Von Backtest zu Live: Wissenschaftliche Validierung von Trading-Strategien
Die Illusion des perfekten Backtests
Jeder, der sich mit algorithmischem Trading beschäftigt, kennt diesen Moment: Nach stundenlanger Optimierung zeigt der Backtest endlich die gewünschten Ergebnisse. Die Equity-Kurve steigt stetig, die Drawdowns sind minimal, die Sharpe Ratio beeindruckend. Man ist versucht, sofort echtes Geld einzusetzen.
Doch genau hier beginnt das Problem. Marcos López de Prado, ehemaliger Head of Machine Learning bei AQR Capital Management und einer der einflussreichsten Forscher im Bereich Quantitative Finance, kam in seiner Analyse zu einem ernüchternden Ergebnis: Über 90 Prozent aller veröffentlichten Backtest-Ergebnisse sind statistisch nicht haltbar. Sie würden einer rigorosen Out-of-Sample-Validierung nicht standhalten.
Diese Zahl ist keine Übertreibung eines Pessimisten. Sie spiegelt ein fundamentales Problem wider, das die Finanzindustrie seit Jahrzehnten plagt: Overfitting. Eine Strategie, die perfekt auf vergangene Daten passt, aber in der Zukunft kläglich versagt.
Die gute Nachricht: Es gibt bewährte Methoden, um Overfitting zu erkennen – noch bevor ein einziger Euro riskiert wird. Diese Methoden stammen nicht aus der Trading-Welt, sondern aus der Wissenschaft, und haben sich über Jahrzehnte bewährt.
Die vollständige Validierungs-Pipeline: Von der Idee zur einsatzbereiten Strategie
Walk-Forward Analysis: Der Goldstandard der Strategievalidierung
Die Ursprünge einer revolutionären Methode
Die Walk-Forward Analysis, wie wir sie heute kennen, wurde maßgeblich von Robert Pardo geprägt. In seinem 1992 erschienenen Werk "Design, Testing, and Optimization of Trading Systems" – später erweitert und neu aufgelegt als "The Evaluation and Optimization of Trading Strategies" – legte er den Grundstein für eine Methodik, die heute zum Standard professioneller Quant-Funds gehört.
Pardos Motivation war simpel, aber tiefgreifend: Er beobachtete, dass Trader immer wieder in dieselbe Falle tappten. Sie optimierten ihre Strategien auf historischen Daten, bis die Ergebnisse beeindruckend aussahen, nur um dann im Live-Trading zu scheitern. Das Problem war nicht mangelndes Talent oder schlechte Strategien – es war die Art und Weise, wie getestet wurde.
Der traditionelle Backtest behandelt alle historischen Daten als Trainingsmaterial. Man nimmt die Daten von 2015 bis 2024, optimiert die Parameter, und staunt über die Ergebnisse. Doch diese Ergebnisse sind wertlos, denn die Strategie "kannte" bereits alle Marktbewegungen, alle Krisen, alle Rallyes. Sie wurde darauf optimiert, diese spezifischen Ereignisse zu meistern – nicht darauf, unbekannte Zukunft zu navigieren.
Das Prinzip: Simuliere die Realität
Walk-Forward Analysis dreht den Spieß um. Statt die gesamte Historie für die Optimierung zu verwenden, wird der Entwicklungsprozess simuliert, wie er in der Realität stattfinden würde.
Nehmen wir ein konkretes Beispiel: Angenommen, wir entwickeln heute, im Januar 2026, eine Strategie. In der Realität hätten wir nur Zugang zu Daten bis heute. Wir könnten die Strategie auf Daten von 2020 bis 2024 optimieren und dann auf den Daten von 2025 testen – Daten, die während der Entwicklung "noch nicht existierten".
Walk-Forward systematisiert diesen Prozess. Die historischen Daten werden in Fenster aufgeteilt: Ein größeres Fenster für die Optimierung (In-Sample) und ein kleineres Fenster für den Test (Out-of-Sample). Dann verschiebt sich das gesamte Konstrukt in die Zukunft, und der Prozess wiederholt sich.
Der Walk-Forward Prozess: Optimierung und Test in rollierenden Fenstern
Anchored vs. Rolling: Zwei Philosophien
Bei der Implementierung von Walk-Forward gibt es zwei grundlegende Ansätze, die jeweils ihre Berechtigung haben.
