Trading WTI/Brent Spread – Empirische Analyse einer Mean-Reversion-Anomalie

Eine Quantpedia-Strategie mit 9,92 % Backtest-Rendite, die seit zwei Jahrzehnten Geld verliert. Replikation, Strukturbruch und die Frage, was im Original-Paper wirklich steht.

1. Einleitung

Quantitative Trading-Datenbanken wie Quantpedia katalogisieren tausende publizierte Marktanomalien und stellen sie systematisch handelbar dar. Sie sind eine der besten Ressourcen, um Forschungsideen zu sammeln, und sie sparen Anwendern erheblichen Recherche-Aufwand. Eine Datenbank kann aber prinzipiell nicht garantieren, dass eine dort gelistete Strategie heute noch funktioniert. Sie zeigt, was in einem Paper stand. Was daraus geworden ist, muss jeder Anwender selbst prüfen.

Die vorliegende Analyse untersucht eine konkrete Strategie aus dem Quantpedia-Universum: das sogenannte Trading WTI/Brent Spread-Setup. Es handelt sich um eine klassische Mean-Reversion-Strategie auf die Preisdifferenz zwischen den beiden wichtigsten Rohöl-Futures der Welt. Quantpedia stuft die Anomalie als „Moderate Confidence" ein und gibt eine historische Rendite von 9,92 % p.a. an. Die offizielle Out-of-Sample-Implementierung auf QuantConnect liefert dagegen –2,36 % p.a. und einen Drawdown von 63 %.

Die Diskrepanz ist erheblich. Sie verlangt eine genauere Untersuchung – nicht, um Quantpedia zu kritisieren, sondern um zu verstehen, was zwischen Backtest und Realität schiefgelaufen ist und welche Lehren sich daraus für den Umgang mit publizierten Quant-Strategien ableiten lassen.

2. Die Anomalie

2.1 Die behauptete Ineffizienz

West Texas Intermediate (WTI) und Brent Crude sind die beiden globalen Referenzqualitäten für Rohöl. Chemisch unterscheiden sich beide Sorten nur geringfügig – WTI liefert bei der Raffination etwas mehr Benzin, weshalb es historisch mit einem leichten Aufschlag gegenüber Brent gehandelt wurde. Beide Sorten reagieren grundsätzlich auf dieselben Makro-Treiber: globale Nachfrage, OPEC-Förderpolitik, geopolitische Spannungen, Lagerbestände, Wechselkurse.

Aufgrund dieser hohen ökonomischen Verwandtschaft sollte der Preisspread zwischen beiden Sorten – so die theoretische Annahme – um einen stabilen Mittelwert oszillieren. Temporäre Schocks treffen meist eine Seite stärker, der Spread weicht ab, kehrt aber wieder zum „fairen" Niveau zurück. Diese Eigenschaft wird in der Statistik als Stationarität bezeichnet und ist die zentrale Voraussetzung jeder Mean-Reversion-Strategie.

2.2 Warum es ein attraktives Setup wäre

Wenn die Mean-Reversion-Hypothese hält, ergibt sich daraus ein einfach umsetzbares Pairs-Trading-Setup. Die von Quantpedia beschriebene Variante ist denkbar simpel: Berechne den 20-Tage gleitenden Durchschnitt des Spreads. Liegt der aktuelle Spread darüber, gehe Short im Spread, bei Werten darunter Long. Schließe die Position, sobald die Spread-Linie den gleitenden Durchschnitt wieder kreuzt.

Eine solche Strategie hätte aus Portfolio-Perspektive mehrere attraktive Eigenschaften: niedrige Korrelation zum Aktienmarkt, klar definierte Ein- und Ausstiegssignale, hohe Handelsfrequenz und – laut Quantpedia – eine Sharpe Ratio von 0,88 bei 11,3 % Volatilität. Das ist ökonomisch relevant und scheint einen echten Edge gegenüber passivem Halten zu liefern.

3. Methodik

3.1 Datengrundlage

Untersucht wird die SMA(20)-Variante der Strategie, exakt so wie auf Quantpedia beschrieben. Als Datengrundlage dient die offizielle QuantConnect-Implementierung, die täglich endende Schlusskurse der Front-Month-Futures verwendet. Das Original-Sample im zugrundeliegenden Paper umfasst den Zeitraum 1995 bis 2004. Der Out-of-Sample-Bereich erstreckt sich von 2003 bis heute und stellt damit einen über zwanzigjährigen Live-Test der Strategie dar.

