样本内测试（In-Sample Testing）是指在交易策略研发阶段，用于发现交易逻辑、确定进出场规则以及优化参数设置的初始历史数据集。因为规则和参数曾使用这段数据设计或调整，样本内结果容易显得更漂亮，因此仍需未参与设计的数据继续检验。
它是怎么运作的
规则探索与制定：交易者截取某段特定历史周期（例如 2021–2023 年），在此区间内观察价格特征，制定均线周期或突破阈值。
参数最优化调整：测试不同止损距离、指标周期的表现，从中筛选出在这一历史阶段收益最高、回撤最小的参数组合。
不可避免的乐观偏差：因为参数就是根据这段数据选出来的，所以在样本内测试中，策略收益率往往被人工推向完美状态。
为什么交易者需要知道
是策略诞生的实验室，将模糊的主观交易构想转变为具体、可统计的规则体系。
明确警示过度拟合（Curve-Fitting）的风险：规则在样本内贴合得越紧，未来在真实市场死得越快。
为后续的样本外测试确立基准模型，没有样本内的基准就无法量化策略未来的衰减程度。
一个简单的市场例子
交易者调出某指数 2021 至 2023 年的历史 K 线，不断调整均线参数，最终发现“20 日突破配合 ATR 跟踪止损”在这三年里胜率高达 58%、盈亏比 2.2。这段 2021–2023 年的数据就是样本内区间。
常见误区
把漂亮的样本内回测当成未来实盘的提款保证，不做任何样本外验证就直接上大资金。
为了抹平样本内的几次回撤，不断叠加附加过滤条件，最终拼凑出一个极其脆弱的过度拟合系统。
把原本划定的样本外数据反复拿来调参，不知不觉让样本外数据沦为了新的样本内数据。
常见问题
为什么样本内测试的表现通常比实盘好很多？
因为参数正是根据这段历史行情的偶然走势反推出来的。很多纯属随机的市场噪音，被误当成了长期有效的市场规律。
历史数据应该按什么比例划分样本内和样本外？
行业内常见的经验比例是将 60% 至 70% 的历史数据作为样本内用于研发，保留剩余 30% 至 40% 的最新数据严格作为样本外进行盲测。
纯主观交易者也能做样本内测试吗？
可以。只要你拉开前几年的某段历史图表，边看边总结自己的主观入场形态清单，这段历史图表就是你的主观样本内试验田。
仅供教育用途。部分术语在不同国家、机构和市场中的具体口径可能不同。