Der Anchored Approach beginnt immer am selben Startpunkt. Das erste In-Sample-Fenster könnte von 2015 bis 2018 reichen, das zweite von 2015 bis 2019, das dritte von 2015 bis 2020. Mit jeder Iteration wächst das Trainingsmaterial. Dieser Ansatz spiegelt wider, wie viele Trader tatsächlich arbeiten: Sie nutzen alle verfügbaren historischen Daten für ihre Analysen.
Der Rolling Approach hält die Fenstergröße konstant. Das erste Fenster reicht von 2015 bis 2018, das zweite von 2016 bis 2019, das dritte von 2017 bis 2020. Ältere Daten werden "vergessen". Dieser Ansatz basiert auf der Annahme, dass Märkte sich ändern und sehr alte Daten möglicherweise nicht mehr repräsentativ für aktuelle Marktbedingungen sind.
In der Praxis zeigt sich: Robuste Strategien funktionieren mit beiden Ansätzen. Wenn eine Strategie nur mit einem der beiden Methoden gute Ergebnisse liefert, ist das ein Warnsignal.
Walk-Forward Efficiency: Die entscheidende Kennzahl
Robert Pardo führte eine Kennzahl ein, die bis heute als wichtigster Indikator für die Robustheit einer Strategie gilt: die Walk-Forward Efficiency, kurz WFE.
Die Idee dahinter ist elegant: Wenn wir eine Strategie auf In-Sample-Daten optimieren, erzielen wir dort bestimmte Ergebnisse – sagen wir, einen Gewinn von 100R. Die spannende Frage ist: Wie viel davon bleibt im Out-of-Sample-Test erhalten?
Die WFE drückt genau das aus: das Verhältnis von Out-of-Sample-Performance zu In-Sample-Performance. Ein WFE von 50% bedeutet, dass die Strategie im "echten" Test die Hälfte ihrer optimierten Performance erreicht hat.
Auf den ersten Blick mag das enttäuschend klingen. Doch erfahrene Quants wissen: Eine WFE von 50% oder höher ist ein exzellentes Ergebnis. Es bedeutet, dass die Strategie nicht nur auf bekannte Daten optimiert wurde, sondern tatsächlich ein robustes Muster im Markt erkannt hat.
Eine WFE unter 30% hingegen ist ein deutliches Warnsignal. Die Strategie hat wahrscheinlich nur Rauschen in den historischen Daten "gelernt" – Muster, die zufällig entstanden sind und keine Vorhersagekraft für die Zukunft haben.
Unsere Walk-Forward Ergebnisse über 8 Perioden mit durchschnittlicher WFE von 47%
Monte Carlo Simulation: Die Statistik der Möglichkeiten
Von den Spielcasinos zur Finanzwissenschaft
Die Monte Carlo Methode verdankt ihren Namen nicht einem genialen Wissenschaftler, sondern dem berühmten Casino in Monaco. In den 1940er Jahren arbeiteten Stanislaw Ulam und John von Neumann am Manhattan Project, dem amerikanischen Atombombenprogramm. Sie standen vor einem Problem: Bestimmte physikalische Prozesse waren zu komplex, um sie mathematisch exakt zu berechnen.
Ulam, ein passionierter Kartenspieler, hatte eine Idee. Statt zu versuchen, die Wahrscheinlichkeit eines Erfolgs bei Patience mathematisch zu berechnen, könnte man einfach tausende Spiele simulieren und zählen, wie oft man gewinnt. Das Ergebnis wäre nicht exakt, aber bei genügend Wiederholungen würde es sich dem wahren Wert annähern.
Diese Idee – komplexe Probleme durch wiederholte Zufallssimulation zu lösen – wurde zur Monte Carlo Methode. Sie revolutionierte nicht nur die Physik, sondern auch die Finanzwissenschaft.
Anwendung im Trading: Was wäre wenn?
Im Trading beantwortet Monte Carlo eine fundamentale Frage: Wie robust sind meine Ergebnisse gegenüber dem Zufall?
Nehmen wir an, eine Strategie hat in einem Jahr 100 Trades gemacht und dabei einen Gewinn von 50R erzielt. Das klingt gut. Aber was wäre, wenn die Trades in einer anderen Reihenfolge gekommen wären? Was wäre, wenn der große Gewinnertrade am Anfang statt am Ende gekommen wäre? Was wäre, wenn drei Verlusttrades hintereinander am Anfang aufgetreten wären, als das Konto noch klein war?
Monte Carlo Simulation nimmt die realen Trades und würfelt sie neu. Tausende Male. Zehntausende Male. Bei jeder Iteration entsteht eine andere Equity-Kurve, ein anderer maximaler Drawdown, eine andere Endrendite.