3.2 Trading-Logik

Die Spread-Definition und das Signal sind formal wie folgt:

Ein positives Signal entspricht Long im Spread (WTI kaufen, Brent verkaufen), ein negatives Signal Short im Spread. Positionen werden geschlossen, sobald der Spread den gleitenden Durchschnitt erneut kreuzt. Es gibt keine Stop-Loss-Logik, keine Volatilitäts-Skalierung, keine Regime-Filter – die Strategie ist bewusst in ihrer einfachsten Form gehalten, da genau diese Variante öffentlich als handelbar präsentiert wird.

3.3 Untersuchte Performance-Metriken

Verglichen werden In-Sample- und Out-of-Sample-Periode anhand folgender Kennzahlen: CAGR, Volatilität, Sharpe Ratio, Maximum Drawdown, Trefferquote, Probabilistic Sharpe Ratio und Information Ratio. Die Probabilistic Sharpe Ratio ist hier besonders aufschlussreich, weil sie quantifiziert, wie wahrscheinlich der gemessene Sharpe vom Zufall ununterscheidbar ist.

4. Replikation des In-Sample-Zeitraums

Im Original-Sample von 1995 bis 2004 lässt sich der von Quantpedia berichtete Effekt grundsätzlich reproduzieren. Die mittlere Jahresrendite liegt bei rund 9,92 % bei einer Volatilität von 11,27 %, was einer Sharpe Ratio von 0,88 entspricht. Auffällig ist allerdings bereits hier der hohe Maximum Drawdown von –68,86 %, der für eine Strategie mit moderater Renditeerwartung und einstelliger Korrelation zu Aktien aussergewöhnlich hoch ist.

Die historischen Renditen sind ökonomisch relevant, aber sie stammen aus einem sehr engen Zeitfenster. Neun Jahre sind im Kontext von Rohstoffmärkten – die mehrjährige Zyklen aufweisen und in denen einzelne geopolitische Ereignisse das Preisniveau für lange Zeit verschieben können – eine kurze Stichprobe. Quantpedia weist selbst darauf hin: „Caution should be only needed in utilizing parameters from the source paper as they are based on the short history and, therefore, could be susceptible to data-mining bias."

• Durchschnittliche Jahresrendite (1995–2004): +9,92 %
• Volatilität: 11,27 %
• Sharpe Ratio: 0,88
• Maximum Drawdown: –68,86 %
• Confidence-Einstufung Quantpedia: Moderate

Damit ist die Anomalie als historisches Phänomen bestätigt. Die entscheidende Frage ist nicht, ob der Effekt in den 1990er-Jahren existierte, sondern ob er nach Veröffentlichung des Papers (Evans, Dunis & Laws, 2009) und unter den heutigen Marktbedingungen weiterbesteht.

5. Out-of-Sample: 2003 bis heute

Der Out-of-Sample-Test über mehr als zwei Jahrzehnte liefert ein eindeutiges Bild. Die Strategie verliert kontinuierlich Kapital, mit nur kurzen Erholungsphasen. Bei einem Startkapital von 100.000 USD steht das Konto Ende 2025 bei rund 53.000 USD – das ist eine annualisierte Rendite von –2,36 % und ein Drawdown von 63 %.

Die Trefferquote liegt mit 48 % leicht unter der Zufallsschwelle, die Probabilistic Sharpe Ratio bei null. Letzteres bedeutet konkret: Es gibt keinerlei statistische Evidenz dafür, dass der gemessene Sharpe von –0,3 systematisch besser ist als Zufallsrauschen. Die Strategie hat im Live-Zeitraum keinen einzigen verlässlichen Edge produziert.

Besonders aufschlussreich ist der direkte Vergleich der wichtigsten Kennzahlen zwischen In-Sample-Zeitraum und Out-of-Sample-Realität:

Wer die Strategie ab Veröffentlichung des Papers gehandelt hätte, hätte über zwei Jahrzehnte hinweg etwa die Hälfte seines Kapitals verloren – bei gleichzeitig hoher Volatilität und tiefem Drawdown. Die Strategie hat damit nicht nur ihren Edge verloren, sie ist im Live-Betrieb aktiv schädlich.

