Backtesting von Trading-Strategien beginnt mit Marktdatenqualität

Ein präzises Ergebnis kann auf unvollständigen Daten beruhen

Ein Backtest wendet feste Regeln auf historische Beobachtungen an. Enthalten diese Daten Lücken, doppelte Einträge, uneinheitliche Zeitstempel oder nachträglich geänderte Symbole, kann der Bericht sehr exakt aussehen und den untersuchten Markt trotzdem falsch abbilden. Deshalb beginnt eine belastbare Prüfung vor dem Strategielauf – nicht erst, nachdem eine attraktive Renditekurve zu sehen ist.

Die erste Frage lautet also nicht: „Wie viel hätte die Strategie verdient?“, sondern: „Welche Daten sind in die Berechnung eingeflossen und welche Grenzen haben sie?“ Im Katalog der Marktdatensätze sollten Quelle, Markt, Intervall, verfügbarer Zeitraum, Abdeckung und bekannte Lücken geprüft werden, bevor ein Datensatz Teil der Untersuchung wird. Bei der Auswahl der Datengrundlage lassen sich außerdem die historischen Krypto- und Polymarket-Datenpakete für Backtests prüfen.

Checkliste vor dem Backtest

Dokumentiere mindestens diese Punkte:

1. Identität des Datensatzes. Halte Quelle, Handelspaar oder Markt, Datenart und Intervall fest. „Bitcoin-Daten“ bezeichnet weder einen eindeutigen Markt noch eine eindeutige Preisbildung.
2. Angefragter und tatsächlich verfügbarer Zeitraum. Prüfe die erste und letzte verwendete Beobachtung. Ein verkürzter Zeitraum kann wichtige Marktphasen absichtlich oder unbemerkt ausblenden.
3. Abdeckung und Lücken. Suche nach fehlenden Intervallen, Duplikaten und unregelmäßigen Zeitfolgen. Lege fest, ob eine Lücke den Lauf stoppt, ausgespart oder nach einer dokumentierten Regel behandelt wird.
4. Zeitzone und Kerzenschluss. Stelle sicher, dass Daten und Regeln dieselbe Zeitzone verwenden und eine Kerze erst berücksichtigt wird, wenn sie im simulierten Zeitpunkt bereits geschlossen war.
5. Symbol- und Marktänderungen. Prüfe, ob sich Instrument, Paar-Konvention oder Datenquelle innerhalb des Testzeitraums geändert haben.
6. Ausführungsannahmen. Definiere Startkapital, Gebühren, Slippage, Positionsgröße und Ausführungszeitpunkt, bevor du den Bericht öffnest.
7. Nachvollziehbarkeit. Ordne dem Ergebnis die verwendete Regelversion, den Datensatz und seine Qualitätsmerkmale eindeutig zu, damit der Kontext später rekonstruiert werden kann.

Die Research-Methodik sollte erklären, wie Abdeckung und Lücken ermittelt werden, welche Transformationen stattfinden und welche Annahmen neben dem Ergebnis sichtbar bleiben.

Hilfreich ist außerdem ein kurzes Prüfprotokoll: Wer hat welchen Datenstand wann kontrolliert, welche Auffälligkeiten wurden gefunden und welche Entscheidung folgte daraus? So bleibt auch ein später verworfener Lauf als nachvollziehbarer Research-Schritt erhalten.

Methodisches Beispiel: Zwei gleitende Durchschnitte

Angenommen, eine Strategie eröffnet eine Position, wenn ein schneller gleitender Durchschnitt einen langsameren von unten kreuzt. Beim umgekehrten Kreuz wird die Position geschlossen. Noch bevor der erste Lauf startet, muss die Spezifikation beantworten:

• Welcher Markt und welches Kerzenintervall werden verwendet?
• Gilt das Signal erst nach dem Schluss der aktuellen Kerze?
• Zu welchem Preis wird der nächste simulierte Einstieg angesetzt?
• Wie fließen Gebühren und Slippage ein?
• Was geschieht, wenn genau im Signalbereich eine Kerze fehlt?
• Welche Regel begrenzt Positionsgröße oder Risiko?

Im Bereich für nachvollziehbares Backtesting sollten anschließend nicht nur zusammengefasste Kennzahlen betrachtet werden. Prüfe einzelne Einstiege, Ausstiege und Ereignisse in der Nähe von Datenlücken. Nutzt eine Entscheidung Informationen, die zum simulierten Zeitpunkt noch nicht vorlagen, besteht ein Look-ahead-Fehler. Verschwindet ein Signal schon durch das Verschieben um eine Kerze, braucht die Schlussfolgerung zusätzliche Prüfung.

Das Beispiel benötigt keine erfundene Renditezahl. Es zeigt bereits dann seinen Wert, wenn Daten, Regel und Ausführung eine konsistente, wiederholbare Kette bilden.

Checkliste nach dem Lauf

Nach der Berechnung helfen diese Kontrollen:

• Passt die Anzahl und zeitliche Verteilung der Trades zur formulierten Regel?
• Häufen sich große Gewinne oder Verluste an Lücken oder in schwach abgedeckten Abschnitten?
• Lässt sich jeder Ein- und Ausstieg einer sichtbaren Bedingung zuordnen?
• Wurden Kosten bei allen relevanten Transaktionen einheitlich berücksichtigt?
• Bleiben Zeitraum, Datensatz, Regelstand und Annahmen gemeinsam nachvollziehbar?
• Ändert eine kleine, sachlich plausible Parameteränderung die gesamte Aussage?

Für die letzte Frage kann eine Sweetspot- und Parameteranalyse benachbarte Kombinationen vergleichbar machen. Sie beweist keine zukünftige Profitabilität. Sie hilft jedoch dabei, einen isolierten historischen Spitzenwert von einem breiteren, weniger empfindlichen Bereich zu unterscheiden.

Grenzen, die auch saubere Daten nicht beseitigen

Ein vollständiger Datensatz macht aus einer Simulation noch keinen realen Handel. Je nach Modell bleiben Liquidität, Latenz, Markteinfluss, abgelehnte Orders und veränderte Handelsbedingungen vereinfacht oder unberücksichtigt. Überanpassung entsteht außerdem, wenn Regeln wiederholt so lange verändert werden, bis sie denselben historischen Zeitraum besonders gut erklären.

Trenne deshalb möglichst die Phase, in der eine Idee entwickelt wird, von ihrer späteren Bewertung. Bewahre auch ungünstige Ergebnisse auf, protokolliere Regeländerungen und wähle Parameter nicht ausschließlich nach dem besten historischen Einzelwert. Historische und hypothetische Ergebnisse sagen keine zukünftige Entwicklung voraus und sind keine Finanzberatung.

Wenn die Strategieidee noch aus ungenauen Formulierungen besteht, hilft als nächster Schritt der Gegenartikel über prüfbare Regeln in einem visuellen Strategie-Builder. Klare Logik reduziert Mehrdeutigkeit, bevor der Backtest überhaupt beginnt.