ARTIKEL 6
Backtesting erklärt: Wie Handelsstrategien richtig getestet werden
SEO-Titel: Backtesting erklärt – Handelsstrategien richtig testen
Meta-Description: Was ist Backtesting? Erfahren Sie, wie Handelsstrategien mit historischen Daten getestet werden, welche Kennzahlen wichtig sind und welche Fehler vermieden werden müssen.
URL-Slug: /blog/backtesting-handelsstrategien/
Haupt-Suchbegriff: Backtesting
Weitere Suchbegriffe: Handelsstrategie testen, Trading Backtest, algorithmisches Trading, quantitative Handelssysteme
Was ist Backtesting?
Backtesting bezeichnet die historische Simulation einer Handelsstrategie.
Dabei wird untersucht, wie sich ein zuvor definiertes Regelwerk unter vergangenen Marktbedingungen theoretisch verhalten hätte.
Eine Strategie kann beispielsweise festlegen:
- welche Wertpapiere gehandelt werden,
- wann Positionen eröffnet werden,
- wann Positionen geschlossen werden,
- wie groß einzelne Positionen sind,
- wie Risiken begrenzt werden,
- wie häufig das Portfolio angepasst wird.
Diese Regeln werden anschließend auf historische Daten angewendet.
Das Ergebnis ist eine simulierte Entwicklung der Strategie.
Backtesting gehört zu den wichtigsten Werkzeugen der quantitativen Finanzanalyse und der systematischen Strategieentwicklung.
Ein Backtest beweist jedoch nicht, dass eine Strategie zukünftig profitabel sein wird.
Er beantwortet lediglich die Frage:
Wie hätte sich dieses exakt definierte Regelwerk unter bestimmten historischen Bedingungen verhalten?
Diese Einschränkung ist entscheidend.
Warum Backtesting wichtig ist
Eine Handelsidee kann zunächst plausibel erscheinen.
Beispielsweise:
Aktien mit starkem mittelfristigem Momentum entwickeln sich im Durchschnitt besser als Aktien mit schwachem Momentum.
Aus dieser Hypothese entsteht noch kein handelbares System.
Zunächst müssen konkrete Regeln definiert werden:
- Wie wird Momentum berechnet?
- Welcher Zeitraum wird betrachtet?
- Welche Aktien gehören zum Universum?
- Wie viele Positionen werden gehalten?
- Wie häufig wird rebalanced?
- Wie werden Transaktionskosten berücksichtigt?
- Welche Risikoregeln gelten?
Erst danach kann geprüft werden, ob die Idee in historischen Daten tatsächlich Bestand hatte.
Backtesting schafft damit eine Verbindung zwischen einer theoretischen Hypothese und einer empirisch überprüfbaren Strategie.
Der grundlegende Backtesting-Prozess
Ein methodisch sauberer Backtest beginnt lange vor der eigentlichen Simulation.
Ein möglicher Prozess lautet:
Hypothese → Daten → Handelsregeln → Kostenmodell → Backtest → Kennzahlen → Validierung → Robustheitsprüfung
Jeder dieser Schritte kann das Ergebnis erheblich beeinflussen.
1. Eine klare Hypothese formulieren
Ein guter Backtest beginnt mit einer überprüfbaren Hypothese.
Schlecht wäre:
Ich teste verschiedene Indikatoren und sehe, welcher funktioniert.
Besser:
Ich untersuche, ob mittelfristiges Momentum in einem definierten Aktienuniversum nach Berücksichtigung realistischer Handelskosten eine robuste Renditeprämie erzeugt.
Der Unterschied ist bedeutend.
Im ersten Fall wird möglicherweise so lange gesucht, bis ein zufällig gutes Ergebnis entsteht.
Im zweiten Fall wird eine konkrete Aussage empirisch überprüft.
2. Historische Daten auswählen
Die Qualität des Backtests hängt unmittelbar von den verwendeten Daten ab.
Mögliche Daten sind:
- Tageskurse,
- Intraday-Daten,
- Tickdaten,
- Handelsvolumen,
- Fundamentaldaten,
- Futures-Daten,
- Optionsdaten,
- Zinsdaten,
- makroökonomische Daten.
Dabei müssen mehrere Fragen geklärt werden.
Waren die Daten zum damaligen Zeitpunkt verfügbar?
Fundamentaldaten dürfen beispielsweise nicht rückwirkend so verwendet werden, als wären sie bereits am Bilanzstichtag öffentlich bekannt gewesen.
