kopu un pēc tam lietojiet šos sistēmas parametrus nākamajiem datora ģenerētajiem datiem.
MC simulācijas trūkums ir tāds, ka datiem var nebūt tieši tāda pati varbūtības sadalījuma funkcija, kāda ir tirdzniecības datiem, kas var izkropļot rezultātus. Labākajā no visām iespējamajām pasaulēm sistēmas pārbaudes procesā ir jāizmanto visas trīs atpakaļpārbaudes stratēģijas. Panākumiem visos trijos vajadzētu piedāvāt ļoti lielu veiksmes iespējamību reālajā tirdzniecībā.