---
title: "Overfitting"
description: "L'overfitting consiste nel calibrare una strategia così strettamente sul passato da catturare rumore: eccellente sullo storico, poi fallisce sui dati nuovi."
canonical_url: "https://fincanva.com/it/glossario/overfitting"
last_updated: "2026-10-06"
md_url: "https://fincanva.com/it/glossario/overfitting.md"
---

# Overfitting

L'overfitting è l'errore di calibrare una [strategia](/it/glossario/strategia) così strettamente su un particolare tratto di dati passati da catturare il rumore contenuto in quei dati anziché un effetto duraturo. Sembra eccellente sullo storico su cui è stata calibrata e va male sui dati che non ha mai visto; lo scarto fra le due prestazioni è la sua firma misurabile.

**Altri nomi:** curve-fitting, sovradattamento

## Come si comporta in Fincanva?

Le regole le definisci tu. Fincanva non ha un ottimizzatore automatico: non cerca valori di parametri né calibra le tue soglie sullo storico al posto tuo, quindi un [backtest](/it/glossario/backtest) riporta cosa avrebbero fatto le tue regole esatte così come dichiarate, e nient'altro — sei tu a decidere quanto aderiscono allo storico. La vista [sensibilità alla data di inizio](/it/glossario/sensibilita-alla-data-di-inizio) riesegue una strategia su molte date di ingresso e finestre di detenzione e ne riporta la dispersione: una verifica diretta di robustezza su una singola esecuzione lusinghiera. Un backtest arriva sempre fino all'ultima chiusura di mercato disponibile, quindi lo storico più recente non viene mai tenuto da parte automaticamente: una divisione cronologica in campione / fuori campione la costruisci tu dai periodi che confronti, soprattutto tramite l'[anno di inizio simulazione](/it/glossario/anno-di-inizio-simulazione).

## Cosa si intende per risultato robusto?

Un risultato è robusto quando non dipende da un unico insieme esatto di valori dei parametri, da un'unica data di inizio o da un unico campione di strumenti. In pratica si riconosce da un ampio pianoro invece di un picco stretto — piccole variazioni di una soglia spostano l'esito di poco anziché distruggerlo — più una dispersione contenuta degli esiti su molte date di inizio. Un risultato che esiste solo a un valore preciso dei parametri è il profilo da manuale di una strategia in overfitting, e uno che sopravvive solo lasciando fuori i costi si porta dietro anche il [cost-ignoring bias](/it/glossario/cost-ignoring-bias), quindi conviene ripetere la verifica sulle cifre nette. La robustezza descrive come un risultato si comporta sotto perturbazione; nessun grado di robustezza rende una strategia sicura o un rendimento futuro probabile.

## Perché una strategia in overfitting fallisce fuori campione?

Una strategia in overfitting non è una strategia che ha sbagliato sul passato: lo ha descritto benissimo, ed è proprio questo il problema, perché ha codificato accidenti che non si ripeteranno. L'overfitting è un errore della *fase di calibrazione*: sta nella complessità della strategia stessa, non nel campione che hai scelto di testare né nel numero di varianti provate prima di questa.

Una strategia in overfitting fallisce fuori campione perché ogni serie storica di prezzi contiene due componenti — una ripetibile e una non ripetibile — e la calibrazione non è in grado di distinguerle. Man mano che aggiungi regole, soglie ed eccezioni, la strategia guadagna la flessibilità di descrivere dettagli sempre più fini del campione. Parte di quel dettaglio è un effetto reale che si ripresenterà; il resto è una coincidenza legata a quelle date specifiche. Superata una certa soglia, ogni grado di libertà aggiuntivo compra soprattutto coincidenze, quindi la prestazione in campione continua a migliorare mentre quella fuori campione si appiattisce e poi peggiora.

È il classico compromesso fra distorsione e varianza applicato alle regole operative: una regola molto semplice può perdere sistematicamente parte dell'effetto reale, mentre una molto flessibile riproduce il campione quasi alla perfezione e generalizza male. La complessità che rende meglio sul campione calibrato non è quindi quasi mai la complessità che rende meglio dopo.

