Backtesting und Realität: Diese perfekte Erwartung lügt dich an
Dein Backtest: 8R Erwartung. Profitfaktor 3,5. 50.000 $ Gewinn auf einem 10.000-$-Konto.
Du gehst live. Erste Woche: -2R Erwartung. Profitfaktor 0,4. Konto 12 % im Minus.
Was ist passiert? Dein Backtest hat gelogen.
🚨 Klartext
Die meisten Backtests sind reine Fantasie. Sie unterstellen perfekte Fills, keinerlei slippage, keine Spreads und magische Einstiege, die es live nicht gibt.
Wenn dein Backtest zu gut aussieht, um wahr zu sein, dann ist er es auch. Du hast dich an Rauschen angepasst, nicht an ein Signal.
In dieser Lektion lernst du:
- Warum 90 % der Backtests live scheitern
- Die 4 Todsünden: Overfitting, Look-ahead-Bias, unrealistische Kosten, Survivorship-Bias
- Wie du slippage und Spreads modellierst, die der Realität wirklich entsprechen
- In-Sample gegen Out-of-Sample (die einzige Validierung, die zählt)
⚡ Schnelle Erfolge für morgen (zum Aufklappen klicken)
- Bau realistische Kosten in deinen Backtest ein — Rechne 0,03-0,05 % slippage pro Trade plus den tatsächlichen Spread ein. Bricht das Ergebnis zusammen, war dein Vorteil eine Illusion.
- Teile deine Daten 70/30 — Optimiere auf 70 % der Daten, validiere auf den 30 %, die du nie gesehen hast. Fällt der Out-of-Sample-Test durch, hast du kurvengefittet.
- Handle 30 Tage auf dem Demokonto, bevor du live gehst — Weichen die Demoergebnisse deutlich vom Backtest ab, stimmt etwas nicht. Geh nicht live, bevor sie zusammenpassen.
Praxisbeispiel: Wie aus einem „perfekten“ Backtest mit 1,3R Erwartung live ein Desaster mit -0,45R wurde
Hintergrund: Im März 2024 entwickelte Chris (zusammengesetztes Beispiel) nach 6 Monaten Optimierung eine Breakout-Strategie. Der Backtest sah unglaublich aus: 1,3R Erwartung, Profitfaktor 4,9, 67 % Trefferquote, getestet auf 2 Jahren SPY-Daten (2022-2023). Im April 2024 wurden 50.000 $ eingesetzt. Bis Juni 2024 lag das Konto 8.400 $ im Minus (-16,8 %). Hier die vollständige Obduktion.
Der „perfekte“ Backtest (Daten 2022-2023)
| Kennzahl | Wert | Was Chris dachte |
|---|---|---|
| Trades gesamt | 156 | Ordentliche Stichprobe |
| Trefferquote | 67.3% (105W / 51L) | „Wahnsinn! Weit über dem Durchschnitt.“ |
| Ø Gewinn / Ø Verlust | +2.4R / -1R | „Hervorragendes R:R, die Gewinner sind 2,4× so groß wie die Verlierer.“ |
| Profitfaktor | 4.9 | „Zahl auf Profiniveau.“ |
| Erwartung | +1,3R pro Trade | „Das ist der Heilige Gral.“ |
| Maximaler drawdown | -8.2% | „Winziger drawdown. Extrem sicher.“ |
| Gesamtrendite (2 Jahre) | +$40,600 (+406%) | „Das ist es. Ich kündige meinen Job.“ |
Chris' Optimierungsprozess:
- 50 verschiedene EMA-Perioden getestet (EMA(34) als „perfekt“ befunden)
- 20 ATR-Multiplikatoren für Stops getestet (1,47× ATR als „optimal“ befunden)
- 15 Gewinnzielniveaus getestet (2,8R als „bestes“ befunden)
- Finale Strategie: EMA(34)-Kreuzung + Stop bei 1,47× ATR + Ziel 2,8R