6. Warum die Strategie scheitern musste

Das Versagen der Strategie ist kein statistisches Pech, kein Glitch in der Implementierung und auch kein vorübergehendes Regime. Es ist die direkte Folge dreier struktureller Veränderungen im globalen Ölmarkt, die im Originalzeitraum schlicht nicht abgebildet waren.

6.1 Verlust der Stationarität

Mean-Reversion-Strategien funktionieren nur unter einer harten statistischen Voraussetzung: Die gehandelte Zeitreihe muss stationär sein, also um einen stabilen Mittelwert oszillieren. Der WTI/Brent-Spread erfüllte diese Bedingung bis ungefähr 2008. Historisch handelte WTI mit einem leichten Premium gegenüber Brent, und der Spread schwankte in einer Bandbreite von wenigen Dollar pro Barrel um diesen Mittelwert.

Ab 2010 kehrte sich die Beziehung dramatisch um. WTI handelte plötzlich mit einem Discount von bis zu 28 USD pro Barrel gegenüber Brent. Das war kein vorübergehender Schock, sondern eine über mehrere Jahre persistente strukturelle Verschiebung des Mittelwerts. Eine Mean-Reversion-Strategie auf einer driftenden Zeitreihe ist mathematisch zum Scheitern verurteilt – sie wettet permanent gegen den vorherrschenden Trend und akkumuliert Verluste.

Wer vor Strategie-Einsatz einen einfachen Augmented-Dickey-Fuller-Test über das aktuelle Sample laufen lässt, sieht den Verlust der Stationarität in unter einer Minute. Diese Diagnose ist Standard und sollte bei jeder Mean-Reversion-Strategie zwingender Bestandteil der Vorprüfung sein.

6.2 US-Shale-Boom und strukturelle Marktveränderungen

Die ökonomische Ursache des Strukturbruchs lässt sich gut nachvollziehen. Zwischen 2008 und 2014 explodierte die US-Schieferölproduktion. Die Vereinigten Staaten wurden vom Netto-Importeur zum grössten Ölproduzenten der Welt. Drei Konsequenzen veränderten den WTI/Brent-Spread strukturell.

Erstens entstand am Lieferort der WTI-Futures – Cushing, Oklahoma – ein massives Pipeline-Bottleneck. Die Schieferöl-Produktion überlastete den Hub, und die Transportkapazität zu den Raffinerien an der Golfküste reichte über Jahre nicht aus. Die Folge war ein künstlich gedrückter WTI-Preis. Zweitens galt bis 2015 ein faktisches US-Ölexportverbot. Während die US-Lagerbestände wuchsen, konnte WTI nicht auf den Weltmarkt fliessen, der über Brent gepreist wird. Dieser regulatorische Faktor verzerrte den Spread über Jahre und ist im Backtest-Zeitraum 1995–2004 schlicht nicht enthalten.

Drittens trafen geopolitische Schocks in dieser Phase fast ausschliesslich die Brent-Seite: der Libyen-Krieg 2011, iranische Sanktionen, die Ukraine-Krise, OPEC-Förderkürzungen. Statt mean-reverting zu sein, reagierte der Spread auf einseitige fundamentale Verschiebungen, die ihn dauerhaft in eine Richtung trieben.

6.3 Quantpedia handelt nicht das Hauptergebnis des Papers

Bemerkenswert – und in der Diskussion publizierter Quant-Anomalien oft übersehen – ist die Frage, was im zugrundeliegenden Paper überhaupt steht. Evans, Dunis und Laws (2009, Journal of Derivatives & Hedge Funds) untersuchen explizit, ob ein Korrelationsfilter die Risk-/Return-Eigenschaften eines Spread-Trading-Modells verbessern kann. Sie testen dafür mehrere Modellklassen – Cointegration-„Fair Value"-Modelle, MACD, klassische Regression, ARMA-Modelle und Neural Network Regression – jeweils kombiniert mit zwei Filtertypen (Standardfilter und Korrelationsfilter).

