Wie man eine Handelsstrategie automatisiert: Lehren aus zwanzig Jahren Backtest

Fallstudie lesen ↗

Ein Trader hat uns seine Methode anvertraut, damit wir sie einem Programm übergeben. Das Ergebnis ist öffentlich: Eine Fallstudie beschreibt die gewählten Regeln, die Zahlen aus zwanzig Jahren Simulation und die Nachricht, die jeden Abend nach dem Schluss in New York hinausgeht. Dieser Beitrag erzählt die andere Hälfte der Arbeit, die man nicht vorzeigt. Zwischen dem ersten Ergebnis, das nach wenigen Tagen vorlag, und dem, das wir zu veröffentlichen bereit waren, haben wir fast nichts hinzugefügt: Wir haben vor allem weggenommen.

Was versagt, ist nicht die Methode, sondern ihre Anwendung

Der Kunde ist überzeugt, dass seine Methode funktioniert, wenn er ihr konsequent folgt. Unsere Aufgabe war es nicht, diese Überzeugung als gegeben hinzunehmen, sondern sie in Regeln zu übersetzen und diese Regeln auf die Probe zu stellen. Das Problem, mit dem er zu uns kam, liegt woanders. An einem Abend, an dem die Kurse fallen, nach einer schlechten Woche, wendet niemand eine Regel so an wie an einem ruhigen Abend. Man wartet noch einen Tag, man steigt etwas zu früh aus, man überspringt einen Handelstag, weil man unterwegs ist. Genau dort geht die Rendite verloren.

Ein Programm kennt weder Müdigkeit noch die Erinnerung an schlechte Geschäfte. Bei gleichen Kursen erteilt es denselben Auftrag, ob die Woche gut oder schlecht war. Für dieses Projekt war das der Vorteil, auf den es am meisten ankam.

Allerdings muss man ihm sagen, was es in den Situationen tun soll, die der Trader aus dem Gefühl heraus löst, ohne sie überhaupt zu bemerken: zwei Bedingungen, die sich am selben Abend widersprechen, ein bereits gehaltener Titel, der aus der Auswahl fällt, ein Eröffnungskurs, der weit von dem Schlusskurs entfernt liegt, auf dem die Entscheidung beruht. Es geht nicht darum, die Methode zu ergänzen, sondern darum, aufzuschreiben, was ihr Urheber ohnehin tut.

Beispielszenario. Dienstag, 22 Uhr. Der amerikanische Markt hat gerade mit einem Rückgang geschlossen. Die Regel sagt, dass zu verkaufen ist. Der Trader schaut auf den Chart, erinnert sich, dass dieselbe Konstellation im vergangenen Frühjahr innerhalb von drei Handelstagen gedreht hat, und beschließt, bis Donnerstag zu warten. Vielleicht hat er an diesem Abend recht. Vielleicht hat er unrecht.

Die Klärungsarbeit bestand also darin, die Methode so aufzuschreiben, wie sie tatsächlich angewendet wird, und sie dann Zeile für Zeile von demjenigen bestätigen zu lassen, der sie entwickelt hat. Das ist eher eine Arbeit an der Optimierung als an der Entwicklung, und sie ähnelt stark der, die wir leisten, wenn wir in einer Praxis oder einem Mittelstandsbetrieb einen Prozess messen, bevor wir ihn beziffern.

Survivorship Bias: die erste Zahl ist immer zu schön

Nachdem die Regeln aufgeschrieben waren, haben wir sie auf die letzten zwanzig Jahre Kursdaten angewendet, von Dezember 2005 bis November 2025, mit 100.000 Dollar zu Beginn. Diese Übung hat einen Namen, den Backtest: Sie simuliert die Methode auf den Kursen der Vergangenheit, so als hätte sie damals gelaufen.

Das erste Ergebnis war ausgezeichnet. Es war auch falsch, aus einem Grund, auf den nichts auf dem Bildschirm hinweist.

