17. Oktober 2026

ARTIKEL 27

Feature Engineering für Finanzdaten: Von Rohdaten zu Modellsignalen

SEO-Titel: Feature Engineering für Finanzdaten und Trading-Modelle
Meta-Description: Wie entstehen gute Features für Machine Learning im Finanzbereich? Renditen, Momentum, Volatilität, Volumen, Fundamentaldaten, Skalierung und Leakage erklärt.
URL-Slug: /blog/feature-engineering-finanzdaten/
Haupt-Suchbegriff: Feature Engineering Trading
Weitere Suchbegriffe: Features Finanzdaten, Machine Learning Trading Features, Quant Features, Finanzzeitreihen Machine Learning

Was ist Feature Engineering?

Feature Engineering bezeichnet die systematische Entwicklung von Eingangsvariablen für statistische und Machine-Learning-Modelle.

Aus Rohdaten werden dabei Merkmale erzeugt, die relevante Informationen in einer für das Modell nutzbaren Form abbilden sollen.

Ein Rohpreis von:

127,40 Euro

ist für ein Modell häufig weniger aussagekräftig als daraus abgeleitete Größen wie:

• Tagesrendite,
• 20-Tage-Momentum,
• Volatilität,
• relative Position innerhalb einer historischen Preisspanne.

Feature Engineering ist deshalb ein zentraler Bestandteil quantitativer Modellentwicklung.

Warum Features so wichtig sind

Ein leistungsfähiger Algorithmus kann nur Informationen nutzen, die in seinen Eingabedaten enthalten sind.

Wenn die Features keine relevante Struktur enthalten, kann selbst ein komplexes Modell kaum stabile Prognosekraft erzeugen.

Daraus folgt:

Modellwahl ist nur ein Teil des Problems.

Mindestens ebenso wichtig ist die Darstellung der wirtschaftlichen Information.

Rohdaten versus Features

Rohdaten können beispielsweise sein:

• Kurse,
• Volumen,
• Bilanzen,
• Gewinnzahlen,
• Zinsen,
• Optionspreise.

Features transformieren diese Daten in strukturierte Größen.

Beispiel:

Aus Kursen entstehen:

• Renditen,
• Momentum,
• Drawdowns,
• Volatilität,
• Trendmaße.

Aus Fundamentaldaten entstehen:

• Bewertungskennzahlen,
• Profitabilität,
• Wachstumsraten,
• Verschuldungskennzahlen.

1. Rendite-Features

Eine der grundlegendsten Transformationen ist die Berechnung von Renditen.

Einfache Rendite:

Rₜ = Pₜ / Pₜ₋₁ − 1

Logarithmische Rendite:

rₜ = ln(Pₜ / Pₜ₋₁)

Mögliche Features sind:

• 1-Tages-Rendite,
• 5-Tage-Rendite,
• 20-Tage-Rendite,
• 60-Tage-Rendite,
• 252-Tage-Rendite.

Die verschiedenen Horizonte erfassen unterschiedliche Marktstrukturen.

2. Momentum

Momentum misst vereinfacht die Stärke vergangener Kursentwicklung.

Ein einfaches Momentum-Feature könnte lauten:

Momentumₜ(k) = Pₜ / Pₜ₋ₖ − 1

Dabei ist k der Rückblickzeitraum.

Mögliche Horizonte:

• 1 Monat,
• 3 Monate,
• 6 Monate,
• 12 Monate.

Mehrere Momentum-Horizonte können unterschiedliche Informationen enthalten.

Kurzfristige und langfristige Effekte

Kurzfristige Renditen können andere Eigenschaften besitzen als mittelfristige Renditen.

Ein Modell könnte deshalb getrennte Features verwenden:

• sehr kurzfristige Bewegung,
• mittelfristiges Momentum,
• langfristige Trendstruktur.

Wichtig ist jedoch, nicht beliebig hunderte nahezu identische Lookbacks zu erzeugen.

Das erhöht die Dimensionalität und damit die Gefahr des Overfittings.

3. Volatilität

Volatilität beschreibt die Schwankungsintensität.