Das beste Ergebnis im Paper liefert das ARMA-Modell mit Filter: annualisierte Out-of-Sample-Renditen von 34,94 % inklusive Transaktionskosten. Eine reine SMA-Mean-Reversion-Variante gehört zu den im Paper geprüften einfacheren Setups und liegt in der Performance deutlich darunter.

Quantpedia geht hier formal korrekt vor und weist die 9,92 % explizit als „data from table 5" aus – also als eine bestimmte, einfachere Tabelle des Papers, nicht als dessen Hauptbefund. Der ausgewiesene Wert ist insofern ehrlich. Problematisch ist die Implementierungs-Asymmetrie: Quantpedia bietet die einfachste Variante als handelbare Beispielstrategie an, während der eigentliche methodische Beitrag des Papers – die Kombination aus fortgeschrittenem Modell und Filter – nicht implementiert ist. Wer aus dem Paper-Abstract die 34,94 % im Kopf hat und die Quantpedia-Strategie 1:1 übernimmt, handelt also nicht das Resultat, das ihn ursprünglich angezogen hat.

6.4 Die Filter-Logik – Kernbeitrag des Papers – fehlt in der Implementierung

Der zentrale methodische Beitrag des Papers ist nicht die spezifische Modellklasse, sondern der Korrelationsfilter. Bereits der Abstract formuliert das explizit: „Original motivation for this paper is the investigation of a correlation filter to improve the risk/return performance of the trading models." Die Idee dahinter: Ein Mean-Reversion-Signal wird nur dann gehandelt, wenn ein Filter ein günstiges Umfeld bestätigt – etwa eine hinreichend hohe Korrelation der zugrundeliegenden Zeitreihen, die die Stationarität des Spreads stützt. Damit wird einerseits die Signal-Qualität erhöht, andererseits die Anzahl der Trades und damit die Kostenbelastung gesenkt.

Die offizielle Implementierung handelt ohne diesen Filter. Sobald der Spread den 20-Tage-Durchschnitt kreuzt, wird die Position umgedreht – unabhängig davon, ob WTI und Brent gerade in einer korrelations-stabilen Phase sind oder ob der Spread strukturell driftet. Das produziert die im Out-of-Sample beobachtete extreme Trade-Frequenz von 8.175 Positionswechseln über zwei Jahrzehnte. Bei einer Trefferquote von 48 % und realistischen Transaktionskosten ist eine derart hochfrequente Strategie strukturell defizitär, selbst wenn das Grundsignal einen schwachen Edge hätte.

Hinzu kommen zwei weitere Verstärker, die nicht aus dem Paper stammen, sondern aus dem konkreten Backtest-Setup. Erstens wird ein fixes 1:1-Hedge-Ratio zwischen WTI und Brent unterstellt – das Paper diskutiert demgegenüber in seinen Cointegrations-Modellen explizit aus Regressionen geschätzte Hedge Ratios, die meist von 1:1 abweichen. Ein falsches Hedge Ratio sorgt dafür, dass der gehandelte „Spread" gar nicht die ökonomische Grösse abbildet, die mean-reverting sein soll. Zweitens wird mit einem Hebel von 5x auf jeder Seite gearbeitet, also faktisch einem Brutto-Exposure von bis zu 1.000 %. Dieser Hebel ist im Paper nicht spezifiziert und verstärkt jeden Verlust einer ohnehin schwach laufenden Strategie überproportional. Allein die Kombination aus fehlendem Filter, naivem Hedge Ratio und aggressivem Leverage reicht aus, um aus einer mässig profitablen Idee einen Drawdown von 63 % zu produzieren.

7. Bedeutung für Trader

7.1 Die einfache SMA-Strategie ist nicht handelbar

Die wichtigste praktische Schlussfolgerung ist eindeutig: Eine simple SMA(20)-Mean-Reversion auf den WTI/Brent-Spread, wie sie aus der Quantpedia-Beschreibung abgeleitet werden kann, ist seit über fünfzehn Jahren nicht profitabel und gegenwärtig kein attraktives Setup für reales Kapital. Wer diese Variante naiv übernimmt, kauft einen historischen Edge, der mit dem Marktregime der 1990er-Jahre untergegangen ist.

