17. Oktober 2026

ARTIKEL 15

Monte-Carlo-Simulation für Handelssysteme: Robustheit statt Scheingenauigkeit

SEO-Titel: Monte-Carlo-Simulation für Handelssysteme und Backtests
Meta-Description: Monte-Carlo-Simulationen zeigen, wie stark Rendite, Drawdown und Risiko eines Handelssystems von Zufall und Reihenfolge abhängen können.
URL-Slug: /blog/monte-carlo-simulation-trading/
Haupt-Suchbegriff: Monte Carlo Trading
Weitere Suchbegriffe: Monte Carlo Backtest, Handelssystem Robustheit, Drawdown Simulation, Trading Risiko

Was ist eine Monte-Carlo-Simulation?

Eine Monte-Carlo-Simulation erzeugt viele alternative Szenarien auf Grundlage eines definierten statistischen Prozesses.

Im Zusammenhang mit Handelssystemen wird sie häufig eingesetzt, um zu untersuchen, wie empfindlich historische Ergebnisse gegenüber Zufall, Stichprobenunsicherheit und Reihenfolgeeffekten sind.

Ein einzelner Backtest zeigt nur einen historischen Verlauf.

Eine Monte-Carlo-Analyse fragt:

Welche anderen Ergebnisverläufe wären unter ähnlichen Annahmen ebenfalls denkbar gewesen?

Warum ein Backtest allein nicht genügt

Angenommen, eine Strategie erzeugte historisch 300 Trades.

Der beobachtete Verlauf könnte zufällig eine günstige Reihenfolge enthalten haben:

Gewinne und Verluste waren so verteilt, dass der Maximum Drawdown relativ niedrig blieb.

Eine andere Reihenfolge derselben Trades könnte wesentlich unangenehmer aussehen.

Die Gesamtrendite kann ähnlich sein, während der zwischenzeitliche Verlust deutlich größer wird.

Genau solche Fragen lassen sich mit Monte-Carlo-Verfahren untersuchen.

Monte Carlo ist kein einzelnes Verfahren

Unter dem Begriff werden verschiedene Simulationstechniken zusammengefasst.

Bei Handelssystemen sind beispielsweise denkbar:

• zufälliges Vertauschen der Trade-Reihenfolge,
• Bootstrap-Resampling,
• parametrische Simulation,
• Variation von Kosten,
• Variation von Ausführungspreisen,
• Veränderung einzelner Modellparameter.

Jede Methode beantwortet eine andere Frage.

1. Trade-Order-Shuffling

Bei einem einfachen Verfahren werden dieselben historischen Trades in zufällig veränderter Reihenfolge angeordnet.

Beispiel:

Historisch:

+5 %, −2 %, +3 %, −4 %, +6 %

Eine Simulation könnte erzeugen:

−4 %, −2 %, +6 %, +3 %, +5 %

Die einzelnen Trade-Ergebnisse bleiben gleich.

Ihre Reihenfolge verändert sich.

Was zeigt ein Trade Shuffle?

Wenn Position Sizing und Pfadabhängigkeit berücksichtigt werden, kann die Reihenfolge starke Auswirkungen haben auf:

• Maximum Drawdown,
• Dauer von Drawdowns,
• Risiko eines Kapitalverlustes,
• psychologische Belastung,
• Kapitalbedarf.

Ein einzelner historischer Maximum Drawdown sollte deshalb nicht automatisch als realistisches Worst-Case-Szenario betrachtet werden.

2. Bootstrap

Beim Bootstrap werden Beobachtungen mit Zurücklegen aus der historischen Stichprobe gezogen.

Ein Trade kann dadurch:

• mehrfach auftreten,
• einmal auftreten,
• überhaupt nicht auftreten.

So entstehen alternative Stichproben aus der empirischen Verteilung.

Damit lässt sich untersuchen, wie stark Kennzahlen von der beobachteten Stichprobe abhängen.

Beispiel

Angenommen, die Strategie besitzt 200 historische Trades.

Es werden 10.000 neue Serien mit jeweils 200 Trades erzeugt.

Für jede Serie werden berechnet:

• Gesamtrendite,
• Maximum Drawdown,
• Sharpe Ratio,
• Profit Factor.

Statt einer einzelnen Zahl entsteht eine Verteilung möglicher Ergebnisse.

Punktwert oder Verteilung?

