Overfitting bei Tradingstrategien erkennen und vermeiden

Einer der sichersten Wege zu einer Strategie, die auf dem Chart brillant aussieht und im Live-Trading enttäuscht, ist Overfitting. Je einfacher und schneller die Testwerkzeuge werden, desto leichter tappt man in diese Falle. Dieser Artikel erklärt, was Overfitting ist, warum es entsteht und welche Prüfungen helfen, einen echten Vorteil von Rauschen zu unterscheiden.

Was Overfitting ist

Overfitting (im Trading oft Curve Fitting genannt) liegt vor, wenn eine Strategie das Rauschen in historischen Daten lernt statt des Musters, das sich wiederholt. Das Ergebnis: hervorragende Performance auf den Daten, auf denen sie gebaut wurde, und schwache Performance auf neuen Daten.

Kursdaten enthalten ein wenig „Signal" und sehr viel zufälliges Rauschen. Jeder historische Zeitraum enthält einmalige Ereignisse: einen Tag mit einer überraschenden Notenbank-Ankündigung, eine Woche mit ungewöhnlicher Volatilität, einen besonders langen Trend. Eine Strategie, die genau darauf abgestimmt ist, sieht im Rückblick perfekt aus – doch diese Ereignisse wiederholen sich nicht auf dieselbe Weise.

Zu viele Parameter

Jeder Parameter einer Strategie ist ein „Drehknopf", an dem Sie feilen können: Länge des gleitenden Durchschnitts, Stop-Abstand, Startzeit, ein Indikator-Schwellenwert. Mit zwei Parametern ist es schwer, sich an die Vergangenheit anzupassen. Mit zehn können Sie nahezu jede Datenreihe „erklären".

Ein hypothetisches Beispiel: eine Strategie mit einem gleitenden Durchschnitt über 37 Kerzen, einem Stop von 23 Ticks, Einstiegen nur zwischen 09:47 und 11:12 Uhr und nur, wenn der RSI unter 41 liegt. Jede dieser Zahlen wurde gewählt, weil sie das beste historische Ergebnis lieferte. Die entscheidende Frage: Warum 37 und nicht 35 oder 40? Wenn Ihnen keine vernünftige Antwort einfällt außer „weil es am besten funktioniert hat", ist das ein Warnsignal.

Faustregel: Je weniger Parameter und je mehr Trades im Test, desto verlässlicher das Ergebnis.

Data Snooping

Selbst wenn jede einzelne Strategie wenige Parameter hat, kehrt das Problem zurück, sobald Sie viele Ideen auf denselben Daten testen. Testen Sie hundert Varianten, werden einige rein zufällig großartig aussehen. Das nennt man Data Dredging oder Data Snooping.

Es schleicht sich auch unbeabsichtigt ein: Sie testen eine Idee, sie funktioniert nicht, Sie ändern eine Kleinigkeit, testen erneut und so weiter. Nach fünfzig Runden sind die Daten bereits in die Strategie „durchgesickert", auch wenn Sie nie eine automatische Optimierung laufen ließen. Notieren Sie, wie viele Varianten Sie getestet haben. Diese Zahl ist fast so wichtig wie das Ergebnis.

In-Sample vs. Out-of-Sample

Das grundlegende Werkzeug gegen Overfitting ist die Aufteilung der Daten:

• In-Sample: die Daten, auf denen Sie die Strategie entwickeln und abstimmen.
• Out-of-Sample: Daten, die Sie zurückhalten und während der Entwicklung überhaupt nicht anrühren.

Erst wenn die Strategie „eingefroren" ist, lassen Sie sie auf den Out-of-Sample-Daten laufen. Bricht die Performance ein, ist Overfitting wahrscheinlich. Wichtig: Wenn Sie danach zurückgehen, die Strategie ändern und erneut auf denselben Daten testen, sind diese nicht mehr wirklich Out-of-Sample.