Die Methode wählt ihre Titel unter den hundert Werten des Index Nasdaq-100 und denen des Energiesektors des S&P 500 aus, also unter rund 120 Kandidaten. Diese Liste wird jedoch laufend überarbeitet, und unsere erste Fassung nahm für alle Daten die Liste von 2026. Man muss sie stattdessen für jeden simulierten Zeitraum aktualisieren, mit der Zusammensetzung, die der Index zu diesem Zeitpunkt tatsächlich hatte. Sonst wählt das Programm seine Titel nur unter den Unternehmen aus, die lange genug erfolgreich waren, um heute noch im Index zu stehen. Das nennt man Survivorship Bias, die Verzerrung durch die Überlebenden.

Wir haben deshalb die genaue Zusammensetzung des Index zu jedem Datum rekonstruiert, indem wir die 211 seit Februar 2007 veröffentlichten Änderungen rückwärts nachvollzogen haben, und danach die gesamte Simulation mit diesen Listen wiederholt. Abbildung 1 zeigt, was allein diese Korrektur dem Ergebnis nimmt.

Das Endkapital halbiert sich auf beiden Seiten beinahe. Der jährliche Zuwachs verliert dreieinhalb Punkte, und zwar bei der Methode ebenso wie beim denkbar einfachsten Vergleich: dieselben Titel, gekauft, sobald die Methode sie auswählt, und danach ohne jede Ausstiegsregel gehalten.

Diese Korrektur bleibt unvollständig, und wir sagen es dem Kunden in dem Moment, in dem wir ihm die Kurve zeigen. Der Kursanbieter liefert die Historien gestrichener Gesellschaften nicht mehr aus, sodass 57 der 123 Titel aus dem Universum vom November 2005 nicht auffindbar bleiben. Die datierten Listen stimmen also bei den spät hinzugekommenen Unternehmen und bleiben um jene beschnitten, die ausgeschieden sind. Darunter sind Insolvenzen ebenso wie Übernahmen mit Aufschlag, deren Nettowirkung unbekannt bleibt. Das ist eine Grenze der Simulation, und sie besteht auch in den hier veröffentlichten Zahlen fort.

Die Liste des Energiesektors wurde dagegen gar nicht rekonstruiert: Die Simulation nimmt für den gesamten Zeitraum ihre Zusammensetzung von 2022. Das ist eine zweite, kleinere Quelle derselben Verzerrung, und auch sie besteht in den hier veröffentlichten Zahlen fort.

Look-Ahead-Bias: wie sich verhindern lässt, dass eine Simulation in die Zukunft schaut

Es gibt eine noch unauffälligere Art, sich selbst zu schmeicheln: Eine Berechnung greift ungewollt auf eine Angabe zu, die am Tag der Entscheidung noch gar nicht vorlag. Ein solcher Fehler schleicht sich leicht ein und ist mit bloßem Auge kaum zu erkennen, denn die Grafik bleibt plausibel und die Kurve steigt einfach ein wenig besser.

Wir schützen uns davor mit einem automatischen Test, der bei jeder Änderung am Code erneut läuft und in zwei Schritten arbeitet. Zuerst nehmen wir eine Kurshistorie und schneiden sie an einem Datum in der Mitte entzwei. Dann bauen wir eine zweite Fassung davon, bis zu diesem Datum völlig identisch und danach absichtlich verfälscht: alle späteren Kurse werden multipliziert, mit zehn, mit fünfundzwanzig, mit fünfzig. Anschließend lassen wir das Programm seine Indikatoren und seine Entscheidungen auf beiden Fassungen berechnen und vergleichen nur den Teil vor dem Schnitt, den wir nicht angerührt haben.

Eine Berechnung, die nur die Vergangenheit heranzieht, muss in beiden Fällen genau dieselben Werte liefern, denn die Vergangenheit ist in beiden dieselbe. Die kleinste Abweichung bedeutet daher, ohne andere mögliche Erklärung, dass sie einen Kurs nach dem Entscheidungsdatum gelesen hat. Die verfälschten Kurse werden mit so großen Faktoren multipliziert, damit diese Abweichung, falls es sie gibt, sofort sichtbar wird, statt sich in den Rundungen zu verlieren. Der Test schlägt dann fehl, und die Änderung geht nicht in Produktion. Das Projekt zählt 174 Tests, die vor jeder Veröffentlichung eines Ergebnisses wiederholt werden.