Ein klassischer Backtest sagt vielleicht:

Maximum Drawdown = 14 %

Monte Carlo könnte dagegen zeigen:

• Median: 18 %
• 90. Perzentil: 28 %
• 95. Perzentil: 33 %

Damit verändert sich die Risikowahrnehmung erheblich.

Die historisch beobachteten 14 Prozent wären dann möglicherweise ein relativ günstiger Pfad gewesen.

Confidence Intervals

Ein zentraler Vorteil von Simulationen besteht darin, Unsicherheit sichtbar zu machen.

Statt:

Die Strategie verdient 12 Prozent pro Jahr.

lautet eine sinnvollere Aussage möglicherweise:

Unter den gewählten Simulationsannahmen zeigt sich eine breite Verteilung möglicher Ergebnisse.

Das entspricht der Realität quantitativer Modelle besser als eine scheinbar präzise Einzelzahl.

Maximum Drawdown

Gerade für Drawdowns sind Monte-Carlo-Simulationen interessant.

Historisch existiert nur ein beobachteter Pfad.

Der tatsächliche zukünftige Maximum Drawdown kann deutlich größer sein.

Monte Carlo kann deshalb helfen, Fragen zu untersuchen wie:

• Wie häufig wird ein Drawdown von 20 Prozent überschritten?
• Wie oft entsteht ein Verlust von mehr als 30 Prozent?
• Wie lange können Verlustphasen dauern?

Risk of Ruin

Ein weiterer Anwendungsbereich ist das Risiko, bestimmte Kapitalgrenzen zu unterschreiten.

Beispielsweise:

Wie hoch ist unter den Simulationsannahmen die Wahrscheinlichkeit, 40 Prozent des Kapitals zu verlieren?

Das Ergebnis hängt erheblich von Positionsgröße und Leverage ab.

Ein profitables System kann bei zu aggressiver Kapitalisierung dennoch ein hohes Ruin-Risiko besitzen.

Positionsgröße

Monte-Carlo-Analysen können helfen, Positionsgrößen realistischer zu dimensionieren.

Angenommen, eine Strategie erscheint mit 2 Prozent Risiko pro Trade historisch problemlos.

Simulationen zeigen jedoch, dass ungünstige Verlustserien einen sehr hohen Drawdown erzeugen können.

Dann kann eine kleinere Positionsgröße sinnvoll sein.

Verlustserien

Menschen unterschätzen häufig, wie lang zufällige Verlustserien werden können.

Selbst eine profitable Strategie kann über viele Trades hintereinander Verluste erzeugen.

Monte Carlo kann zeigen, wie plausibel bestimmte Losing Streaks unter den Modellannahmen sind.

Das ist sowohl für Risikomanagement als auch für die realistische Erwartungsbildung wichtig.

Parametrische Simulation

Statt historische Trades neu anzuordnen, kann eine statistische Verteilung angenommen werden.

Aus dieser werden neue Renditen simuliert.

Der Vorteil:

Es lassen sich sehr viele alternative Pfade erzeugen.

Der Nachteil:

Das Ergebnis hängt stark davon ab, ob die angenommene Verteilung die Realität sinnvoll beschreibt.

Eine Normalverteilung kann beispielsweise Extremereignisse unterschätzen.

Fat Tails und Extremrisiken

Finanzmärkte zeigen häufig stärkere Extrembewegungen als einfache Normalverteilungsmodelle erwarten lassen.

Eine Monte-Carlo-Simulation ist deshalb nur so gut wie ihre Annahmen.

Wer eine unrealistisch harmlose Verteilung simuliert, erhält unrealistisch harmlose Risikoszenarien.

Abhängigkeiten erhalten

Ein einfaches zufälliges Resampling kann zeitliche Abhängigkeiten zerstören.

Bei Strategien, deren Ergebnisse stark von Marktregimen abhängen, kann das problematisch sein.

Mögliche Alternativen sind beispielsweise:

• Block Bootstrap,
• Regime-basierte Simulationen,
• Simulation von Modellresiduen.

Das Verfahren sollte zur Struktur der Strategie passen.

Kosten-Stress-Test

Monte Carlo kann auch verwendet werden, um Handelskosten zu variieren.

Beispielsweise:

• Spread zufällig erhöhen,
• Slippage simulieren,
• Gebühren verändern,
• einzelne Ausführungen verschlechtern.

Dadurch lässt sich untersuchen, wie empfindlich die Strategie gegenüber realistisch schlechterer Execution ist.