Das Ergebnis ist keine einzelne Zahl, sondern eine Verteilung von Möglichkeiten. Und diese Verteilung ist unglaublich aussagekräftig.
Monte Carlo Verteilung: 10.000 Simulationen zeigen die Bandbreite möglicher Outcomes
Konfidenzintervalle und Ruin-Wahrscheinlichkeit
Aus der Monte Carlo Verteilung lassen sich mehrere kritische Kennzahlen ableiten.
Das 95% Konfidenzintervall für den maximalen Drawdown sagt uns: "Mit 95-prozentiger Sicherheit wird der Drawdown zwischen diesen beiden Werten liegen." Wenn dieses Intervall bei 12% bis 26% liegt, wissen wir, dass wir auf einen Drawdown von bis zu 26% vorbereitet sein müssen – selbst wenn der historische Drawdown nur 15% betrug.
Die Ruin-Wahrscheinlichkeit beantwortet die existenzielle Frage: "Wie wahrscheinlich ist es, dass ich mein Konto verliere?" Im professionellen Trading ist jede Ruin-Wahrscheinlichkeit über 1% inakzeptabel. Selbst 0.5% bedeutet, dass einer von 200 Tradern mit dieser Strategie pleite gehen wird – eine Realität, die oft verdrängt wird.
Der 5th Percentile Return zeigt das "Worst Case Szenario" unter realistischen Bedingungen. Wenn dieser Wert positiv ist, bedeutet das: Selbst wenn fast alles schief geht, bleibt die Strategie profitabel.
Bootstrap vs. Permutation
Bei der technischen Umsetzung gibt es zwei Hauptvarianten, die jeweils unterschiedliche Fragen beantworten.
Die Permutation-Methode ordnet die Trades zufällig neu an, ohne sie zu verändern. Sie beantwortet die Frage: "Wie hätte die Equity-Kurve aussehen können, wenn die Trades in anderer Reihenfolge gekommen wären?" Diese Methode ist besonders nützlich, um die Robustheit der Drawdown-Schätzung zu testen.
Die Bootstrap-Methode zieht Trades mit Zurücklegen. Ein Trade kann also mehrfach vorkommen oder gar nicht. Sie beantwortet die Frage: "Was wäre, wenn meine historischen Trades nur eine Stichprobe aus einem größeren Universum möglicher Trades sind?" Diese Methode ist strenger und liefert konservativere Schätzungen.
Wir verwenden beide Methoden und achten darauf, dass die Ergebnisse konsistent sind.
Cross-Validation: Borrowed from Machine Learning
Die Revolution aus dem Silicon Valley
Cross-Validation ist keine Erfindung der Trading-Welt. Sie stammt aus dem maschinellen Lernen, wo sie seit Jahrzehnten der Standard ist, um die Generalisierungsfähigkeit von Modellen zu testen.
Das Grundprinzip ist simpel: Teile deine Daten in K gleiche Teile. Trainiere dein Modell auf K-1 Teilen und teste es auf dem verbleibenden Teil. Wiederhole das K-mal, sodass jeder Teil einmal als Testset dient.
Im Trading ist die Anwendung allerdings nicht so direkt möglich. Finanzdaten sind Zeitreihen – die Reihenfolge ist entscheidend. Wenn wir einfach zufällig Teile herausgreifen, ignorieren wir die zeitliche Struktur der Daten.
Das Problem der Data Leakage
Hier kommt ein subtiles, aber kritisches Problem ins Spiel: Data Leakage. Information aus der "Zukunft" kann in das Training "lecken" und die Ergebnisse verfälschen.
Stellen wir uns vor, wir nutzen Standard-K-Fold auf täglichen Daten. Das Testset enthält Daten vom 15. März. Das Trainingsset enthält Daten vom 14. März und vom 16. März. Das Problem: Die Daten vom 16. März enthalten implizit Information über den 15. März. Vielleicht war der 15. März ein Tag mit hoher Volatilität, und diese Volatilität wirkte sich auf den 16. März aus. Das Modell könnte diese Information nutzen, um den 15. März "vorherzusagen" – obwohl es in der Realität diese Information nicht hätte.
Purged K-Fold: Die Lösung
López de Prado und andere Forscher entwickelten eine Variante namens Purged K-Fold. Die Idee: Zwischen dem Trainingsset und dem Testset wird eine "Embargo-Zone" eingefügt – ein Zeitraum, der weder für Training noch für Testing verwendet wird.