Dazu kommen zwei Ausführungsregeln, die die Fallstudie im Einzelnen darstellt und die wir hier nur in Erinnerung rufen: Die Entscheidung wird am Schlusskurs abgelesen, der Auftrag geht aber erst bei der Eröffnung am nächsten Tag hinaus, und jede Ausführung zahlt ein Zehntelprozent Gebühren, zur Hälfte Provision, zur Hälfte Kursschlupf. Damit berücksichtigt die Simulation die Transaktionskosten und bildet die tatsächlichen Kosten ab.

Eine Annahme wird erst nach einer Simulation übernommen

Nachdem wir die Messung für zuverlässig hielten, haben wir ausprobiert, was nach gesundem Menschenverstand aussah. Wir haben die Auswahl alle drei Monate statt alle sechs erneuert, um näher am Markt zu bleiben. Wir haben zwei Schlusskurse statt eines verlangt, bevor eine Position gehalten bleibt, um Fehlstarts zu vermeiden. Wir haben den Kreis der Kandidaten auf den Gesundheitssektor erweitert, um nicht allein von der Technologie abzuhängen. Und wir haben jeden Titel an seinem eigenen Sektor gemessen oder umgekehrt am gesamten Markt.

Keine dieser Annahmen ist abwegig. Alle kosten Geld, und Abbildung 2 sagt, wie viel.

Die Erweiterung auf den Gesundheitssektor verdient ein Wort, weil sie die Überraschung gut zeigt. Streuung gilt als Vorsichtsmaßnahme; hier nimmt sie dem Endkapital 17,9 %. Und dasselbe Experiment, wiederholt auf der Variante mit einem Hebelprodukt, nimmt ihm 66,4 % und vertieft den schlimmsten Rückgang auf −89 %.

Die beiden größten Abweichungen, −34,1 % und −36,4 %, stammen von den beiden Varianten, die der Titelauswahl einen Filter hinzufügen. Über das Ergebnis dieser zwanzig Jahre entscheidet also die Auswahlregel, mehr als der Rotationskalender oder die Bedingungen für das Halten.

Was bleibt, wenn alles weggenommen ist

Nach diesem Aufräumen beendet die gewählte Regel die zwanzig Jahre bei 1.312.607 Dollar, das entspricht +13,7 % pro Jahr. Diese Zahl ist nicht die aus Abbildung 1: Die Korrektur des Survivorship Bias wurde an der damals verwendeten Fassung der Simulation gemessen, die den Korb einmal im Jahr erneuerte und jedes Jahr wieder mit Barmitteln begann. Die gewählte Fassung, an der die Varianten aus Abbildung 2 gemessen sind, erneuert den Korb alle sechs Monate und behält die Positionen, deren Trend noch anhält, und genau dieses Behalten hebt das Endkapital an. Dieselben Titel ohne jede Ausstiegsregel zu halten hätte im selben Zeitraum und mit denselben Gebühren +12,4 % pro Jahr ergeben. Der Abstand beträgt nach zwanzig Jahren also rund ein Viertel des Kapitals. Das ist wenig, und es genügt nicht, um das Schreiben eines Programms zu rechtfertigen. Das Portfolio enthält immer nur fünf Titel: Ein einziger anderer Titel in einem einzigen Korb kann das Endkapital in derselben Größenordnung verschieben. Dieser Abstand kann also von der Methode kommen wie vom Zufall, und wir sagen es dem Kunden.

Der eigentliche Gewinn der Methode liegt woanders: Sie senkt das Risiko. Indem sie Positionen verlässt, wenn der Markt dreht, erspart sie dem Portfolio die heftigsten Rückgänge. Der schlimmste Rückgang zwischen einem Hoch und dem darauffolgenden Tief — Fachleute sagen Drawdown — geht von −72 % bei denselben, einfach gehaltenen Titeln auf −40 % bei der gewählten Regel zurück. Das Kapital nimmt also einen deutlich ruhigeren Verlauf, bei nahezu gleicher Rendite. Genau das fasst die Sharpe-Ratio zusammen, die die Rendite ins Verhältnis zu den Erschütterungen setzt, die man für sie hinnehmen musste: Sie steigt von 0,55 auf 0,67.

