拆分 80%-20% 的想法是使用尽可能多的数据进行训练，同时在测试集中保留足够的（标记的）数据，以便可靠地评估性能。如果测试集足够大，可以使用较小的测试集，但如果太小，评估可能无法反映模型的真实性能。

您使用未来测试数据的想法很好，它只是意味着可靠的评估被延迟，直到您获得足够的测试数据。同时，您无法确定您的模型表现良好，因此我会避免将其用于证券交易所的真实交易；）

80-20 分只是一种启发式方法。

如果您想精确地了解它，您可以对其进行统计分析。假设您有一个 0-1 分类器，并且您希望准确度在$\delta\in[0,1]$，那么表明你需要并不难 $k=1/(\delta \epsilon^2)$ 测试样本以衡量您的准确度高达一个因素 $1\pm\epsilon$.

这意味着如果您的数据量远大于 $k$，您可以使用更不均匀的拆分。如果你甚至没有$k$ 样本，那么您将无法获得精确的结果，您所能做的就是考虑诸如交叉验证之类的方法。