Die Länge der Embargo-Zone sollte mindestens so lang sein wie die maximale Haltedauer eines Trades. Wenn unsere Strategie Trades bis zu 5 Tage hält, sollte die Embargo-Zone mindestens 5 Tage betragen.
Diese scheinbar kleine Anpassung hat dramatische Auswirkungen. Strategien, die mit Standard-K-Fold fantastische Ergebnisse zeigen, brechen mit Purged K-Fold oft zusammen. Sie hatten unbewusst von Data Leakage profitiert.
Parameter-Stabilität: Das übersehene Signal
Cross-Validation zeigt nicht nur, wie gut eine Strategie performt, sondern auch, wie stabil ihre optimalen Parameter sind.
Wenn wir in jedem Fold andere optimale Parameter finden, ist das ein Warnsignal. Es bedeutet, dass die Parameter stark vom spezifischen Zeitraum abhängen – ein klassisches Zeichen von Overfitting.
Wenn hingegen die optimalen Parameter über alle Folds hinweg ähnlich bleiben, spricht das für eine robuste Strategie. Die Parameter haben offenbar ein echtes Muster im Markt erfasst, nicht nur zufälliges Rauschen in einem bestimmten Zeitraum.
Parameter-Stabilität: Geringe Varianz über verschiedene Folds deutet auf Robustheit hin
Stress Testing: Wenn alles zusammenbricht
Die Lektionen aus der Vergangenheit
Die Geschichte der Finanzmärkte ist eine Geschichte von Krisen. Der Schwarze Montag 1987, die Asienkrise 1997, die Dotcom-Blase 2000, die Finanzkrise 2008, der Flash Crash 2010, der COVID-Crash 2020 – jede Generation von Tradern hat ihre Extremereignisse erlebt.
Stress Testing fragt: "Wie hätte unsere Strategie in diesen Extremsituationen reagiert?"
Das ist keine akademische Übung. Eine Strategie, die über Jahre profitabel arbeitet und dann in einer Krise das gesamte Konto auslöscht, ist wertlos. Schlimmer noch: Sie ist gefährlich, weil sie ein falsches Sicherheitsgefühl vermittelt.
Regime-Analyse: Nicht alle Märkte sind gleich
Märkte bewegen sich in Regimen – Phasen mit unterschiedlichen Charakteristiken. Eine Phase niedriger Volatilität verhält sich fundamental anders als eine Phase hoher Volatilität oder gar einer Krise.
Die Unterscheidung zwischen diesen Regimen kann auf verschiedene Arten erfolgen. Eine gängige Methode nutzt den VIX, den "Angstindex" des Marktes. VIX unter 15 signalisiert ungewöhnliche Ruhe, VIX über 35 signalisiert Panik.
Eine robuste Strategie muss nicht in jedem Regime profitabel sein. Aber sie darf in keinem Regime katastrophal verlieren. Es ist völlig akzeptabel, wenn eine Strategie in Krisenzeiten flach performt oder kleine Verluste macht – solange sie nicht das Konto gefährdet.
Synthetische Szenarien: Was noch nicht passiert ist
Historische Stress Tests haben eine Limitierung: Sie testen nur, was bereits passiert ist. Aber die nächste Krise wird anders sein als alle vorherigen.
Deshalb ergänzen wir historische Tests mit synthetischen Szenarien. Was passiert, wenn der Markt innerhalb eines Tages um 20% fällt? Was passiert bei einem Flash Crash, gefolgt von einer sofortigen Erholung? Was passiert, wenn die Liquidität plötzlich verschwindet?
Diese Szenarien sind nicht realistisch im Sinne von "Das wird wahrscheinlich passieren." Sie sind realistisch im Sinne von "Das könnte passieren, und wir sollten vorbereitet sein."
Wann ist eine Strategie einsatzbereit?
Nach Walk-Forward Analysis, Monte Carlo Simulation, Cross-Validation und Stress Testing haben wir ein klares Bild davon, ob eine Strategie robust ist oder nicht.
Eine Strategie gilt als validiert und einsatzbereit, wenn sie folgende Kriterien erfüllt: Die Walk-Forward Efficiency liegt über 40% über mindestens sechs Perioden. Die Monte Carlo Analyse zeigt eine Ruin-Wahrscheinlichkeit unter 1% und einen positiven Return im 5th Percentile. Die Parameter sind über Cross-Validation-Folds hinweg stabil. Stress Tests zeigen kein katastrophales Verhalten in Extremszenarien.
