樣本內測試（In-Sample Testing）是指在交易策略研發階段，用於發現交易邏輯、確定進出場規則以及優化參數設定的初始歷史數據集。因為規則和參數曾使用這段數據設計或調整，樣本內結果容易顯得更漂亮，因此仍需未參與設計的數據繼續檢驗。
它怎麼運作
規則探索與制定：交易者截取某段特定歷史週期（例如 2021–2023 年），在此區間內觀察價格特徵，制定均線週期或突破門檻。
參數最佳化調整：測試不同停損距離、指標週期的表現，從中篩選出在這一歷史階段收益最高、回撤最小的參數組合。
不可避免的樂觀偏差：因為參數就是根據這段數據選出來的，所以在樣本內測試中，策略收益率往往被人工推向完美狀態。
為什麼投資人需要知道
是策略誕生的實驗室，將模糊的主觀交易構想轉變為具體、可統計的規則體系。
明確警示過度擬合（Curve-Fitting）的風險：規則在樣本內貼合得越緊，未來在真實市場死得越快。
為後續的樣本外測試確立基準模型，沒有樣本內的基準就無法量化策略未來的衰減程度。
一個簡單的市場例子
交易者調出某指數 2021 至 2023 年的歷史 K 線，不斷調整均線參數，最終發現「20 日突破配合 ATR 移動停損」在這三年裡勝率高達 58%、盈虧比 2.2。這段 2021–2023 年的數據就是樣本內區間。
常見誤解
把漂亮的樣本內回測當成未來實盤的提款保證，不做任何樣本外驗證就直接投入大資金。
為了抹平樣本內的幾次回撤，不斷疊加附加過濾條件，最終拼湊出一個極其脆弱的過度擬合系統。
把原本劃定的樣本外數據反覆拿來調參，不知不覺讓樣本外數據淪為了新的樣本內數據。
常見問題
為什麼樣本內測試的表現通常比實盤好很多？
因為參數正是根據這段歷史走勢的偶然波動反推出來的。很多純屬隨機的市場雜訊，被誤當成了長期有效的市場規律。
歷史數據應該按什麼比例劃分樣本內和樣本外？
業界常見的經驗比例是將 60% 至 70% 的歷史數據作為樣本內用於研發，保留剩餘 30% 至 40% 的最新數據嚴格作為樣本外進行盲測。
純主觀交易者也能做樣本內測試嗎？
可以。只要你拉開前幾年的某段歷史圖表，邊看邊總結自己的主觀入場型態清單，這段歷史圖表就是你的主觀樣本內試驗田。
僅供教育用途。部分術語在不同國家、機構與市場中的實際用法可能不同。