6. Was tun, wenn nur wenige Trades entstehen?

Ein häufiges Problem beim Backtesting vieler Strategien – insbesondere solcher mit strengen Einstiegskriterien oder höherem Zeithorizont – ist die geringe Anzahl an Trades. Das kann die Aussagekraft des Tests erheblich einschränken. Doch statt die Strategie vorschnell zu verwerfen, gibt es mehrere professionelle Möglichkeiten, um die Aussagekraft dennoch zu erhöhen.

—————————-

6.1. Erweiterung auf mehrere Märkte (Multi-Asset-Backtest)

Wenn deine Strategie beispielsweise nur auf dem S&P500 getestet wurde und dort in 10 Jahren nur 30 Signale generiert hat, lohnt es sich, dieselbe Logik auf weitere Märkte anzuwenden:

• Nasdaq, Dow Jones, DAX, EuroStoxx, Nikkei

• Gold, Öl, EUR/USD, GBP/USD usw.

💡 Vorteil:
Du kannst die Zahl der Trades deutlich erhöhen – ohne die Logik der Strategie zu verändern. Dadurch wird die statistische Basis breiter und du erkennst gleichzeitig, ob die Strategie auch außerhalb eines bestimmten Marktes funktioniert (= Robustheit).

—————————-

6.2. Monte-Carlo-Simulationen

Monte-Carlo-Simulationen gehören zu den mächtigsten Werkzeugen zur Bewertung der Robustheit einer Handelsstrategie – insbesondere dann, wenn nur eine kleine Datenbasis zur Verfügung steht. Durch zufällige Prozesse erzeugen sie zahlreiche alternative Versionen des ursprünglichen Equity-Verlaufs und ermöglichen so eine Wahrscheinlichkeitsverteilung möglicher Ergebnisse. Dadurch lassen sich Aussagen über die Stabilität und Zuverlässigkeit einer Strategie unter veränderten Bedingungen treffen.

Wichtig dabei ist: Es gibt nicht die eine Monte-Carlo-Methode. Vielmehr existieren – je nach Fragestellung und Zielsetzung – zahlreiche Varianten dieses Ansatzes. Eine weit verbreitete Methode ist die zufällige Permutation der Trade-Reihenfolge, um zu analysieren, wie sehr das Gesamtergebnis vom Ablauf einzelner Trades abhängt.
Eine andere Variante ist die zufallsbasierte Variation der Einzelreturns, bei der beispielsweise leicht verschlechterte oder verbesserte Ergebnisse simuliert werden, um Sensitivitäten zu testen.

Darüber hinaus lassen sich auch vollständig neue Marktverläufe auf Basis statistischer Verteilungen simulieren – etwa durch die Modellierung von Preisen als geometrische Brown’sche Bewegung. Eine weitere Möglichkeit besteht in der Verwendung realer Marktverläufe mit leicht variierter Reaktion der Strategie, um echte historische Volatilitäten und Preisbewegungen einzubeziehen.

Diese Vielfalt macht Monte-Carlo-Simulationen zu einem extrem flexiblen Werkzeug – erfordert aber auch ein klares Verständnis darüber, welche Variante für die eigene Strategie und Analyse sinnvoll ist..

Beispielhafte Fragestellungen:

• Wie oft wäre die Strategie noch profitabel, wenn die Reihenfolge der Trades zufällig wäre?

• Wie stark würde sich die Performance verschlechtern, wenn einzelne Trades leicht schlechter ausfallen?

💡 Vorteile:

• Liefert realistischere Einschätzungen möglicher Zukunftsverläufe

• Zeigt, wie stabil die Performance bei zufälliger Reihenfolge oder Marktbedingungen bleibt

• Hilft, das Risiko von Overfitting und extremer Abhängigkeit von wenigen Trades sichtbar zu machen

❌ Nachteile:

• Keine neuen Informationen: Es werden keine zusätzlichen Trades erzeugt – die Basisdaten bleiben gleich

• Voraussetzung: unabhängige Trades. Wenn deine Strategie auf Trade-Serien oder Trendphasen basiert, kann das Verfahren verfälschen

• Komplexität: Es erfordert methodisches Verständnis, um die richtige Variante der Simulation auszuwählen und korrekt zu interpretieren

• Gefahr der Scheingenauigkeit: Viele Ergebnisse sehen mathematisch beeindruckend aus – sind aber stark modellabhängig

————————

6.3. Bootstrapping

Ähnlich wie bei der Monte-Carlo-Methode wird hier durch Wiederholung und Ziehung mit Zurücklegen aus den vorhandenen Trades ein künstlicher Datensatz erstellt. Dies erlaubt dir, Mittelwerte, Konfidenzintervalle und die Streuung besser einzuschätzen – selbst bei kleiner Stichprobe.

