Yra trys pagrindiniai grįžtamojo patikrinimo strategijų metodai: faktinių kainų duomenų naudojimas, suskirstytas į tris grupes; bootstrap, kuris naudoja faktines kainos duomenis, bet iš naujo juos atrenka; ir Monte Karlo modeliavimas. Yra teorinių problemų, dėl kurių sistemų kūrėjai nesutaria, kuris metodas yra geriausias. Prekybininkui svarbu, kad jis teisingai panaudotų bent vieną iš atgalinio patikrinimo strategijų savo sistemoje, prieš patikėdamas jai savo prekybos kapitalą. Kritinė problema renkantis atgalinio patikrinimo strategiją yra sudarytų sandorių skaičius; kiekviename sistemos kūrėjo darbo etape reikia atlikti bent 1,000 sandorių.
Faktinių kainų duomenų naudojimas, suskirstytas į tris dalis, yra įprastas daugelio sistemų kūrėjų pradžios taškas. Sistema sukuriama naudojant pirmąjį trečdalį duomenų. Šiuo metu kūrėjas rado algoritmus, kurie generuoja pakankamai pelno su pakankamai maža rizika, kad būtų geros perspektyvos. Antrasis trečdalis duomenų naudojama sistemos optimizavimui.
Kai sistema bus optimizuota, ji bus taikoma likusiam trečdaliui duomenų. Tai vadinama neimties testavimu, todėl dauguma sistemų sugenda. Jei sistema vis dar turi gerų rezultatų bent 1,000 sandorių, sistemos kūrėjas turi perspektyvią sistemą. Jei sistema sugeneruoja mažiau nei 1,000 XNUMX sandorių neimtinio testavimo metu, kūrėjas turėtų apsvarstyti kitą atgalinio patikrinimo strategiją.
„Bootstrapping“ yra metodas, leidžiantis paimti kai kuriuos duomenis iš viso rinkinio, išbandyti, grąžinti duomenis ir gauti daugiau duomenų, arba pakartotinis atranka ir pakartotinis bandymas. Idealus pakartotinių pavyzdžių skaičius yra nn arba n iki n-osios laipsnio, kur n yra pradinio imties duomenų skaičius. Prekybininkui, kuris greičiausiai susiduria su mažiausiai 2,500 duomenų taškų – 250 dienų per metus per 10 metų – tai nėra praktiška. Laimei, 100 pakartotinių mėginių užtikrins aukštą pasitikėjimo lygį, kad įkrovos pavyzdys atspindės pradinius duomenis, todėl rezultatai bus patikimi. Jei atlikus 100 pakartotinių pavyzdžių nepavyksta atlikti reikiamų 1,000 XNUMX sandorių, prekiautojas turi tęsti pakartotinį atranką, kol bus pasiektas šis tikslas, jei tikisi, kad sistema, o ne tik duomenų atranka, bus patikima.
Paskutinis atgalinio patikrinimo strategijų metodas yra Monte Karlo (MC) modeliavimas. Šis metodas naudoja kompiuterį modeliuotiems duomenims generuoti, o sistema išbandoma naudojant tuos duomenis. MC modeliavimo pranašumas yra tas, kad galima sukurti neribotą duomenų kiekį, leidžiantį sugeneruoti 10,000 XNUMX sandorių ar bet kokį kitą sandorių skaičių. Kitas privalumas yra tai, kad kiekvienas naujas duomenų rinkinys nėra imties. Tai suteikia galimybę pakartotinai optimizuoti ir bandyti; tiesiog optimizuokite šį duomenų rinkinį, tada pritaikykite tuos sistemos parametrus kitiems kompiuterio sugeneruotiems duomenims.
MC modeliavimo trūkumas yra tas, kad duomenys gali turėti ne tą pačią tikimybių pasiskirstymo funkciją, kurią turi prekybos duomenys, o tai gali iškreipti rezultatus. Geriausiame iš visų galimų pasaulių sistemos tikrinimo procese turėtų būti naudojamos visos trys atgalinio patikrinimo strategijos. Visų trijų sėkmė turėtų pasiūlyti labai didelę sėkmės tikimybę realaus pasaulio prekyboje.