Ein einfaches Feature ist die Standardabweichung historischer Renditen:

σₜ = std(rₜ₋ₙ,...,rₜ)

Mögliche Fenster:

• 10 Tage,
• 20 Tage,
• 60 Tage.

Weitere Features könnten sein:

• Downside-Volatilität,
• Intraday-Range,
• Realized Volatility,
• Verhältnis kurzfristiger zu langfristiger Volatilität.

4. Preisrange

Hoch-, Tief-, Eröffnungs- und Schlusskurse enthalten zusätzliche Informationen.

Ein einfaches Range-Feature:

Range = (High − Low) / Close

Mögliche weitere Größen:

• Close relativ zum Tageshoch,
• Close relativ zum Tagestief,
• Overnight Gap,
• Intraday Return.

Diese Features können kurzfristige Marktstruktur abbilden.

5. Moving-Average-Features

Gleitende Durchschnitte können in verschiedene relative Größen übersetzt werden.

Beispiel:

Preis / MA₅₀ − 1

oder:

MA₅₀ / MA₂₀₀ − 1

Der absolute gleitende Durchschnitt selbst ist zwischen verschiedenen Aktien schwer vergleichbar.

Relative Maße sind häufig besser geeignet.

6. Volumen

Handelsvolumen kann Informationen über Marktaktivität enthalten.

Mögliche Features:

• aktuelles Volumen,
• Volumen relativ zum 20-Tage-Mittel,
• Volumenänderung,
• Dollar Volume,
• Turnover.

Ein einfaches relatives Feature:

RVOL = aktuelles Volumen / durchschnittliches Volumen

Dadurch werden unterschiedliche Größenordnungen besser vergleichbar.

7. Liquidität

Liquidität ist besonders relevant, weil sie sowohl Prognoseinformation als auch Handelbarkeit beeinflussen kann.

Mögliche Merkmale:

• Bid-Ask-Spread,
• Dollar Volume,
• Turnover,
• Preisimpact-Maße.

Ein Modell kann ein statistisch attraktives Signal erzeugen, das praktisch nicht handelbar ist, wenn es überwiegend illiquide Titel auswählt.

8. Fundamentaldaten

Für Aktienmodelle können fundamentale Features eingesetzt werden.

Beispiele:

Bewertung

• Price/Earnings,
• Price/Book,
• Enterprise Value/EBITDA,
• Free-Cashflow-Yield.

Profitabilität

• Return on Equity,
• Return on Assets,
• Margen.

Wachstum

• Umsatzwachstum,
• Gewinnwachstum,
• Cashflow-Wachstum.

Bilanz

• Verschuldungsgrad,
• Liquiditätskennzahlen.

Point-in-Time-Verfügbarkeit

Fundamentaldaten besitzen eine Besonderheit:

Der Bilanzstichtag ist nicht automatisch der Zeitpunkt, zu dem die Information dem Markt bekannt war.

Beispiel:

Geschäftsjahr endet:

31. Dezember

Geschäftsbericht veröffentlicht:

15. März

Ein Modell darf die Information nicht rückwirkend bereits ab dem 31. Dezember verwenden.

Sonst entsteht Look-ahead Bias.

9. Makroökonomische Features

Mögliche Variablen:

• Leitzinsen,
• Zinsstruktur,
• Inflation,
• Arbeitsmarkt,
• Kreditspreads,
• Konjunkturindizes.

Auch hier muss auf Veröffentlichungslags und Revisionen geachtet werden.

Der heutige historische Datensatz kann bereits korrigierte Werte enthalten, die zum damaligen Zeitpunkt noch nicht bekannt waren.

10. Cross-Sectional Features

Nicht jedes Feature muss nur die Vergangenheit eines einzelnen Assets betrachten.

Ein Asset kann relativ zu anderen Assets bewertet werden.

Beispiel:

Momentum-Rang innerhalb aller Aktien

oder:

Volatilitätsperzentil im Universum

Cross-Sectional Features sind besonders relevant für Ranking- und Faktorstrategien.

Ranks

Statt Rohwerte direkt zu verwenden, können sie in Ränge transformiert werden.

Beispielsweise:

• 1 = niedrigstes Momentum,
• 1.000 = höchstes Momentum.