- Getestete Kombinationen insgesamt: 50 × 20 × 15 = 15.000 Varianten
Was Chris nicht in den Backtest aufgenommen hat:
- slippage (perfekte Fills zu exakten Kursen unterstellt)
- Geld-Brief-Spanne (Spread von null unterstellt)
- Kommissionen (schlicht vergessen)
- Orderablehnungen (100 % Ausführungsquote unterstellt)
- Out-of-Sample-Test (nie auf ungesehenen Daten geprüft)
Die Realität im Live-Handel (April-Juni 2024, 10 Wochen)
| Kennzahl | Backtest | Live-Realität | Differenz |
|---|---|---|---|
| Trefferquote | 67.3% | 51.4% (19W / 18L) | -15,9 Punkte schlechter |
| Ø Gewinn | +2.4R (+$1,200) | +1.8R (+$900) | -25 % kleiner |
| Ø Verlust | -1R (-$500) | -1.3R (-$650) | -30 % größer |
| Profitfaktor | 4.9 | 1.46 | -70 % Einbruch |
| Erwartung | +1.3R | -0,45R nach Kosten | -1,75R NEGATIV |
| Maximaler drawdown | -8.2% | -21.4% | 2,6× schlechter |
| Gesamtrendite (10 Wochen) | +9.600 $ prognostiziert | -$8,400 (-16.8%) | 18.000 $ Unterschied |
Die vollständige Kostenrechnung: Wo die 18.000 $ geblieben sind
| Kostenart | Beschreibung | Auswirkung |
|---|---|---|
| 1. Overfitting (Kurvenanpassung) | EMA(34) + 1,47× ATR funktionierte auf den Daten von 2022-2023 perfekt, war aber an historisches Rauschen angepasst. Die Marktbedingungen von 2024 = anderes Rauschen. | -$6,200 |
| 2. slippage (nicht modelliert) | Durchschnittlich 0,08 % slippage pro Trade × 25.000 $ mittlere Positionsgröße × 37 Trades hin und zurück = 1.480 $ an slippage-Kosten | -$1,480 |
| 3. Geld-Brief-Spanne | SPY-Spread 0,01 $ × durchschnittlich 500 Stück × 37 Trades = 185 $. Optionen (für den Hebel genutzt) Spread = 0,03 $ je Stück × 100 Stück pro Kontrakt × 20 Kontrakte × 37 Trades = 2.220 $ gesamte Spreadkosten | -$2,405 |
| 4. Kommissionen | Optionen: 0,65 $ pro Kontrakt × 20 Kontrakte × 37 Trades × 2 (hin und zurück) = 962 $ | -$962 |
| 5. Orderablehnungen | Bei 8 Trades wurden Limitorders nie ausgeführt (5 Gewinner verpasst, 3 Verlierer verpasst). Netto-Opportunitätskosten: 5 verpasste Gewinner zu je +1,8R (-9R) abzüglich 3 vermiedener Verlierer zu je -1,3R (+3,9R) = -5,1R = 2.550 $ | -$2,550 |
| 6. Look-ahead-Bias | Der Backtest-Code berechnete den Einstieg mit close[0] und stieg auf demselben Kerzenschluss ein (live unmöglich). Live-Einstiege = Eröffnung der nächsten Kerze. Durchschnittlich 0,3 % schlechterer Einstieg = 2.775 $ Verschlechterung | -$2,775 |
| 7. Ausführungsverzögerungen | Plattformlatenz + Zeit für die Orderprüfung = 2-8 Sekunden Verzögerung. Schnelle Breakouts liefen im Schnitt 0,15 % weg, bevor ausgeführt wurde = 1.387 $ slippage aus Verzögerungen | -$1,387 |
| GESAMTE VERSCHLECHTERUNG GEGENÜBER DEM BACKTEST: | -$17,759 | |
Die Rechnung:
- Vom Backtest prognostizierter Gewinn (10 Wochen): +9.600 $
- Abzüglich Verschlechterungskosten: -17.759 $
- Erwartetes Live-Ergebnis: -8.159 $