Walk-Forward-Tests

Walk-Forward erweitert diese Idee. Sie teilen die Historie in aufeinanderfolgende Fenster. In jedem Schritt optimieren Sie auf einem Fenster und testen auf dem nächsten, dann verschieben Sie beide Fenster nach vorn und wiederholen das.

1. Optimieren auf Jahr 1, testen auf dem folgenden Quartal.
2. Nach vorn verschieben: auf dem neuen Zeitraum optimieren, auf dem Quartal danach testen.
3. Alle Testabschnitte zu einer einzigen Kurve zusammensetzen.

Die zusammengesetzte Kurve simuliert eine realistische Situation, in der Sie von Zeit zu Zeit neu justieren und dann eine Zukunft handeln, die Sie nicht kennen. Sieht sie deutlich schlechter aus als die Komplettoptimierung, ist das eine wichtige Information.

Robustheitstests

Über die Datenaufteilung hinaus gibt es einige einfache Prüfungen, die jeder Trader durchführen kann:

• Parameterumgebung: Verschieben Sie jeden Parameter etwas nach oben und unten. Eine robuste Strategie zeigt über einen breiten Bereich ähnliche Ergebnisse. Funktioniert nur ein einziger Wert und seine „Nachbarn" verlieren, haben Sie eine Glücksspitze gefunden.
• Verwandte Märkte: Wenn die Strategie auf NQ funktioniert, wie verhält sie sich auf ES? Sie muss nicht identisch sein, aber ein Totalausfall wirft Fragen auf.
• Andere Zeiteinheiten: Eine kleine Änderung der Zeiteinheit sollte eine profitable Strategie nicht in eine verlustreiche verwandeln.
• Andere Zeiträume: Prüfen Sie jedes Jahr einzeln. Stammt der Gewinn aus einer einzigen kurzen Phase?
• Härtere Kosten: Rechnen Sie mehr Slippage und höhere Kommissionen ein. Ein echter Vorteil sollte das überstehen. Mehr dazu in Backtesting vs. Live-Trading.
• Beste Trades entfernen: Nehmen Sie die fünf profitabelsten Trades heraus. Verschwindet der gesamte Gewinn, hängt die Strategie vom Glück ab.

Anzeichen dafür, dass Ihre Strategie overfittet ist

• Eine fast perfekt glatte Equity-Kurve ohne schwierige Phasen.
• Viele Parameter mit merkwürdig präzisen Werten.
• Wenige Trades im Verhältnis zur Zahl der Parameter.
• Gute Performance nur in einem sehr engen Einstellungsbereich.
• Ergebnisse, die sich jedes Mal stark ändern, wenn Sie etwas mehr Historie hinzunehmen.
• Sonderregeln, die eingebaut wurden, um bestimmte vergangene Verluste zu „reparieren".
• Eine große Lücke zwischen In-Sample und Out-of-Sample.

Das Wichtigste in Kürze

• Overfitting bedeutet, Rauschen statt eines Musters zu lernen, und sieht nur im Rückblick großartig aus.
• Weniger Parameter und mehr Trades sind eine grundlegende Absicherung.
• Halten Sie Out-of-Sample-Daten zurück und rühren Sie sie nicht an, bis die Strategie eingefroren ist.
• Walk-Forward-Tests und Prüfungen der Parameterumgebung entlarven Glücksspitzen.
• Auch eine Strategie, die jede Prüfung besteht, braucht Forward-Testing und eine sorgfältige Positionsgrößenbestimmung.

Kein Test garantiert künftigen Erfolg, deshalb ist die Phase nach dem Labor genauso wichtig. Mit WeCore können Sie eine Strategie oder Alerts im Simulationsmodus mit automatisierten Risikoregeln laufen lassen und sehen, wie sie sich auf neuen Daten verhält, bevor Sie ein Live-Konto riskieren. Eine allgemeine Einführung finden Sie unter Was ist algorithmischer Handel.