## Quante combinazioni di parametri copre davvero una ricerca?

Il numero di strategie distinte che una ricerca sui parametri copre è il prodotto dei valori provati per ciascun parametro: cresce in modo moltiplicativo, non additivo.

$$
{N} = {v_1} \times {v_2} \times \cdots \times {v_k}
$$

dove:

- il numero di varianti distinte di strategia che la ricerca copre
- il numero di valori provati per ciascuno dei k parametri regolabili

Quattro parametri con dieci valori candidati ciascuno non sono quaranta test: sono $10^4 = 10\,000$ strategie distinte, di cui la migliore sembrerà molto buona su quel campione, esista o no un effetto reale. È il legame meccanico fra overfitting e [data-snooping bias](/it/glossario/data-snooping-bias): più varianti copre una ricerca, più la qualità apparente del vincente è spiegata dall'ampiezza della ricerca.

Sono lo stesso problema statistico visto dai due lati: l'overfitting descrive la *strategia*, che ha troppi gradi di libertà per i dati e ha assorbito rumore; il data-snooping descrive la *ricerca*, in cui sono stati provati molti candidati e viene riportato solo il vincente. La maggior parte dei casi reali è entrambe le cose — [in cosa il data-snooping differisce dall'overfitting](/it/glossario/data-snooping-bias#in-cosa-differisce-il-data-snooping-bias-dalloverfitting) li separa caso per caso.

## Come può una strategia a 12 parametri essere perfetta in campione e morta fuori campione?

Immagina due versioni della stessa idea, calibrate entrambe sul 2000–2012 e poi eseguite senza modifiche sul 2013–2025.

| | Regole / parametri | 2000–2012 (calibrato) | 2013–2025 (mai visto) |
|---|---|---|---|
| Versione semplice | 2 | [CAGR](/it/glossario/cagr) +11%, [drawdown](/it/glossario/max-drawdown) max −28% | CAGR +9%, drawdown max −31% |
| Versione calibrata | 12 | CAGR +19%, drawdown max −14% | CAGR +2%, drawdown max −39% |

Sulla finestra calibrata la versione a 12 parametri è chiaramente la strategia migliore su ogni cifra, ed è il risultato che un singolo backtest avrebbe mostrato. Sulla finestra mai vista crolla, mentre la versione semplice si comporta più o meno come prima. I 12 parametri non hanno scoperto una strategia migliore: hanno descritto il 2000–2012 con più precisione, comprese le parti che erano accidenti. Nota anche quale cifra si è mossa di più: il drawdown della versione calibrata è quasi triplicato, perché la calibrazione aveva silenziosamente rimosso le specifiche discese storiche che era stata istruita a evitare, anziché insegnare alla strategia a evitare le discese in generale.

## Cos'è la divisione in campione / fuori campione?

La divisione in campione / fuori campione (in-sample / out-of-sample) è la difesa standard contro l'overfitting: lo storico viene diviso in due, la strategia viene progettata e calibrata solo sulla prima parte (in campione) e la seconda parte (fuori campione) viene poi eseguita una volta, senza modifiche, come verifica che il risultato sopravviva su dati che non hanno avuto parte nel formarlo. Il risultato fuori campione è quello che porta informazione, perché è il solo su cui le regole non sono state calibrate.

Due condizioni rendono la divisione significativa. Il periodo fuori campione deve restare davvero intatto: ogni volta che lo guardi, aggiusti le regole e lo guardi di nuovo, entra a far parte del campione di calibrazione e smette di essere una verifica. E la divisione deve essere cronologica, non casuale, così che i dati precedenti calibrino e quelli successivi verifichino — cosa che tiene l'esercizio anche libero da [look-ahead bias](/it/glossario/look-ahead-bias). Ripetere la divisione come una serie di finestre scorrevoli calibra-poi-verifica è la validazione [walk-forward](/it/glossario/walk-forward-replay), la forma sequenziale della stessa idea.

Fincanva ha uno scopo solo educativo e illustrativo: non è una consulenza finanziaria personalizzata, e i risultati passati o simulati non indicano quelli futuri. [Leggi l'Addendum ai Termini](https://fincanva.com/it/terms/addendum#section-3)