- Tatsächliches Live-Ergebnis: -8.400 $ — die Rechnung liegt auf 250 $ genau an dem, was wirklich passiert ist
Was hätte getan werden müssen: die saubere Validierung
| Schritt | Was Chris tat (falsch) | Was man tun sollte (richtig) |
|---|---|---|
| 1. Datenaufteilung | Sämtliche Daten von 2022-2023 zur Optimierung genutzt | 2022 zum Optimieren nutzen, 2023 für den Out-of-Sample-Test zurückhalten |
| 2. Optimierung | 15.000 Parameterkombinationen getestet | Standardparameter verwenden (EMA 20/50, Stops bei 2× ATR). Das Testen auf unter 10 Varianten begrenzen |
| 3. Kostenmodellierung | Kosten von null unterstellt | 0,10 % slippage + 0,01 $ Spread + 2 $ Kommission pro Trade ansetzen = mindestens -30 $ pro Trade |
| 4. Look-ahead-Prüfung | Denselben Kerzenschluss für Signal und Ausführung verwendet | Signal auf close[0], Ausführung auf open[1] (nächste Kerze). Realistisches Timing. |
| 5. Out-of-Sample-Test | Nie auf ungesehenen Daten geprüft | Auf den Daten von 2023 testen (unangetastet). Verschlechtert sich die Leistung um mehr als 30 %, ist die Strategie overfitted |
| 6. Walk-Forward | Ein einziger Backtest-Zeitraum | 6-Monats-Optimierungsfenster, Test auf den folgenden 3 Monaten. Rollierend wiederholen. Konsistenz prüfen. |
Der Out-of-Sample-Test, den Chris hätte machen sollen
Das saubere Vorgehen:
- In-Sample-Zeitraum: Nur auf den Daten von 2022 optimieren (2023 nicht anfassen)
- Parameter finden: EMA(34) + 1,47× ATR (dasselbe Ergebnis, aber nur mit 2022 ermittelt)
- Parameter einfrieren: KEINE ÄNDERUNGEN MEHR. Die Parameter sind fixiert.
- Out-of-Sample-Test: Exakt dieselben Parameter auf den Daten von 2023 laufen lassen
- Ergebnisse vergleichen: Liegt die Leistung 2023 unter 70 % von 2022, ist die Strategie overfitted
Was passiert wäre:
| Zeitraum | Erwartung | Profitfaktor | Urteil |
|---|---|---|---|
| 2022 (In-Sample) | +1.4R | 3.1 | Optimierte Leistung |
| 2023 (Out-of-Sample) | +0.4R | 1.4 | ⚠️ 71 % Verschlechterung |
| Fazit: Die Strategie ist stark overfitted. Die Erwartung 2023 beträgt 29 % von 2022. Mit realistischen Kosten (-30 $ pro Trade = -0,15R) bleibt eine Nettoerwartung von +0,25R (kaum über null). NICHT EINSETZEN. | |||
Die Lehre: Chris' Backtest war eine Fantasie. Wer 15.000 Parameterkombinationen testet, findet garantiert eine, die sich perfekt an historisches Rauschen schmiegt. Die „perfekte“ Erwartung von 1,3R war kurvengefitteter Müll. Ein Out-of-Sample-Test hätte das gezeigt, bevor 8.400 $ verloren waren. Beim Backtesting geht es nicht darum, die beste historische Leistung zu finden — sondern das, was künftig funktioniert. Und dafür braucht es ungesehene Daten, realistische Kosten und null Look-ahead-Bias.
Warum deine perfekte Strategie live scheitern wird
Fangen wir mit der unbequemen Wahrheit an: Wenn du eine Strategie so optimiert hast, dass sie zu historischen Daten passt, hast du keinen Vorteil gefunden. Du hast Rauschen gefunden.