Vorteile können sein:

• geringere Empfindlichkeit gegenüber Ausreißern,
• bessere Vergleichbarkeit.

Z-Scores

Eine weitere Transformation ist der Z-Score:

z = (x − μ) / σ

Damit wird gemessen, wie weit ein Wert vom Mittelwert entfernt ist.

Bei Cross-Sectional-Strategien kann beispielsweise innerhalb eines jeden Tages standardisiert werden.

Wichtig:

Die verwendeten Informationen müssen jeweils zum damaligen Zeitpunkt verfügbar sein.

11. Interaktionsfeatures

Manchmal ist nicht ein einzelnes Merkmal relevant, sondern die Kombination.

Beispielsweise:

Momentum × Volatilität

oder:

Value × Quality

Flexible Machine-Learning-Verfahren können solche Interaktionen teilweise selbst lernen.

Bei einfacheren Modellen können sie explizit konstruiert werden.

Vorsicht vor Feature Explosion

Angenommen, es werden erzeugt:

• 100 Grundfeatures,
• je 20 Lookbacks,
• sämtliche paarweisen Interaktionen.

Sehr schnell entstehen zehntausende Variablen.

Je größer der Feature-Suchraum, desto höher das Overfitting-Risiko.

Feature Engineering sollte deshalb nicht mit grenzenloser Feature-Produktion verwechselt werden.

Feature Selection

Nicht jedes erzeugte Feature sollte im endgültigen Modell verbleiben.

Mögliche Ansätze:

• Filterverfahren,
• Regularisierung,
• modellbasierte Auswahl,
• Dimensionsreduktion.

Entscheidend ist:

Feature Selection muss innerhalb des Trainingsprozesses erfolgen.

Das Testset darf nicht zur Auswahl der Features verwendet werden.

Skalierung

Einige Modelle reagieren stark auf unterschiedliche Größenordnungen der Features.

Beispiel:

Feature A: Werte zwischen 0 und 1

Feature B: Werte zwischen 0 und 1.000.000

Verfahren wie lineare Modelle mit Regularisierung oder neuronale Netze können von Skalierung profitieren.

Baumbasierte Modelle sind häufig weniger empfindlich.

Standardisierung

Eine typische Standardisierung lautet:

z = (x − μTrain) / σTrain

Wichtig ist der Index „Train“.

Mittelwert und Standardabweichung müssen aus den Trainingsdaten bestimmt werden.

Testdaten dürfen diese Parameter nicht beeinflussen.

Robust Scaling

Finanzdaten besitzen häufig Ausreißer.

Alternativ zur Standardisierung können robuste Verfahren genutzt werden, die beispielsweise Median und Quantile verwenden.

Die Wahl hängt von:

• Feature,
• Modell,
• Datenstruktur

ab.

Missing Values

Finanzdaten enthalten häufig fehlende Werte.

Ursachen:

• Unternehmen existierte noch nicht,
• Kennzahl nicht verfügbar,
• Datenfehler,
• Handelsunterbrechung.

Fehlende Werte dürfen nicht gedankenlos ersetzt werden.

Manchmal enthält bereits das Fehlen einer Beobachtung Information.

Imputation

Mögliche Verfahren:

• Median,
• Mittelwert,
• modellbasierte Imputation,
• spezielle Missing-Value-Kategorie.

Auch hier gilt:

Imputationsparameter müssen aus Trainingsdaten bestimmt werden.

Stationarität

Finanzzeitreihen verändern ihre statistischen Eigenschaften.

Absolute Preise besitzen beispielsweise häufig Trends.

Renditen sind in vielen Anwendungen besser geeignet.

Aber auch Renditen sind nicht vollständig stationär.

Volatilität und Verteilungsstruktur verändern sich über die Zeit.

Feature Engineering sollte solche Eigenschaften berücksichtigen.

Normalisierung relativ zum aktuellen Markt

Eine Möglichkeit besteht darin, Features relativ statt absolut zu definieren.

