Methodik › Auswahl der Strategie

Methodik · Teil 3 von 3

Auswahl der Strategie

Aus vielen getesteten Varianten wird genau eine ausgewählt und ins Journal übernommen. Nach welchen Regeln das geschieht — und warum die Variante mit der höchsten Rendite fast nie die richtige ist.

Lesezeit ca. 12 Minuten

Das Problem

Warum „die Beste“ die falsche Wahl ist

Der naheliegende Reflex — aus allen getesteten Varianten die mit dem höchsten Ergebnis nehmen — ist genau der Fehler, vor dem die Backtest-Literatur warnt. Wer viele Varianten durchprobiert, findet immer eine, die glänzt. Rein zufällig.

Testet man \(N\) unabhängige Varianten, deren „wahre“ Rendite in Wirklichkeit null ist, dann steigt die höchste beobachtete Sharpe Ratio allein durch Zufall mit der Zahl der Versuche. Näherungsweise gilt für den Erwartungswert des Maximums aus \(N\) standardnormalen Ziehungen:

$$ \mathbb{E}\!\left[\max_{1\le i\le N} Z_i\right] \;\approx\; \sqrt{2\ln N} $$

Der zu erwartende „beste“ Zufallstreffer wächst mit der Zahl der Versuche. Bei 100 Varianten liegt er bei rund 3 Standardabweichungen — eine scheinbar starke Strategie, die nichts als Rauschen ist.

Die Konsequenz: Nicht das Maximum zählt, sondern die Robustheit. Gesucht ist nicht der höchste Punkt, sondern das breiteste Plateau.

Kriterium 1

Parameter-Stabilität: das Plateau schlägt die Spitze

Eine robuste Strategie liefert nicht nur bei einem exakten Parameterwert ein gutes Ergebnis, sondern über einen ganzen Bereich benachbarter Werte. Ein isolierter Ausschlag ist verdächtig — er deutet auf Overfitting hin, weil er beim kleinsten realen Abweichen zusammenbricht.

Ergebnis über den Delta-Parameter Delta → Sharpe Zufallsspitze gewählter Wert (Plateau-Mitte)
Nicht der höchste Einzelwert (grau, gestrichelt) wird gewählt, sondern die Mitte des stabilen Plateaus (blau). Dort ändert sich das Ergebnis kaum, wenn der Parameter leicht abweicht — genau das macht die Wahl robust.

Formal lässt sich Stabilität als geringe Empfindlichkeit des Ergebnisses \(M\) gegenüber dem Parameter \(\theta\) fassen — die Steigung um den gewählten Punkt soll klein sein:

$$ \text{Stabilität} \;\propto\; \left| \frac{\partial M}{\partial \theta} \right|^{-1} \quad\text{am gewählten } \theta^{*} $$

Je flacher die Ergebniskurve um den gewählten Parameter, desto robuster die Wahl gegenüber realer Abweichung.

Kriterium 2

Out-of-Sample: der Test auf ungesehenen Daten

Die Parameter werden auf einem Teil der Historie bestimmt (In-Sample) und anschließend auf einem zurückgehaltenen, nie zur Optimierung genutzten Teil geprüft (Out-of-Sample). Erst wenn die Strategie auch dort trägt, ist sie einen zweiten Blick wert.

Als Maß dient die Degradation — der relative Abfall der Sharpe Ratio zwischen In- und Out-of-Sample:

$$ D \;=\; 1 – \frac{\mathrm{SR}_{\text{OOS}}}{\mathrm{SR}_{\text{IS}}} $$

D nahe 0 bedeutet: Das Ergebnis hält außerhalb der Optimierung. Ein großes D (oder ein negatives SR im OOS) entlarvt eine überangepasste Strategie.

Sharpe: In-Sample vs. Out-of-Sample Var. AVar. BVar. CVar. D negativ In-Sample Out-of-Sample
Variante A sieht in-sample am besten aus, bricht aber out-of-sample ein — klassisch überangepasst. Variante B hält beides und wird bevorzugt, obwohl ihr In-Sample-Wert niedriger ist als der von A.

Kriterium 3

Walk-Forward: rollierend statt einmalig

Statt Historie einmalig in zwei Blöcke zu teilen, wird sie rollierend getestet: optimieren auf einem Fenster, prüfen auf dem folgenden, dann alles um einen Schritt weiterschieben. So entsteht eine Kette von Out-of-Sample-Ergebnissen über die ganze Historie — deutlich aussagekräftiger als ein einzelner Split.

Walk-Forward-Fenster optimieren prüfen
Jedes blaue Fenster dient der Optimierung, das direkt folgende grüne der Prüfung. Das Verfahren rückt schrittweise durch die Zeit — die grünen Segmente zusammen ergeben einen durchgängigen Out-of-Sample-Verlauf.

Entscheidung

Der zusammengesetzte Robustheits-Score

Die Kriterien werden zu einer einzigen Kennzahl verdichtet, damit die Auswahl nachvollziehbar und nicht willkürlich ist. Ein möglicher zusammengesetzter Score gewichtet die stabile Performance, bestraft die Out-of-Sample-Degradation und die Streuung über die Störungen:

$$ S_{\text{robust}} \;=\; \overline{\mathrm{SR}}_{\text{OOS}} \;-\; \lambda_1\, D \;-\; \lambda_2\, \sigma_{\text{Perturbation}} $$

Gewählt wird die Variante mit dem höchsten S — nicht die mit der höchsten Rohrendite. Die Gewichte λ₁, λ₂ legen fest, wie streng Überanpassung und Instabilität bestraft werden.

VarianteSR (In-Sample)SR (OOS)Degradation DScore
A — Delta 151,900,450,76niedrig
B — Delta 301,351,180,13höchster
C — Delta 401,100,920,16mittel
D — Delta 102,05−0,201,10negativ

Variante D hätte die Auswahl „nach höchster Rendite“ gewonnen — und out-of-sample Geld verloren. Gewählt wird B: nicht der Spitzenreiter im Test, aber die Einzige, die außerhalb der Optimierung stabil bleibt.

Übergabe

Von der Auswahl ins Journal

Hier schließt sich der Kreis. Die nach diesen Regeln ausgewählte Variante ist kein akademisches Endergebnis — sie ist der Startpunkt des Trading-Journals. Genau diese eine Strategie wird anschließend über einen Paper-Account live nachgebildet und Woche für Woche dokumentiert.

Die Auswahl beantwortet, welche Strategie es verdient hat, weiterverfolgt zu werden. Das Journal beantwortet, ob sie hält, was der Backtest versprach.

Damit wird der Übergang selbst zum Prüfstein: Die im Backtest erwarteten Kennzahlen — CAGR, Trefferquote, durchschnittliche Prämie — stehen von Beginn an fest und werden im Journal dem tatsächlichen Verlauf gegenübergestellt. Weicht die Realität ab, ist die Abweichung selbst der Erkenntnisgewinn.

Nächster Schritt

Jede hier ausgewählte Strategie erscheint im Trading-Journal — mit der Backtest-Erwartung als Messlatte und dem laufenden Paper-Ergebnis daneben. Prognose gegen Realität.