Kurvenanpassung an zufälliges Rauschen
Was es ist: Parameter so lange optimieren, bis der Backtest perfekt aussieht
Beispiel:
- Du testest 100 verschiedene EMA-Perioden (10, 11, 12 … 110)
- EMA(47) liefert im Backtest 4,2R Erwartung
- Du glaubst, du hättest die „magische Zahl“ gefunden
Realität: EMA(47) passte einfach zufällig zu genau diesem Datensatz. Und im Forward-Test? -0,8R Erwartung. Du hast das Rauschen gelernt, nicht das Signal.
Besser: Optimierung begrenzen. Standardparameter nutzen. Auf ungesehenen Daten testen.
Zukunftsdaten nutzen (im Live-Handel unmöglich)
Was es ist: Code, der in künftige Kerzen „späht“, um heutige Entscheidungen zu treffen
Beispiel:
if close[0] > high[5]: # nutzt die 5 ZUKÜNFTIGEN Kerzen
enter_long()Das Problem: Beim Backtesting hast du Zukunftsdaten. Im Live-Handel nicht.
Realität: Dieser Code kann live schlicht nicht ausgeführt werden. Dein Backtest prüft eine Strategie, die es gar nicht gibt.
Besser: Nur Daten nutzen, die im Moment der Entscheidung verfügbar sind.
Perfekte Fills zu perfekten Kursen unterstellen
Annahme im Backtest: „Ich kaufe exakt zu 100,00 $“
Realität: Die Market-Order wird zu 100,12 $ ausgeführt (Spread + slippage)
Auswirkung über 100 Trades:
- Backtest-Gewinn: 5.000 $
- Spreadkosten (0,10 $/Trade): -1.000 $
- slippage (0,05 $/Trade): -500 $
- Kommissionen (2 $/Trade): -200 $
Realität: Echter Gewinn = 3.300 $ (34 % weniger als im Backtest)
Nur auf den Überlebenden testen
Was es ist: Backtesting nur auf den heutigen Werten des S&P 500
Das Problem: Du klammerst über 200 Aktien aus, die delistet wurden oder pleitegingen
Beispiel:
- Backtest auf der S&P-500-Liste von 2024: 1,8R Erwartung, Profitfaktor 2,1
- Über diesen Zeitraum wärst du aber long in Hertz (Insolvenz 2020), SVB Financial (Kollaps 2023) und in jedem anderen Namen gewesen, der auf null ging.
Realität: Deine Erwartung blendet katastrophale Verluste aus Delistings aus. Echte Erwartung: -0,2R (ein Verlustsystem).
💡 der Aha-Moment
Ein Backtest ist nicht die Realität. Er ist eine Simulation. Und wenn deine Simulation unmögliche Annahmen enthält, werden deine Live-Ergebnisse ebenso unmöglich sein.
Die versteckten Kosten, die Strategien töten
Das ignorieren die meisten Backtests — und darum ist deiner wahrscheinlich 20-40 % zu optimistisch:
Schritt 1: Geld-Brief-Spanne modellieren
Was es ist: Der Unterschied zwischen Kauf- und Verkaufskurs
Beispiel:
- SPY Geld: 450,00 $ / Brief: 450,01 $ → Spread = 0,01 $
- Du kaufst: zahlst 450,01 $ (halber Spread = 0,005 $)
- Du verkaufst: bekommst 450,00 $ (halber Spread = 0,005 $)
Kosten pro Hin- und Rückweg: $0.01
Für 1.000 Stück: 0,01 $ × 1.000 = 10 $ pro Trade
100 Trades: 1.000 $ an Spreadkosten
Schritt 2: slippage modellieren
Was es ist: Unterschied zwischen gewünschtem Kurs und tatsächlichem Fill
Realistische slippage nach Marktlage:
- Normale Liquidität: 0.01-0.02%
- Volatile Märkte: 0.05-0.10%
- Dünne Liquidität: 0.10-0.30%
- Große Positionsgröße: 0.20-0.50%
Konservative Annahme: 0,05 % pro Trade
10.000-$-Position × 0,05 % = 5 $ slippage je Seite = 10 $ hin und zurück
Schritt 3: Kommissionen modellieren
Beispiel: Interactive Brokers
- 0,005 $ je Stück, mindestens 1 $
- 200 Stück × 0,005 $ = 1 $ je Seite
- Hin und zurück = 2 $
100 Trades: 200 $ an Kommissionen
Schritt 4: Realistische Gesamtkosten
Pro Trade (hin und zurück):
- Spread: 10 $
- slippage: 10 $
- Kommission: 2 $
Gesamt: 22 $ pro Trade
Wenn deine Strategie brutto 50 $ pro Trade bringt → 28 $ netto (44 % weniger!)