Beispiel:

statt:

Volatilität = 25 Prozent

könnte verwendet werden:

Volatilitätsrang innerhalb des aktuellen Universums

Dadurch wird das Merkmal stärker an den jeweiligen Marktquerschnitt angepasst.

Feature Horizon und Label Horizon

Ein wichtiges Designprinzip lautet:

Die Zeithorizonte sollten zur Prognoseaufgabe passen.

Ein Feature auf Basis von fünf Jahren Daten ist nicht zwangsläufig sinnvoll für eine Prognose der nächsten fünf Minuten.

Umgekehrt kann ein 30-Sekunden-Feature für ein langfristiges Portfolio nur begrenzte Relevanz besitzen.

Feature Engineering und ökonomische Hypothese

Features sollten möglichst aus einer Idee entstehen.

Beispiel:

Hypothese:

Investoren reagieren verzögert auf Informationen.

Mögliche Features:

• mittelfristiges Momentum,
• Earnings Revision,
• Post-Earnings Drift.

Dadurch bleibt das Research interpretierbar.

Feature Importance

Nach dem Training kann untersucht werden, welche Variablen für ein Modell wichtig erscheinen.

Aber Vorsicht:

Feature Importance ist keine Kausalitätsanalyse.

Korrelierte Features können sich gegenseitig Bedeutung „wegnehmen“.

Ein Feature kann außerdem historisch wichtig gewesen sein und zukünftig an Bedeutung verlieren.

Stabilität der Features

Ein wichtiges Robustheitskriterium lautet:

Bleibt die Bedeutung eines Features über verschiedene Perioden hinweg ähnlich?

Wenn ein Merkmal nur in einem kurzen Zeitraum relevant ist, sollte untersucht werden, ob:

• Zufall,
• Regimeeffekt,
• Datenproblem

vorliegt.

Feature Drift

Im Live-Betrieb sollte überwacht werden, ob sich Feature-Verteilungen verändern.

Beispiel:

historisch:

Momentum-Z-Score meistens zwischen −2 und +2

live:

ständig Werte über +6

Mögliche Ursachen:

• außergewöhnliche Marktphase,
• Datenfehler,
• Pipelineänderung.

Feature Engineering als Pipeline

Ein produktiver Ablauf könnte so aussehen:

Rohdaten

→ Bereinigung
→ Point-in-Time-Ausrichtung
→ Renditeberechnung
→ Feature-Berechnung
→ Missing-Value-Behandlung
→ Skalierung
→ Feature Selection
→ Modell

Dabei müssen alle lernenden Schritte korrekt in die Train/Test-Logik eingebettet werden.

Reproduzierbarkeit

Für jedes Feature sollte dokumentiert werden:

• mathematische Definition,
• Datenquelle,
• Lookback,
• Verzögerung,
• Veröffentlichungszeitpunkt,
• Behandlung fehlender Werte.

Damit wird das Modell reproduzierbar und kontrollierbar.

Fazit

Feature Engineering ist einer der wichtigsten Bestandteile von Machine Learning für Finanzdaten.

Aus Rohinformationen entstehen strukturierte Eingangsvariablen wie:

Rendite → Momentum → Volatilität → Liquidität → Fundamentaldaten → relative Rankings

Die Qualität eines Features hängt jedoch nicht nur von seiner Prognosekraft ab.

Es muss auch:

• zum Prognosezeitpunkt verfügbar,
• ökonomisch interpretierbar,
• robust,
• korrekt validiert

sein.

Der wichtigste Grundsatz lautet:

Ein gutes Feature enthält Information – aber keine Zukunft.

Weiterführende Literatur

• Gu, S.; Kelly, B.; Xiu, D.: Empirical Asset Pricing via Machine Learning.
• Hastie, T.; Tibshirani, R.; Friedman, J.: The Elements of Statistical Learning.
• López de Prado, M.: Advances in Financial Machine Learning.
• James, G. et al.: An Introduction to Statistical Learning.

Passendes Fachbuch

Machine Learning für Finanzdaten von Olaf Sund.

Weiterführende Beiträge

• Machine Learning für Finanzdaten
• Data Leakage
• Cross-Validation für Finanzzeitreihen
• Purging und Embargo
• Quantitative Finanzanalyse