Dieser ruhigere Verlauf wirkt sich unmittelbar auf den Hebel aus. Hebelprodukte wie Turbos und Zertifikate verlieren ihren gesamten Wert, sobald der Kurs eine bei der Ausgabe festgelegte Schwelle berührt. Je größer die Schwankungen des Portfolios ausfallen, desto eher wird diese Schwelle erreicht, und desto schneller. Eine Strategie, die Rückgänge begrenzt, macht solche Produkte also überhaupt erst denkbar, ohne dass sie bei der ersten Erschütterung verfallen.

Wir haben diese Variante gemessen. Sie legt den gesamten Anteil auf ein von einer Bank ausgegebenes Zertifikat mit Hebel drei, das Anstieg wie Rückgang verdreifacht. Sie endet bei 5,7 Millionen Dollar, also +22,4 % pro Jahr, viermal besser als die Regel ohne Hebel. Ihr schlimmster Rückgang erreicht aber −79 %, und ihre Sharpe-Ratio fällt auf 0,64 zurück: Der Hebel verstärkt die Folgen der Signale, er verbessert nicht deren Qualität. Eine Kurve, die höher endet, nachdem sie durch −79 % gegangen ist, hält nicht, weil niemand ihr bis zum Ende folgt.

Was der Kunde am Ende erhält

Die Inbetriebnahme ist der einfachste Teil, sobald der Rest erledigt ist. Ein Server führt jeden Abend eine geplante Aufgabe aus, die nach dem Schluss in New York die Kurse herunterlädt, alle Berechnungen seit dem ersten Tag wiederholt, eine Reihe von Kontrollen durchläuft und eine Nachricht mit einem Urteil verschickt: kaufen, verkaufen oder nichts tun. Der Kunde plant seine Aufträge am nächsten Morgen vor der Eröffnung ein.

Dazu erhält er den Code, die Ergebnisdateien und alles, was nötig ist, um jede Berechnung auf seinem eigenen Rechner ohne uns zu wiederholen, und dieser Teil zählt so viel wie der Rest. Die genauen Werte, die seine Strategie steuern, gehören ihm, und sie sind nirgends veröffentlicht: Die veröffentlichte Fallstudie beschreibt das Vorgehen und nennt die Renditezahlen.

Die Auftragserteilung ist in seinen Händen geblieben, weil ihm daran liegt. Sie lässt sich ebenfalls automatisieren und direkt an den Broker senden, sofern dieser eine Schnittstelle anbietet, um sie entgegenzunehmen.

Dasselbe Vorgehen außerhalb der Börse

Nichts vom Vorangegangenen ist dem Börsenhandel eigen. Drei Schritte wiederholen sich, sobald eine Entscheidung regelmäßig wiederkehrt und auf Regeln beruht, die jemand kennt, ohne sie immer anzuwenden: die Regel zu Ende aufschreiben, ehrlich messen, was sie bringt, und ihre Ausführung dann einem Programm übergeben. Die Entscheidung bleibt die des Kunden: Es ist seine Regel, er ändert sie, wann er will, und er sieht jeden Tag, was das Programm getan hat. Was die Automatisierung hinzufügt, ist eine zuverlässige Anwendung, eine ständige Überwachung und, an der Börse, weniger Unvorhersehbarkeit. Genau diesem Ablauf folgen wir, wenn wir einen Geschäftsprozess automatisieren, und das beschreibt auch unsere Methodenseite.

Die erste Zahl eines Projekts fällt fast immer schmeichelhaft aus, weil sie unter den günstigsten Bedingungen entstanden ist, dort, wo man die Antwort schon kennt. Die Arbeit beginnt, wenn man versucht, sie zu widerlegen.

Wenn Sie eine Methode von Hand anwenden und sie einem Programm übergeben möchten, an der Börse oder anderswo, genügt ein Gespräch von 30 Minuten in der Regel, um zu wissen, ob sie sich programmieren lässt und was vorher zu messen wäre. Schreiben Sie uns am Ende dieser Seite oder buchen Sie direkt einen Termin in unserem Kalender.

Alle Zahlen in diesem Beitrag stammen aus Simulationen auf vergangenen Kursen und nicht aus einer Historie tatsächlich erteilter Aufträge. Wir übermitteln keinen Auftrag an einen Broker, und nichts vom Vorangegangenen stellt eine Anlageberatung dar.