Parameter-Stress

Auch Modellparameter können innerhalb plausibler Bereiche variiert werden.

Wenn ein System nur unter exakt einer Konfiguration funktioniert, ist das problematisch.

Bleibt es unter moderaten Veränderungen grundsätzlich stabil, spricht dies eher für Robustheit.

Was Monte Carlo nicht leisten kann

Monte Carlo ist kein Beweis zukünftiger Profitabilität.

Die Simulation basiert auf Annahmen.

Wenn die historische Strategie bereits überangepasst ist, können tausende Resamples dieses Problem nicht beseitigen.

Auch Look-ahead Bias oder Survivorship Bias werden durch Simulation nicht repariert.

Die Monte-Carlo-Analyse untersucht lediglich die Unsicherheit innerhalb des gewählten Modells und der gewählten Datenbasis.

Monte Carlo ersetzt kein Walk-Forward

Beide Verfahren beantworten unterschiedliche Fragen.

Walk-Forward:

Funktioniert der Entwicklungsprozess über die Zeit?

Monte Carlo:

Wie empfindlich ist das Ergebnis gegenüber Stichproben-, Reihenfolge- oder Modellunsicherheit?

Beide Methoden können sich deshalb sinnvoll ergänzen.

Sinnvoller Ablauf

Ein robuster Forschungsprozess könnte lauten:

Hypothese

→ Backtest
→ Out-of-Sample
→ Walk-Forward
→ Parameter-Stabilität
→ Monte Carlo
→ Stress Tests
→ Paper Trading
→ kontrollierter Live-Betrieb

Wie viele Simulationen?

In der Praxis werden häufig tausende oder zehntausende Simulationen verwendet.

Die genaue Zahl hängt vom Verfahren und der benötigten numerischen Stabilität ab.

Entscheidend ist nicht, eine möglichst große Zahl nennen zu können.

Entscheidend ist, dass die Ergebnisverteilung hinreichend stabil geschätzt wird.

Wichtige Ausgaben

Eine Monte-Carlo-Analyse sollte nicht nur eine neue Equity-Kurve erzeugen.

Interessant sind beispielsweise Verteilungen von:

• Gesamtrendite,
• annualisierter Rendite,
• Sharpe Ratio,
• Maximum Drawdown,
• Drawdown-Dauer,
• Profit Factor,
• Verlustserien,
• Ruin-Wahrscheinlichkeit.

Besonders relevant sind Quantile und Worst-Case-nahe Bereiche der Verteilung.

Vorsicht vor falscher Präzision

Eine Simulation kann beispielsweise ausgeben:

Wahrscheinlichkeit eines Drawdowns über 25 % = 7,43 %

Diese Zahl wirkt außerordentlich präzise.

Tatsächlich hängt sie jedoch vollständig von den Simulationsannahmen ab.

Die richtige Interpretation lautet deshalb:

Unter diesem Modell und diesen Annahmen trat das Ereignis in ungefähr diesem Anteil der Simulationen auf.

Nicht:

Die reale Zukunftswahrscheinlichkeit beträgt exakt 7,43 Prozent.

Fazit

Monte-Carlo-Simulationen erweitern die Perspektive eines klassischen Backtests.

Statt nur den tatsächlich beobachteten historischen Pfad zu betrachten, erzeugen sie viele alternative Szenarien.

Dadurch können insbesondere folgende Risiken besser sichtbar werden:

• Drawdown-Risiko,
• Reihenfolgeeffekte,
• Stichprobenunsicherheit,
• Verlustserien,
• Positionsgrößenrisiko.

Die wichtigste Erkenntnis lautet:

Eine historische Equity-Kurve ist nur ein möglicher Pfad.

Quantitatives Risikomanagement sollte deshalb nicht allein fragen, was passiert ist, sondern auch untersuchen, was unter plausiblen Annahmen hätte passieren können.

Weiterführende Literatur

• Glasserman, P.: Monte Carlo Methods in Financial Engineering.
• Pardo, R.: The Evaluation and Optimization of Trading Strategies.
• López de Prado, M.: Advances in Financial Machine Learning.
• Chan, E. P.: Algorithmic Trading.

Passende Fachbücher von Olaf Sund

• Von der Idee zum Tradingsystem
• Handelssysteme
• Quantitative Finanzen, Trading, Analyse und Engineering

Weiterführende Beiträge

• Overfitting im Trading
• Deflated Sharpe Ratio
• Walk-Forward-Analyse
• Backtesting erklärt