💡 Vorteil:
Gerade bei weniger als 100 Trades lässt sich so die Unsicherheit besser quantifizieren.

❌ Nachteile

1. Künstliche Wiederholungen: Einzelne Trades können mehrfach gezogen werden – das verzerrt die Realität und kann Ergebnisse künstlich verbessern.

2. Verlust der Zeitstruktur: Die zeitliche Abfolge der Trades geht verloren. Strategien, die von Marktphasen oder Serienverhalten abhängen, werden dadurch verfälscht.

3. Scheingenauigkeit: Obwohl tausende Simulationen entstehen, basiert alles auf derselben kleinen Stichprobe – das kann zu trügerischer Sicherheit führen.

4. Keine echten Krisenphasen: Historische Extremereignisse werden nicht ergänzt – nur das bereits Gesehene wird variiert.

👉 Fazit: Nützlich zur Unsicherheitsanalyse, aber kein Ersatz für breit gestreute, realistische Backtests.

————————

6.4. Parameterflexibilität prüfen (Stabilitätstest)

Wenn eine Strategie nur wenige Signale produziert, ist es besonders wichtig, dass sie auch bei kleinen Änderungen der Parameter (z. B. Schwellenwert für Indikatoren, Take-Profit-Distanz etc.) weiterhin funktioniert.

💡 Vorteil:
Du stellst sicher, dass das gute Ergebnis nicht von einem zufälligen „Sweet Spot“ eines Parameters abhängig ist (= Vermeidung von Overfitting).

————————

6.5. Aufteilung in In-Sample und Out-of-Sample

Ein In-Sample/Out-of-Sample-Test ist eine etablierte Methode im systematischen Trading, um die Belastbarkeit und Verlässlichkeit einer Handelsstrategie zu prüfen. Dabei wird der verfügbare historische Datensatz in zwei getrennte Zeiträume unterteilt. Der erste Teil, das sogenannte In-Sample, dient der Entwicklung und Optimierung der Strategie. Hier wird beispielsweise getestet, welche Kombinationen von Parametern (z. B. Zeitfenster, Schwellenwerte oder Filter) die besten Ergebnisse liefern. Dieser Abschnitt ist also der „Trainingsbereich“ der Strategie, in dem sie auf maximale Performance innerhalb bekannter Daten ausgerichtet wird.

Sobald die Strategie im In-Sample-Bereich festgelegt wurde, wird sie unverändert auf den zweiten Datensatz angewendet – das sogenannte Out-of-Sample. Dieser Bereich ist bislang unberührt und simuliert eine echte, unabhängige Marktsituation, wie sie in der Zukunft auftreten könnte. Das Ziel ist es zu prüfen, ob die im In-Sample optimierte Strategie auch unter unbekannten Bedingungen stabil funktioniert – oder ob sie lediglich auf die Besonderheiten der ersten Periode überangepasst wurde (Overfitting).

💡 Vorteil:
Vermeidet Selbsttäuschung und gibt ein realistisches Bild der Strategiequalität.

❌ Nachteile

1. Datenverlust: Ein Teil der Daten steht nicht für Optimierung zur Verfügung – bei wenigen Trades kann das kritisch sein.

2. Statistische Schwäche: Beide Segmente enthalten oft zu wenige Trades für belastbare Aussagen, besonders bei kleinen Datensätzen.

3. Leakage-Risiko: Viele passen die Strategie nachträglich an die Out-of-Sample-Ergebnisse an – was den Test unbrauchbar macht.

4. Keine Garantie für Robustheit: Gutes Abschneiden im Out-of-Sample kann trotzdem reiner Zufall sein – besonders bei kurzen Zeiträumen.

👉 Fazit: Wichtiges Werkzeug – aber bei geringer Datenmenge nur mit Vorsicht und Disziplin einsetzbar.

————————

6.6. Strategietyp überdenken

Wenn trotz aller Maßnahmen die Trade-Anzahl sehr niedrig bleibt, kann es auch sinnvoll sein, über die Strategie selbst nachzudenken:

• Ist die Eintrittslogik zu restriktiv?

• Wäre eine Variante mit Skalierung (Teilpositionen) oder Re-Entries sinnvoll?

• Könnte man statt „Entry & Exit“ vielleicht „Entry only“-Logik verwenden (z. B. für Signalgenerierung und externes Trade-Management)?