7.2 Was die Originalstudie tatsächlich findet

Der Befund bedeutet nicht, dass im WTI/Brent-Spread heute kein Edge mehr existiert. Wer die im Paper als Hauptbefund präsentierte Variante ernsthaft prüfen will, müsste ein ARMA-Modell auf den Spread anpassen, einen Korrelationsfilter implementieren und das Hedge Ratio sauber aus einer Kointegrations-Regression schätzen – auf aktuellen Daten, mit realistischen Transaktionskosten und über ein langes Out-of-Sample. Genauso liessen sich Kalman-Filter-Ansätze prüfen, die explizit für instationäre Spreads konzipiert sind. Ob solche Modelle den seit 2010 fundamental veränderten Markt heute noch profitabel bespielen können, ist eine offene Forschungsfrage – aber sie erfordert echtes Modellierungs-Know-how und ist weit von „dreizeiligem Code" entfernt.

7.3 Forschungsperspektiven

Spannender als die Strategie selbst ist die übergeordnete Frage, wie Trader systematisch mit publizierten Anomalien umgehen sollten. Drei Punkte folgen aus der Analyse direkt. Erstens: Vor jedem Strategie-Test gehört eine Stationaritätsprüfung der Zeitreihe – Augmented Dickey-Fuller, Hurst-Exponent, Half-Life-Schätzung. Zweitens: Backtest-Fenster unter zehn bis fünfzehn Jahren sind in zyklischen Märkten wie Rohstoffen unzureichend; was im engen Sample funktioniert, kann ein bestimmtes Regime widerspiegeln, das ausserhalb dieses Fensters nie wieder auftritt. Drittens: Die exakte Trading-Logik einer Datenbank-Beschreibung sollte vor Implementierung mit dem Originalpaper abgeglichen werden.

8. Schwächen und Grenzen der Analyse

Wie jede empirische Untersuchung hat auch diese Analyse methodische Grenzen, die offen benannt werden sollten. Die wichtigste betrifft die Datengrundlage: Die hier verwendete Out-of-Sample-Equity stammt aus einer einzelnen QuantConnect-Implementierung. Eine vollständige Robustheits-Analyse müsste verschiedene Datenquellen, Roll-Methoden für die Futures-Kontrakte und unterschiedliche Slippage- und Kostenannahmen prüfen.

Zweitens wird die einfachste Variante der Strategie getestet. Es ist denkbar, dass eine Variation mit dynamischem Lookback, Volatilitäts-Skalierung, einem Regime-Filter oder einer Kointegrations-basierten Spread-Definition robuster wäre. Die Analyse trifft keine Aussage über solche Erweiterungen, sondern ausschliesslich über die als „die Strategie" publizierte SMA(20)-Form.

Drittens ist die Charakterisierung des Strukturbruchs schematisch. Eine saubere ökonomische Analyse würde rollierende ADF-Tests, Bai-Perron-Strukturbruch-Tests und Kointegrationsmaße über die Zeit dokumentieren. Solche Tests existieren in der akademischen Literatur und bestätigen den hier beschriebenen Phasenwechsel um 2008 bis 2010, sind aber kein Bestandteil dieser kompakten Analyse.

9. Fazit

Die Quantpedia-Strategie Trading WTI/Brent Spread in ihrer publizierten SMA(20)-Form war im Backtest-Zeitraum 1995–2004 ein historisch dokumentierter Effekt. Sie ist seit ungefähr 2008 nicht mehr profitabel und hat über zwei Jahrzehnte hinweg im Live-Betrieb etwa die Hälfte des Kapitals vernichtet. Drei Gründe erklären das: Der Spread ist nicht mehr stationär, der US-Shale-Boom hat die fundamentale Marktstruktur verschoben, und die publizierte Form entspricht nicht der eigentlich profitablen ARMA-Variante des zugrundeliegenden Papers.

Die übergeordnete Lehre liegt nicht in dieser einzelnen Strategie, sondern im Umgang mit publizierten Quant-Anomalien insgesamt. Eine Datenbank-Beschreibung mit „Moderate Confidence" ist eine Forschungshypothese, kein handelbares Signal. Wer Strategien aus Datenbanken übernimmt, ohne das Originalpaper zu lesen, ohne die Stationarität der Zeitreihe zu prüfen und ohne einen sauberen Out-of-Sample-Test zu fahren, kauft im besten Fall ein totes Konzept und im schlimmsten Fall einen aktiv schädlichen Edge.