Entscheidend ist der tatsächliche Veröffentlichungszeitpunkt.
Andernfalls entsteht Look-ahead Bias.
Enthält das Universum auch verschwundene Unternehmen?
Wird ein heutiger Index rückwirkend getestet, fehlen möglicherweise Unternehmen, die insolvent wurden oder aus dem Index ausgeschieden sind.
Dadurch entsteht Survivorship Bias.
Wurden Kapitalmaßnahmen korrekt berücksichtigt?
Aktienkurse müssen gegebenenfalls um Splits, Dividenden und andere Kapitalmaßnahmen bereinigt werden.
3. Handelsregeln eindeutig definieren
Eine Strategie sollte so genau beschrieben sein, dass ein unabhängiger Entwickler denselben Backtest reproduzieren könnte.
Beispielsweise:
- Universum: Aktien des Index X,
- Signal: 12-Monats-Momentum ohne letzten Monat,
- Auswahl: stärkste 20 Prozent,
- Rebalancing: monatlich,
- Gewichtung: gleichgewichtet,
- Haltedauer: ein Monat.
Je klarer die Regeln sind, desto geringer ist die Gefahr nachträglicher Interpretation.
4. Transaktionskosten berücksichtigen
Einer der häufigsten Fehler bei Backtests besteht darin, Handelskosten zu ignorieren.
Zu den Kosten gehören nicht nur Brokergebühren.
Relevant können sein:
- Provisionen,
- Bid-Ask-Spreads,
- Slippage,
- Börsengebühren,
- Finanzierungskosten,
- Marktimpact.
Besonders bei häufig handelnden Strategien können kleine Kostenunterschiede große Auswirkungen auf das Gesamtergebnis haben.
Eine Strategie mit hoher Bruttorendite kann nach realistischen Handelskosten wirtschaftlich unattraktiv werden.
5. Slippage realistisch modellieren
Slippage beschreibt die Differenz zwischen einem theoretisch erwarteten und dem tatsächlich erreichbaren Ausführungspreis.
Ein Backtest könnte beispielsweise annehmen:
Kauf zum Schlusskurs.
In der Realität ist möglicherweise erst nach Berechnung des Signals bekannt, dass gekauft werden soll.
Der Schlusskurs kann dann gar nicht mehr vollständig handelbar sein.
Ein realistischer Backtest muss deshalb berücksichtigen, wann Informationen tatsächlich vorliegen und wann eine Order ausgeführt werden könnte.
6. Orderausführung simulieren
Besonders bei kurzfristigen Strategien reicht es nicht aus, lediglich Signale zu berechnen.
Es muss simuliert werden:
- wann eine Order ausgelöst wird,
- zu welchem Preis sie ungefähr ausgeführt wird,
- ob ausreichende Liquidität vorhanden ist,
- ob Limit-Orders ausgeführt worden wären,
- wie Teilausführungen behandelt werden.
Je kürzer der Anlagehorizont, desto wichtiger wird die Qualität des Execution-Modells.
7. Wichtige Backtest-Kennzahlen
Die Gesamtrendite allein ist kein ausreichender Qualitätsmaßstab.
Ein Backtest sollte mehrere Dimensionen betrachten.
Annualisierte Rendite
Sie ermöglicht eine bessere Vergleichbarkeit unterschiedlicher Zeiträume.
Volatilität
Sie beschreibt die Schwankungsintensität der Strategie.
Sharpe Ratio
Vereinfacht:
Sharpe Ratio = Überschussrendite / Volatilität
Sie setzt Rendite und Risiko in Beziehung.
Eine hohe historische Sharpe Ratio ist jedoch kein Beweis für zukünftige Stabilität.
Maximum Drawdown
Der Maximum Drawdown misst den größten historischen Verlust vom bisherigen Höchststand bis zum folgenden Tiefpunkt.
Für Anleger ist diese Kennzahl häufig anschaulicher als Volatilität.
Turnover
Turnover beschreibt, wie intensiv ein Portfolio umgeschichtet wird.
Hoher Turnover kann hohe Transaktionskosten verursachen.
Trefferquote
Die Trefferquote zeigt den Anteil profitabler Trades.
Eine hohe Trefferquote bedeutet nicht automatisch eine profitable Strategie.
Eine Strategie kann beispielsweise selten gewinnen, dafür aber sehr große Gewinne erzielen.
8. In-Sample und Out-of-Sample trennen
Einer der wichtigsten Schritte besteht darin, Entwicklungs- und Testdaten zu trennen.