Beispielrechnung: Backtest mit Kosten
Vorher und nachher mit realistischen Kosten
Strategie: 100 Trades, im Schnitt 50 $ Gewinn pro Trade
Backtest (Fantasie):
100 Trades × 50 $ = 5.000 $ Gewinn
Nach realistischen Kosten:
- Brutto: 5.000 $
- Spread: -1.000 $
- slippage: -1.000 $
- Kommissionen: -200 $
Nettogewinn: 2.800 $ (44 % weniger)
Die einzige Validierung, die zählt
So validieren Profis eine Strategie:
Teile deine Daten in zwei Zeiträume.
- In-Sample (60-70 %): Hier entwickelst und optimierst du deine Strategie
- Out-of-Sample (30-40 %): Validierung auf UNGESEHENEN Daten
🎯 Beispiel: 6 Jahre Daten (2018-2024)
In-Sample: 2018-2022 (hier optimieren)
- Verschiedene Parameter testen
- Die Regeln mit der besten Leistung finden
- Ein- und Ausstiegslogik verfeinern
Out-of-Sample: 2023-2024 (hier validieren)
- Die Strategie ohne JEDE Änderung laufen lassen
- Die Leistung mit dem In-Sample-Zeitraum vergleichen
- Ähnlich → nicht overfitted!
- Deutlich schlechter → an das In-Sample-Rauschen angepasst
Warnzeichen für Overfitting
🚩 Anzeichen, dass deine Strategie kurvengefittet ist
- Sharpe über 3,0: Zu gut, um wahr zu sein
- Erwartung über 5R: Extrem selten (prüf deine Ausführungsannahmen)
- Nur 20-30 Trades: Stichprobe zu klein (statistisch bedeutungslos)
- Perfekte Kapitalkurve: Glatte Linie ohne drawdowns (unmöglich)
- Nur auf einem Wert getestet: Wahrscheinlich an genau dieses Regime angepasst
- 10 oder mehr optimierte Parameter: Du hast das Rauschen gefittet, nicht das Signal
Die professionelle Validierungsmethode
In-Sample gegen Out-of-Sample ist gut. Walk-Forward ist besser.
So funktioniert es:
📊 Der Walk-Forward-Rahmen
Zeitraum 1: Training auf 2018-2019 → Test auf 2020
Zeitraum 2: Training auf 2019-2020 → Test auf 2021
Zeitraum 3: Training auf 2020-2021 → Test auf 2022
Zeitraum 4: Training auf 2021-2022 → Test auf 2023
Über alle Zeiträume konsistent: Robuste Strategie
Leistung verschlechtert sich: Overfitted oder regimeabhängig
🎓 Die wichtigsten Erkenntnisse
- Realistische Kosten modellieren: Spread, slippage, Kommissionen (20-40 % weniger Gewinn)
- Overfitting vermeiden: Parameter begrenzen, über mehrere Märkte testen
- In-Sample gegen Out-of-Sample: Auf 60-70 % entwickeln, auf 30-40 % validieren
- Walk-Forward-Test: Konsistenz über die Zeiträume hinweg prüfen
- Warnzeichen: Sharpe über 3,0, Erwartung über 5R, weniger als 30 Trades
- Vor dem Livegang forward testen: Mindestens 3-6 Monate auf dem Demokonto
🎯 Übung zur Backtest-Validierung
Übung: Prüf deine Strategie mit dem Warnzeichen-Detektor
Nimm deine aktuelle Strategie (oder eine, die du erwägst) und schick sie durch die Validierung:
- Backtest auf 60 % deiner Daten (In-Sample). Notiere: Trades, Erwartung, Sharpe, maximaler DD
- Halte die verwendeten Parameter fest (EMAs, Schwellen usw.). Hast du sie optimiert, indem du mehrere Werte durchprobiert hast?
