Backtesting & die Falle des Overfitting
Ein System auf historischen Daten zu testen ist mächtig — und gefährlich. Warum perfekte Backtest-Ergebnisse oft ein Warnsignal sind, kein Gütesiegel.
Bildungsartikel: Dieser Artikel dient ausschließlich der Information und Bildung. Keine Anlageberatung. Keine Kauf- oder Verkaufsempfehlung.
- Backtesting prüft, wie sich ein System auf historischen Kursdaten verhalten hätte
- Historische Ergebnisse sind keine Garantie für zukünftige Ergebnisse
- Overfitting entsteht, wenn ein System zu genau an die Vergangenheit angepasst wird und Zufall für Gesetzmäßigkeit hält
- Warnsignale sind zu viele Regeln, zu perfekte Ergebnisse und fehlende wirtschaftliche Logik
- Walk-Forward-Tests prüfen ein System auf unbekannten Daten und reduzieren das Overfitting-Risiko
Ein Handelssystem verspricht einen entscheidenden Vorteil gegenüber dem Bauchgefühl: Man kann prüfen, wie es sich in der Vergangenheit verhalten hätte. Diese Prüfung heißt Backtesting. Sie ist mächtig — und zugleich eine der größten Fehlerquellen im systematischen Trading.
Denn ein gutes Ergebnis auf historischen Daten bedeutet nicht, dass ein System auch in Zukunft funktioniert. Wer diesen Unterschied nicht versteht, läuft in die gefährlichste Falle der ganzen Serie: das Overfitting.
Was Backtesting ist
Beim Backtesting werden die Regeln eines Systems auf historische Kursdaten angewendet. Man simuliert, welche Trades das System in der Vergangenheit ausgelöst hätte, und berechnet das hypothetische Ergebnis. So entsteht ein Bild davon, wie sich das System unter realen historischen Bedingungen verhalten hätte.
Das ist wertvoll, weil es eine objektive Grundlage schafft. Statt zu glauben, eine Strategie sei gut, kann man es an Daten überprüfen. Aber genau hier beginnt die Gefahr.
Der zentrale Denkfehler: Historische Ergebnisse sind keine Garantie für die Zukunft. Ein System, das in der Vergangenheit hervorragend funktioniert hat, kann in der Zukunft vollständig versagen — besonders dann, wenn es zu genau an die Vergangenheit angepasst wurde.
Overfitting — die Kurvenanpassung
Overfitting (auf Deutsch etwa „Überanpassung" oder „Kurvenanpassung") entsteht, wenn ein System so lange optimiert wird, bis es perfekt zu den historischen Daten passt. Man fügt Regeln hinzu, verändert Parameter, filtert einzelne Verlusttrades heraus — bis das Backtest-Ergebnis makellos aussieht.
Das Problem: Ein solches System hat nicht gelernt, wie Märkte funktionieren. Es hat auswendig gelernt, was in genau diesem einen historischen Zeitraum passiert ist. Zufällige Muster der Vergangenheit werden für echte Gesetzmäßigkeiten gehalten. Trifft das System dann auf neue Daten, bricht die scheinbare Perfektion zusammen.
Stell dir einen Schüler vor, der die Lösungen einer alten Prüfung auswendig lernt, statt den Stoff zu verstehen. In genau dieser Prüfung wäre er perfekt.
In der nächsten Prüfung mit neuen Fragen fällt er durch — weil er nie das zugrunde liegende Prinzip gelernt hat, sondern nur die konkreten Antworten. Overfitting ist genau das, übertragen auf Handelssysteme.
Woran man Overfitting erkennt
- Zu viele Regeln — je mehr Parameter ein System hat, desto leichter lässt es sich an die Vergangenheit anpassen
- Zu perfekte Ergebnisse — eine makellose Kapitalkurve ohne nennenswerte Verlustphasen ist ein Warnsignal, kein Gütesiegel
- Empfindlichkeit gegenüber kleinen Änderungen — wenn eine minimale Parameteränderung das Ergebnis dramatisch verschlechtert, war das System zu genau angepasst
- Keine wirtschaftliche Logik — wenn niemand erklären kann, warum eine Regel funktionieren sollte, ist sie vermutlich zufällig
Ein überoptimiertes System erzielt im In-Sample-Zeitraum oft beeindruckende Ergebnisse — etwa eine simulierte Jahresrendite von 40 % bei kaum sichtbaren Verlustphasen. Im Out-of-Sample-Test, auf Daten, die das System nie gesehen hat, kippt das Bild häufig ins Gegenteil. Je größer diese Lücke ausfällt, desto wahrscheinlicher wurde optimiert statt entwickelt.
Walk-Forward-Tests als Gegenmittel
Ein wichtiges Werkzeug gegen Overfitting ist die Trennung von Test- und Prüfdaten. Man entwickelt und optimiert das System nur auf einem Teil der historischen Daten — dem sogenannten In-Sample-Zeitraum. Anschließend prüft man es an einem völlig separaten Zeitraum, den das System bei der Entwicklung nie gesehen hat: dem Out-of-Sample-Zeitraum.
Der Walk-Forward-Test treibt dieses Prinzip weiter: Das System wird schrittweise über die Zeit getestet, immer auf jeweils unbekannten Daten. Funktioniert es auch dort, ist die Wahrscheinlichkeit höher, dass es echte Muster erfasst hat und nicht bloß Zufall der Vergangenheit.
Auch der beste Test kann Zukunftserfolg nicht garantieren. Märkte verändern sich, und kein historischer Zeitraum enthält alle möglichen zukünftigen Situationen. Backtesting reduziert das Risiko einer Selbsttäuschung — es beseitigt es nicht.
Wer Backtesting richtig einsetzt, gewinnt eine ehrliche Einschätzung der Stärken und Schwächen eines Systems. Wer es falsch einsetzt, produziert eine schöne Illusion. Der Unterschied entscheidet oft darüber, ob ein systematischer Ansatz trägt oder in sich zusammenfällt.