In-Sample-Daten dienen der Entwicklung.
Out-of-Sample-Daten sollen anschließend prüfen, ob das Modell auf bislang unbekannten Daten weiterhin funktioniert.
Eine Strategie, die im In-Sample hervorragend und im Out-of-Sample schlecht funktioniert, ist möglicherweise überangepasst.
9. Robustheit untersuchen
Ein guter Backtest sollte nicht nur unter exakt einer Parameterkombination funktionieren.
Angenommen, ein Trendmodell ist nur mit einem Lookback von exakt 137 Tagen profitabel.
Mit 130 oder 145 Tagen bricht das Ergebnis vollständig zusammen.
Das wäre problematisch.
Robuste Strategien zeigen häufig eine gewisse Stabilität in benachbarten Parameterbereichen.
Robustheitsprüfungen können beispielsweise umfassen:
- alternative Zeiträume,
- andere Märkte,
- unterschiedliche Parameter,
- veränderte Kosten,
- veränderte Startzeitpunkte,
- andere Gewichtungsmethoden.
10. Typische Backtesting-Fehler
Look-ahead Bias
Zukünftige Informationen gelangen unzulässig in historische Entscheidungen.
Survivorship Bias
Nicht mehr existierende Wertpapiere fehlen aus dem historischen Universum.
Overfitting
Das Modell wird übermäßig an historische Daten angepasst.
Data Snooping
Sehr viele Strategien werden getestet und lediglich die beste Variante präsentiert.
Unrealistische Kosten
Gebühren, Spread, Slippage oder Marktimpact werden unterschätzt.
Falsche Zeitstempel
Signale werden auf Grundlage von Daten berechnet, die zum angenommenen Handelszeitpunkt noch nicht verfügbar waren.
Warum ein hervorragender Backtest misstrauisch machen sollte
Sehr außergewöhnliche Ergebnisse sollten nicht automatisch Begeisterung auslösen.
Sie sollten zusätzliche Fragen erzeugen.
Beispielsweise:
- Wurde ein Fehler im Datensatz ausgenutzt?
- Ist Look-ahead Bias vorhanden?
- Wurden sehr viele Varianten getestet?
- Sind die Kosten realistisch?
- Ist die Strategie praktisch handelbar?
- Gibt es einzelne Perioden, die fast den gesamten Gewinn erklären?
Je besser ein Backtest aussieht, desto sorgfältiger sollte er geprüft werden.
Backtesting ist Falsifikation, nicht Bestätigung
Ein wissenschaftlich orientierter Entwicklungsprozess sollte Backtesting nicht als Werkzeug betrachten, um eine Lieblingsidee zu bestätigen.
Die bessere Frage lautet:
Unter welchen Bedingungen würde ich zu dem Schluss kommen, dass meine Hypothese nicht trägt?
Damit verändert sich die Perspektive.
Der Backtest wird von einem Marketinginstrument für eine Strategie zu einem Instrument kritischer Prüfung.
Fazit
Backtesting ist ein unverzichtbarer Bestandteil der Entwicklung systematischer Handelsstrategien.
Seine Aussagekraft hängt jedoch vollständig von der Qualität der Methodik ab.
Ein guter Backtest berücksichtigt:
saubere Daten → klare Regeln → realistische Kosten → korrekte Zeitstempel → Out-of-Sample-Tests → Robustheitsprüfung
Ein Backtest ist keine Prognosemaschine.
Er ist eine historische Simulation unter definierten Annahmen.
Sein größter Wert besteht nicht darin, beeindruckende Renditekurven zu erzeugen, sondern darin, schlechte Ideen möglichst früh zu erkennen.
Weiterführende Literatur
- Campbell, J. Y.; Lo, A. W.; MacKinlay, A. C.: The Econometrics of Financial Markets.
- Pardo, R.: The Evaluation and Optimization of Trading Strategies.
- Chan, E. P.: Algorithmic Trading.
- López de Prado, M.: Advances in Financial Machine Learning.
- Bailey, D. H. et al.: Arbeiten zum Backtest Overfitting und zur statistischen Bewertung systematischer Strategien.
Passende Fachbücher von Olaf Sund
- Handelssysteme – Leitfaden zur Entwicklung von Handelssystemen
- Von der Idee zum Tradingsystem
- Handelssysteme in QuantConnect
Weiterführende Beiträge
- In-Sample und Out-of-Sample
- Walk-Forward-Analyse
- Look-ahead Bias
- Survivorship Bias
- Overfitting im Trading