Obstajajo trije glavni pristopi k strategijam testiranja nazaj: uporaba podatkov o dejanskih cenah, razdeljenih v tri skupine; bootstrap, ki uporablja podatke o dejanskih cenah, vendar jih ponovno vzorči; in simulacija Monte Carlo. Obstajajo teoretična vprašanja, ki ločujejo graditelje sistemov glede tega, katera metoda je najboljša. Za trgovca je pomembno, da pravilno uporabi vsaj eno od strategij testiranja nazaj za svoj sistem, preden mu zaupa svoj trgovalni kapital. Ključno vprašanje pri izbiri strategije testiranja nazaj je število ustvarjenih poslov; V vsaki fazi dela sistemskega graditelja je potrebnih vsaj 1,000 poslov.
Uporaba podatkov o dejanskih cenah, razdeljenih na tri dele, je običajno izhodišče za večino izdelovalcev sistemov. Sistem je ustvarjen na podlagi prve ene tretjine podatkov. Na tej točki je graditelj našel algoritme, za katere se zdi, da ustvarjajo dovolj dobička z dovolj majhnim tveganjem, da ponujajo dobre možnosti. Druga tretjina podatkov se uporablja za optimizacijo sistema.
Ko bo sistem optimiziran, bo uporabljen za preostalo tretjino podatkov. Temu pravimo testiranje izven vzorca in pri njem večina sistemov odpove. Če ima sistem še vedno dobre rezultate v vsaj 1,000 poslov, ima graditelj sistema uspešen sistem. Če sistem pri testiranju zunaj vzorca ustvari manj kot 1,000 poslov, bi moral graditelj razmisliti o drugi strategiji testiranja za nazaj.
Bootstrapping je metoda črpanja nekaterih podatkov iz celotnega nabora, testiranja, vstavljanja podatkov nazaj in risanja več podatkov ali ponovnega vzorčenja in ponovnega testiranja. Idealno število ponovnih vzorcev je nn ali n na n-to potenco, kjer je n število podatkov v izvirnem vzorcu. Za trgovca, ki se verjetno ukvarja z vsaj 2,500 podatkovnimi točkami – 250 dni na leto v 10 letih – to ni praktično. Na srečo bo 100 ponovnih vzorcev zagotovilo visoko stopnjo zaupanja, da bo vzorec zagonskega zagona zrcalil izvirne podatke, zaradi česar bodo rezultati zanesljivi. Če 100 ponovnih vzorčkov ne zagotovi potrebnih 1,000 poslov, mora trgovec nadaljevati s ponovnim vzorčenjem, dokler ta cilj ni dosežen, če pričakuje, da bo sistem in ne samo ponovno vzorčenje podatkov zanesljiv.
Zadnja metoda testiranja za nazaj je simulacija Monte Carla (MC). Ta metoda uporablja računalnik za ustvarjanje simuliranih podatkov, sistem pa se nato testira na teh podatkih. Prednost MC simulacije je, da lahko ustvarimo neomejene količine podatkov, kar omogoča ustvarjanje 10,000 poslov ali poljubnega drugega števila poslov. Druga prednost je, da je vsak nov nabor podatkov izven vzorca. To ponuja priložnost za večkratno optimizacijo in testiranje; preprosto optimizirajte ta nabor podatkov, nato pa te sistemske parametre uporabite za naslednje podatke, ki jih ustvari računalnik.
Pomanjkljivost simulacije MC je, da podatki morda nimajo popolnoma enake funkcije porazdelitve verjetnosti kot trgovalni podatki, kar bi lahko izkrivilo rezultate. V najboljšem od vseh možnih svetov je treba v procesu preverjanja sistema uporabiti vse tri strategije testiranja nazaj. Uspeh pri vseh treh bi moral ponuditi zelo veliko verjetnost uspeha pri trgovanju v resničnem svetu.