มีวิธีการหลักสามวิธีสำหรับกลยุทธ์การทดสอบย้อนหลัง: การใช้ข้อมูลราคาจริงแบ่งออกเป็นสามกลุ่ม bootstrap ซึ่งใช้ข้อมูลราคาจริง แต่ทำการทดสอบใหม่ และการจำลอง Monte Carlo มีประเด็นทางทฤษฎีที่แบ่งผู้สร้างระบบตามวิธีที่ดีที่สุด สิ่งสำคัญสำหรับเทรดเดอร์คือเขาใช้กลยุทธ์การ backtesting อย่างน้อยหนึ่งอย่างในระบบของเขาก่อนที่จะเชื่อถือทุนการค้าของเขา ปัญหาสำคัญในการเลือกกลยุทธ์ backtesting คือจำนวนการซื้อขายที่สร้างขึ้น การซื้อขายอย่างน้อย 1,000 รายการเป็นสิ่งจำเป็นในแต่ละขั้นตอนของการทำงานของผู้สร้างระบบ
การใช้ข้อมูลราคาจริงแบ่งออกเป็นสามส่วนเป็นจุดเริ่มต้นปกติสำหรับผู้สร้างระบบส่วนใหญ่ ระบบถูกสร้างขึ้นโดยใช้หนึ่งในสามของข้อมูลแรก ณ จุดนี้ผู้สร้างได้ค้นพบอัลกอริทึมที่ดูเหมือนว่าจะสร้างผลกำไรมากพอและมีความเสี่ยงน้อยมากที่จะนำเสนอโอกาสที่ดี หนึ่งในสามของข้อมูลที่สองถูกนำมาใช้เพื่อเพิ่มประสิทธิภาพของระบบ
หลังจากระบบได้รับการปรับปรุงแล้วระบบจะนำไปใช้กับข้อมูลที่เหลือหนึ่งในสาม สิ่งนี้เรียกว่าการทดสอบนอกตัวอย่างและเป็นที่ที่ระบบส่วนใหญ่ล้มเหลว หากระบบยังคงให้ผลลัพธ์ที่ดีในการซื้อขายอย่างน้อย 1,000 รายการตัวสร้างระบบจะมีระบบที่ใช้งานได้ หากระบบสร้างการซื้อขายน้อยกว่า 1,000 รายการในการทดสอบที่ไม่อยู่ในกลุ่มตัวอย่างผู้สร้างควรพิจารณากลยุทธ์การทดสอบซ้ำอีกครั้งหนึ่ง
Bootstrapping เป็นวิธีการวาดข้อมูลบางอย่างจากชุดการทดสอบการใส่ข้อมูลกลับมาและการดึงข้อมูลเพิ่มเติมหรือการสุ่มใหม่และการทดสอบซ้ำ จำนวนตัวอย่างที่เหมาะสมที่สุดคือ n n หรือ n กำลัง n n โดยที่ n คือจำนวนข้อมูลในตัวอย่างดั้งเดิม สำหรับผู้ค้าที่มีแนวโน้มที่จะจัดการกับจุดข้อมูลอย่างน้อย 2,500 จุด - 250 วันต่อปีตลอด 10 ปี - ซึ่งไม่เป็นประโยชน์ โชคดีที่ตัวอย่างใหม่ 100 รายการจะให้ความมั่นใจในระดับสูงว่าตัวอย่างบู๊ตสแตรปจะสะท้อนข้อมูลต้นฉบับทำให้ผลลัพธ์น่าเชื่อถือ หากการสุ่มตัวอย่าง 100 ครั้งไม่ได้ให้การซื้อขาย 1,000 รายการที่ต้องการผู้ซื้อขายจะต้องทำการสุ่มต่อไปจนกว่าจะบรรลุเป้าหมายนั้นหากเขาคาดหวังว่าระบบจะดีกว่าเพียงแค่การสุ่มข้อมูลใหม่เพื่อความน่าเชื่อถือ
วิธีสุดท้ายของกลยุทธ์ backtesting คือการจำลอง Monte Carlo (MC) วิธีนี้ใช้คอมพิวเตอร์ในการสร้างข้อมูลจำลองและระบบจะทำการทดสอบกับข้อมูลนั้น ข้อดีของการจำลอง MC คือสามารถสร้างข้อมูลได้ไม่ จำกัด จำนวนทำให้สามารถสร้าง 10,000 การค้าหรือการซื้อขายอื่น ๆ ข้อดีอีกประการคือชุดข้อมูลใหม่แต่ละชุดไม่อยู่ในกลุ่มตัวอย่าง นี่เป็นโอกาสที่จะทำการเพิ่มประสิทธิภาพและทดสอบซ้ำ เพียงเพิ่มประสิทธิภาพชุดข้อมูลนี้จากนั้นปรับใช้พารามิเตอร์ระบบเหล่านั้นกับข้อมูลถัดไปที่คอมพิวเตอร์สร้าง
ข้อเสียของการจำลอง MC คือข้อมูลอาจไม่มีฟังก์ชั่นการกระจายความน่าจะเป็นเหมือนกันทุกประการที่ข้อมูลการซื้อขายมีซึ่งอาจบิดเบือนผลลัพธ์ ในที่สุดของโลกที่เป็นไปได้ทั้งหมดควรใช้กลยุทธ์การ backtesting ทั้งสามในกระบวนการของการตรวจสอบระบบ ความสำเร็จในทั้งสามควรเสนอโอกาสสูงของความสำเร็จในการซื้อขายจริง