Wenn eine Strategie all diese Tests besteht, hat sie bewiesen, dass sie auf unbekannten Daten funktioniert. Sie ist bereit für den Live-Einsatz.
Keine weiteren Tests sind nötig, um die Strategie zu validieren. Sie ist fertig.
Die Rolle von Live-Vergleichen: Transparenz, nicht Validierung
Hier kommt ein wichtiger Punkt, der oft missverstanden wird. Wenn wir auf unserer Website verschiedene Varianten einer Strategie live gegeneinander antreten lassen, ist das keine zusätzliche Validierung. Die Strategien sind bereits validiert. Walk-Forward, Monte Carlo, Cross-Validation – all das ist abgeschlossen.
Der Zweck von Live-Vergleichen ist ein anderer: Transparenz und Entscheidungshilfe für den Kunden.
Das Entscheidungsproblem des Kunden
Eine validierte Strategie kann in verschiedenen Varianten existieren. Nehmen wir unser aktuelles Beispiel: Wir haben zwei Varianten derselben HK50-Strategie. Beide basieren auf derselben Kernlogik. Beide haben Walk-Forward und Monte Carlo bestanden. Beide sind profitabel.
Der Unterschied liegt im Timing. Eine Variante ist konservativer und wartet länger auf Bestätigung. Die andere ist aggressiver und steigt früher ein.
Welche ist besser? Das ist die falsche Frage. Beide sind gut. Beide funktionieren. Die richtige Frage ist: Welche passt besser zum individuellen Kunden?
Psychologie und Marktpsychologie: Der menschliche Faktor
Hier kommen wir zu einem Aspekt, der in quantitativen Analysen oft vernachlässigt wird: die Psychologie.
Der berühmte Behavioral Finance Forscher Daniel Kahneman, Nobelpreisträger für Wirtschaft, hat gezeigt, dass Menschen Verluste etwa doppelt so stark empfinden wie Gewinne gleicher Größe. Ein Verlust von 1000 Euro schmerzt mehr, als ein Gewinn von 1000 Euro Freude bereitet. Diese asymmetrische Wahrnehmung wird als Verlustaversion bezeichnet.
Was bedeutet das für die Strategiewahl? Eine aggressivere Strategie mag auf dem Papier höhere Returns liefern. Aber sie hat auch tiefere Drawdowns. Und während ein Drawdown von 25% mathematisch gesehen kein Problem ist – solange die Strategie langfristig profitabel ist – kann er psychologisch verheerend sein.
Kahneman und sein Kollege Amos Tversky haben auch die Prospect Theory entwickelt, die beschreibt, wie Menschen unter Unsicherheit entscheiden. Ein zentrales Ergebnis: Menschen sind nicht risikoavers im klassischen Sinne. Sie sind verlustavers. Sie nehmen irrationale Risiken auf sich, um Verluste zu vermeiden, und werden übervorsichtig, wenn es um Gewinne geht.
Im Trading-Kontext bedeutet das: Ein Trader, der seine Strategie während eines Drawdowns abschaltet, weil er den psychologischen Druck nicht aushält, wird niemals die langfristigen Returns sehen, die der Backtest versprochen hat. Die beste Strategie der Welt ist wertlos, wenn der Trader sie nicht durchhalten kann.
Konsistenz versus Rendite: Eine persönliche Entscheidung
Die Entscheidung zwischen einer konservativeren und einer aggressiveren Variante ist keine objektive, sondern eine persönliche Frage. Sie hängt von mehreren Faktoren ab, die für jeden Trader unterschiedlich sind.
Zunächst spielt die Risikobereitschaft eine Rolle. Manche Menschen schlafen mit einer volatileren Equity-Kurve problemlos. Andere liegen nachts wach, wenn das Konto um 10% gefallen ist.
Dann ist da die Kapitalgröße. Mit einem größeren Konto kann man auch tiefere prozentuale Drawdowns verkraften, ohne dass es die Lebensqualität beeinträchtigt. Ein Drawdown von 20% bei einem 100.000-Euro-Konto sind 20.000 Euro – schmerzhaft, aber verkraftbar. Bei einem 10.000-Euro-Konto sind es nur 2.000 Euro – emotional vielleicht sogar schlimmer, weil das Konto "so klein" ist.
Der Zeithorizont spielt ebenfalls eine Rolle. Wer in 5 Jahren in Rente gehen will, braucht andere Strategien als jemand mit einem 30-jährigen Anlagehorizont. Kurzfristig dominiert die Varianz, langfristig der Erwartungswert.
