Trading-Strategie erstellen & testen: Der Profi-Guide zum Backtesting

1. Das Fundament: Von der Idee zum Algorithmus

Jede Strategie beginnt mit einer Hypothese. Das ist eine glasklare Aussage über ein Marktverhalten. Zum Beispiel: „Wenn der Preis eines Assets innerhalb einer Stunde um 5 % fällt und dabei ein abnormal hohes Volumen aufweist, ist die Wahrscheinlichkeit für einen kurzfristigen Rebound hoch.“

Gängige Strategietypen für den Start:

• Mean Reversion (Rückkehr zum Mittelwert): Die Suche nach Momenten, in denen der Preis zu weit von seinem Durchschnitt abgewichen ist.
• Trend Following (Trendfolge): Einstieg, wenn die Richtung der Bewegung bestätigt ist (z. B. durch gleitende Durchschnitte oder Level-Breakouts).
• Arbitrage: Ausnutzen von Preisunterschieden desselben Assets auf verschiedenen Börsenplätzen.
• Statistische Arbitrage: Suche nach Korrelationen zwischen verschiedenen Assets.

2. Sammeln historischer Daten

Die Qualität deines Tests steht und fällt mit der Qualität der Daten.

„Garbage in, garbage out“ (Müll rein, Müll raus).

Woher bekommt man die Daten?

• Börsen-APIs: Binance, Coinbase oder Bybit bieten Zugriff auf historische Candlestick-Daten (OHLCV).
• Spezialisierte Dienste: Yahoo Finance (Aktien), CoinMetrics (Krypto) oder Glassnode (On-Chain-Daten).
• Fertige Datasets: Kaggle oder spezifische Repositories auf GitHub.

Tabelle: Datentypen und ihre Anwendung

3. Werkzeuge für den Test

Für Einsteiger eignen sich visuelle Plattformen, für Profis führt kein Weg am Programmieren vorbei.

• TradingView (Pine Script): Der schnellste Weg, um eine Idee zu visualisieren. Der integrierte Strategietester zeigt die Performance direkt im Chart an.
• Python (Bibliotheken):
  • Pandas: Das Schweizer Taschenmesser für die Datenverarbeitung.
  • Backtrader oder VectorBT: Mächtige Engines für das Backtesting.
  • ccxt: Für die Anbindung an hunderte Krypto-Börsen.

Beispiel für einfachen Python-Code (VectorBT)

Dieser Code prüft das Kreuzen zweier gleitender Durchschnitte (Golden Cross):

import vectorbt as vbt
import pandas as pd
# Daten laden
data = vbt.YFData.download('BTC-USD', start='2023-01-01')
close = data.get('Close')
# Strategie definieren: Schnelle MA (10) kreuzt langsame MA (50) nach oben
fast_ma = vbt.MA.run(close, 10)
slow_ma = vbt.MA.run(close, 50)
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)
# Backtest ausführen
pf = vbt.Portfolio.from_signals(close, entries, exits, init_cash=1000)
print(pf.total_return())

4. Performance-Metriken

Schau nicht nur auf den „Total Profit“. Riesige Gewinne gehen oft mit dem Risiko eines Totalverlusts einher.

• Drawdown (Maximaler Rückgang): Der größte Verlust vom Höchststand bis zum lokalen Tief. Bei 50 % Drawdown brauchst du 100 % Gewinn, nur um wieder bei Null zu sein.
• Sharpe Ratio: Zeigt an, ob die Rendite das eingegangene Risiko wert ist. Ein Wert über 1,0 gilt als solide.
• Win Rate: Prozentsatz der profitablen Trades. Wichtig: Eine Strategie mit 30 % Win Rate kann extrem profitabel sein, wenn die Gewinne die Verluste um ein Vielfaches übersteigen (Risk/Reward).
• Profit Factor: Das Verhältnis von Bruttogewinn zu Bruttoverlust.

5. Die Fallstricke (Was oft verschwiegen wird)

Hier „verbrennen“ die meisten Neulinge ihre ersten echten Depots, obwohl die Tests vorher super aussahen.

Look-ahead Bias (Vorausschau-Fehler)

Dein Algorithmus nutzt versehentlich Daten aus der Zukunft. Beispiel: Du berechnest den Durchschnittspreis des Tages und triffst morgens eine Kaufentscheidung basierend auf diesem Wert. In der Realität weißt du morgens aber noch nicht, wie der Preis am Abend sein wird.

Survivorship Bias (Überlebenden-Fehler)

Du testest deine Strategie nur mit Coins oder Aktien, die heute ganz oben stehen. Dabei vergisst du die hunderten Projekte, die pleitegegangen und vom Kurszettel verschwunden sind. Getestet werden muss am gesamten Spektrum, das zum damaligen Zeitpunkt existierte.

