Home/Glossario/Data snooping
Home/Glossario/Data snooping
Analisi e metriche

Data snooping

Di Jarosław Wasiński (EN) • Pubblicato:
Bias che nasce dalla ricerca ripetuta o dal riutilizzo degli stessi dati per selezionare regole attraenti. Un modello può adattarsi a caratteristiche storiche accidentali invece che a un meccanismo ripetibile. Il problema include modificare ripetutamente una strategia dopo averne visto i risultati su un insieme di valutazione presumibilmente indipendente. Differisce dal look-ahead bias, anche se possono verificarsi insieme.
Esempio. Per 50 test indipendenti di ipotesi nulle vere a α = 0.05, il numero atteso di falsi rifiuti è 2.5. La probabilità di almeno uno è 1−0.95⁵⁰ ≈ 92.3%. Le varianti effettive delle strategie di solito non sono indipendenti.

Come funziona

Registrare l’intera famiglia di tentativi: parametri, filtri, strumenti e versioni rifiutate. Separare sviluppo e valutazione finale. Esaminare ripetutamente un campione di test lo rende parte della selezione del modello e ne compromette il ruolo originario di verifica indipendente.

Errore comune

Il 92.3% del modello non significa che una particolare strategia selezionata abbia quella probabilità di essere falsa. La correzione per test multipli può aiutare, ma non elimina la contaminazione informativa o un modello di esecuzione inaccurato.

Approfondimenti

Nel corso: 5.12 Automazione e screening nell’analisi tecnica — strumenti, processo e insidie; 15.4 Backtesting e test forward — metodi, prove e insidie. Fonti: ASA: dichiarazione sul p-value.

Un registro delle decisioni di ricerca

Registrare filtri scartati, strumenti e modifiche manuali, oltre ai file salvati. Se una condizione è stata scelta dopo aver esaminato un campione di test, quell’insieme è entrato nello sviluppo. Un test finale richiede dati indipendenti da quelle decisioni di selezione.

Fonte primaria verificata l’11 ottobre 2026: stat.ethz.ch.

Domande frequenti

Un buon risultato fuori campione elimina il problema?
Non automaticamente. Contano procedure di selezione, prove precedenti e indipendenza dei dati di valutazione dalle decisioni progettuali.
Chiamare un insieme di dati OOS lo rende indipendente?

No. Conta l’influenza effettiva sulla selezione delle regole, non l’etichetta della cartella.

← Torna al glossario completo

Jarosław Wasiński

Caporedattore, ForexMechanics.com • Analista macro e FX

Analista indipendente e professionista con oltre 20 anni di esperienza nei mercati finanziari. Attivo nel Forex dal 2004, con un focus sull'analisi fondamentale, la struttura del mercato OTC e la gestione disciplinata del rischio di capitale.

  • Fondatore e caporedattore di MyBank.pl, che offre formazione finanziaria affidabile dal 2004.
  • Autore di centinaia di commenti di mercato approfonditi, analisi strutturali e materiali didattici per trader e investitori.
  • Sostenitore della trasparenza del mercato, promuovendo una formazione basata su dati concreti e report istituzionali (BIS, ESMA, CFTC).

Tutti i contenuti hanno carattere esclusivamente didattico e informativo – non costituiscono consulenza di investimento né alcuna raccomandazione. Ricorda: il trading con leva (Forex/CFD) comporta un elevato rischio di rapida perdita del capitale.