Und schließlich gibt es persönliche Umstände. Schulden, Familie, berufliche Situation – all das beeinflusst, wie viel Risiko man rational eingehen sollte und emotional eingehen kann.
Was der Live-Vergleich zeigt
Indem wir verschiedene Varianten transparent nebeneinander zeigen, ermöglichen wir dem Kunden, diese Entscheidung informiert zu treffen.
Er sieht in Echtzeit, wie sich die konservative Variante verhält: stabiler, aber möglicherweise mit geringeren Returns. Er sieht, wie sich die aggressive Variante verhält: dynamischer, aber mit tieferen Drawdowns.
Er sieht, dass Drawdowns normal sind – nicht ein Zeichen dafür, dass etwas schiefgelaufen ist, sondern ein natürlicher Teil des Trading-Prozesses. Er sieht, dass "mehr Return" fast immer "mehr Risiko" bedeutet – es gibt keinen Free Lunch.
Und er sieht, dass die Strategien real sind. Keine polierten Backtests, keine selektiv ausgewählten Zeiträume. Echte Trades, in Echtzeit, mit allen Höhen und Tiefen.
Live-Vergleich unserer Standard- und Aggressive-Variante auf der Performance-Seite
Fazit: Validierung und Transparenz
Die Validierung einer Trading-Strategie ist Wissenschaft. Walk-Forward Analysis, Monte Carlo Simulation, Cross-Validation, Stress Testing – diese Methoden wurden über Jahrzehnte entwickelt und verfeinert. Sie ermöglichen es uns, Overfitting zu erkennen und robuste Strategien von Zufallstreffern zu unterscheiden.
Eine Strategie, die all diese Tests besteht, ist bereit für den Live-Einsatz. Sie hat bewiesen, dass sie auf unbekannten Daten funktioniert. Keine weiteren Tests sind für die Validierung nötig.
Die Live-Transparenz dient einem anderen Zweck. Sie ist Service, nicht Validierung. Sie hilft dem Kunden, die richtige Variante für seine persönliche Situation zu wählen. Sie zeigt die Realität des Tradings – mit allen Höhen und Tiefen. Und sie demonstriert, dass wir hinter unseren Strategien stehen, öffentlich und nachvollziehbar.
Das ist unser Ansatz: Wissenschaftliche Rigorosität bei der Entwicklung. Radikale Transparenz bei der Präsentation. Und die Erkenntnis, dass die beste Strategie diejenige ist, die der Trader auch durchhalten kann.
Unsere Validierungsergebnisse
Die folgende Tabelle fasst die Ergebnisse unserer Validierung zusammen. Details zu den einzelnen Methoden werden wir in zukünftigen Beiträgen vertiefen.
| Metrik | Ergebnis |
|---|---|
| Walk-Forward Perioden | 8 |
| Durchschnittliche WFE | 47% |
| Out-of-Sample Win Rate | 31-38% |
| Profitable Perioden | 7 von 8 (87.5%) |
| Monte Carlo Simulationen | 10.000 |
| 95% Konfidenzintervall Max DD | 12-26% |
| Ruin-Wahrscheinlichkeit | < 0.5% |
Weiterführende Themen
Dieser Artikel gibt einen Überblick über die wichtigsten Validierungsmethoden. In zukünftigen Beiträgen werden wir tiefer in die einzelnen Themen einsteigen:
- Walk-Forward Analysis im Detail: Anchored vs. Rolling, optimale Fenstergrößen, häufige Fehler
- Monte Carlo für Trader: Bootstrap vs. Permutation, Interpretation der Ergebnisse, praktische Umsetzung
- Cross-Validation bei Zeitreihen: Purged K-Fold, Embargo-Perioden, Data Leakage erkennen
- Behavioral Finance im Trading: Warum wir unsere eigenen größten Feinde sind
Referenzen
- López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley.
- Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies. Wiley.
- Bailey, D. H., & López de Prado, M. (2014). "The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting and Non-Normality." Journal of Portfolio Management.
- Kahneman, D., & Tversky, A. (1979). "Prospect Theory: An Analysis of Decision under Risk." Econometrica.
- Harvey, C. R., & Liu, Y. (2015). "Backtesting." Journal of Portfolio Management.
Der Live-Vergleich zwischen unserer Standard- und Aggressive-Variante ist auf der Performance-Seite in Echtzeit verfügbar.