Slippage und Gebühren

In der Theorie kaufst du für 100 $. Am echten Markt wird deine Order wegen mangelnder Liquidität erst bei 100,50 $ ausgeführt, und die Börse zieht noch 0,1 % Gebühren ab. Auf eine Distanz von 1.000 Trades macht das aus einer profitablen Strategie ein Verlustgeschäft.

6. Fortgeschrittene Testmethoden: Der Stresstest

Sobald der erste Backtest eine „schöne“ Renditekurve ausspuckt, ist es Zeit, sie auf Herz und Nieren zu prüfen. Ein einfacher Durchlauf der Historie reicht nicht aus, da der Markt ein Chamäleon ist – er verändert sich ständig.

Walk-Forward Analysis (WFA)

Das ist eine Methode des „rollenden“ Testens. Dabei unterteilen Sie die Daten in Blöcke:

• In-Sample (Training): Sie optimieren die Parameter der Strategie (z. B. die beste Länge für einen MA).
• Out-of-Sample (Test): Sie prüfen diese Parameter auf dem nächsten Datenabschnitt, den der Algorithmus noch nicht „gesehen“ hat.

Anschließend verschieben Sie das Fenster nach vorne. Wenn die Strategie auf allen „unsichtbaren“ Abschnitten stabil abliefert, ist sie tatsächlich lebensfähig.

Monte-Carlo-Simulation

Hierbei wird die Reihenfolge Ihrer Trades tausende Male nach dem Zufallsprinzip durchgemischt.

• Ziel: Herauszufinden, wie hoch die Wahrscheinlichkeit ist, dass eine Pechsträhne (Drawdown) Ihr gesamtes Depot rasiert.

Wenn von 10.000 Simulationen in 500 Fällen der Bankrott eintritt, ist die Strategie eine tickende Zeitbombe – selbst wenn die durchschnittliche Rendite top aussieht.

7. Optimierung vs. „Overfitting“ (Überanpassung)

Die gefährlichste Falle für jeden Researcher ist das Overfitting. Das passiert, wenn man die Parameter so perfekt getuned hat, dass der Algorithmus die Vergangenheit quasi „auswendig gelernt“ hat, aber bei neuen Daten völlig versagt.

Wie man Overfitting vermeidet:

• Weniger ist mehr: Je mehr Indikatoren und Wenn-Dann-Bedingungen im Code stehen, desto höher ist die Chance, dass Sie nur Marktrauschen traden.
• Parameter-Stabilität: Wenn die Strategie bei einer Periode von 20 funktioniert, aber bei 19 oder 21 sofort Verluste macht, ist sie ein Kartenhaus. Ergebnisse sollten sich bei leichten Einstellungsänderungen nur schrittweise verändern.
• Logische Begründung: Jeder Parameter braucht einen ökonomischen Grund. „Weil es in der Vergangenheit mehr Geld gebracht hat“ ist ein verdammt schlechtes Argument.

8. Profi-Konzepte: MEV und JIT Liquidity im Backtesting

Wer im DeFi-Bereich (Uniswap v3/v4) unterwegs ist, kriegt beim Standard-Backtesting oft Lügen serviert, da die Blockchain ihre eigenen Regeln hat.

• LVR (Loss Versus Rebalancing): Eine moderne Metrik für Liquiditätsanbieter. Sie vergleicht die Gebühreneinnahmen mit dem Verlust, der entsteht, weil Arbitrageure Ihnen die Liquidität zu Preisen abkaufen, die für sie gut, aber für Sie mies sind.
• JIT (Just-In-Time) Liquidity: Eine Strategie, bei der Liquidität erst Millisekunden vor einem großen Trade in den Pool gepumpt und sofort danach wieder abgezogen wird. In normalen Kerzen-Backtests (OHLCV) ist das unsichtbar – dafür braucht man ereignisgesteuerte Daten (Event-driven data).

9. Praxis-Checkliste: Vom Code an die Börse

10. Code-Beispiel: Gebühren und Slippage berücksichtigen

Im professionellen Testing ist es Pflicht, die Strategie zu „bestrafen“. So sieht die Logik schematisch aus:

# Pseudocode für die Kostenberechnung
commission = 0.001  # 0.1% pro Trade
slippage = 0.0005    # 0.05% Preis-Slippage
def execute_trade(price, size, side):
    if side == 'buy':
        effective_price = price * (1 + slippage)
        cost = size * effective_price * (1 + commission)
    elif side == 'sell':
        effective_price = price * (1 - slippage)
        revenue = size * effective_price * (1 - commission)
    return effective_price, cost_or_revenue

Goldene Regel: Wenn Ihre Strategie nach Abzug realistischer Gebühren und Slippage vom Goldesel zum Geldgrab wird – versuchen Sie nicht, sie „hinzubiegen“. Suchen Sie sich eine neue Idee. Der Markt verzeiht es nicht, wenn man die Betriebskosten ignoriert.