- Teste auf den übrigen 40 % der Daten (Out-of-Sample). Vergleiche mit dem In-Sample-Ergebnis.
- Nutz die Validierungs-Scorecard aus der Vorlage (8 Kategorien, maximal 60 Punkte)
- Zähl deine Punkte zusammen: 50-60 = weitermachen, 40-49 = überarbeiten, unter 40 = verwerfen
- Bei 50 Punkten oder mehr: 30-60 Trades auf dem Demokonto, bevor du live gehst
Ziel: Erkenne Kurvenanpassung, Look-ahead-Bias und unrealistische Annahmen, BEVOR sie dein echtes Konto zerlegen. Lieber eine schlechte Strategie beim Backtesting verwerfen, als echtes Geld zu verlieren.
🎮 Kurzer Check
F: Du testest eine Strategie im Backtest: 5,2R Erwartung, Sharpe 4,2, geprüft auf 25 Trades, mit EMA(47), weil dieser Wert nach dem Durchtesten von 100 Perioden am besten abschnitt. Was stimmt daran nicht?
Du testest eine Mean-Reversion-Strategie im Backtest auf SPY von 2010 bis 2024. Ergebnis: 2,8R Erwartung, 68 % Trefferquote, 120.000 $ Gewinn. Die Daten enthalten nur die heutigen Werte des S&P 500 (die Aktien, die heute im Index sind). Du gehst 2025 live — und scheiterst. Was ist schiefgelaufen?
Du machst einen Walk-Forward-Test: Training 2018-2020, Test 2021 (bestanden). Training 2018-2021, Test 2022 (bestanden). Training 2018-2022, Test 2023 (bestanden). slippage und Kommissionen hast du nicht modelliert. Solltest du die Strategie live handeln?
Beim Backtesting ist Perfektion verdächtig. Realismus ist der Vorteil. Modelliere Kosten, vermeide Overfitting, teste forward — oder scheitere live.
Verwandte Lektionen
Das Trading-Journal meistern
Verfolge die Live-Leistung und vergleiche sie mit den Backtest-Ergebnissen.
Lektion lesen →Positionsgrößen
Setz in Backtests eine saubere Positionsgröße an, damit die Ergebnisse realistisch sind.
Lektion lesen →Marktphasen erkennen
Teste deine Strategie über alle Marktphasen hinweg auf Robustheit.
Lektion lesen →⏭️ Als Nächstes
Lektion #33: Fortgeschrittenes Risikomanagement — professionelle Regelwerke — Lerne das Kelly-Kriterium, dynamische Positionsgrößen und drawdown-Protokolle.
Nur zu Bildungszwecken. Der Handel ist mit erheblichem Verlustrisiko verbunden. Vergangene Wertentwicklung ist keine Garantie für zukünftige Ergebnisse.
💬 Diskussion (0 Kommentare)
Kommentare werden geladen …
Bereit, mit Signal Pilot zu handeln?
Setze deine Trading-Ausbildung mit professionellen Indikatoren und Werkzeugen zur Marktanalyse in Echtzeit ein.
Zurück zu Signal Pilot →Nur zu Bildungszwecken. Der Handel ist mit erheblichem Verlustrisiko verbunden. Keine Finanzberatung. Vergangene Wertentwicklung ist keine Garantie für zukünftige Ergebnisse.