Přejít k obsahu | Přejít k hlavnímu menu | Přejít k vyhledávání
Validierung des Handelssystems
StrategyQuant X kann innerhalb von Minuten eine schöne Backtestanalyse erstellen. Das ist der leichte Teil. Die Schwierigkeit liegt darin, herauszufinden, ob die entdeckte Strategie ein echter, ausnutzbarer Muster ist oder nur ein Zufall.
Danach müssen Sie die Spreads, die Verschiebung, die Einstellungen des Brokers, die Tick-Genauigkeit, die Ausführungsvariationen, das Portfoliarisiko und alle anderen langweiligen Details berücksichtigen, die oft die schönen Backtests ruinieren.
Brendan Anderson, Gründer von Trivium Systems Trading, hat in den letzten Jahren ein Forschungsprozess entwickelt, der darauf abzielt, diese beiden Strategien zu unterscheiden. Er verwaltet derzeit ein Portfolio mit mehr als 30 systematischen Strategien und hält eine öffentliche Erfolgsbilanz über mehr als zwei Jahre und mehr als 10.000 Trades.
Hier ist seine Herangehensweise an die Strategieentwicklung, die Validierung, das Risiko und die Live-Implementierung dargestellt.
Ich bin ein in Vancouver ansässiger systematischer Händler und Gründer von Trivium Systems Trading.
Ich verwende StrategyQuant X, um intraday-Ausbruchssysteme zu entwickeln und ein Portfolio aus mehr als 30 Strategien zu verwalten. Ich tradiere auf den CFD-Markten: US-, deutsche und japanische Indizes sowie Bitcoin, Gold, Öl und ausgewählte Forex-Paare. Wenn etwas liquide ist, nützliche Ausbruchbewegungen ermöglicht und Strategien unterstützt, die meinen Testprozess bestehen, bin ich bereit, damit zu handeln.
Ich fahre auch Trivium SQX Academy, Hier unterrichte ich den gleichen Forschungs- und Validierungsablauf, den ich auch für mein eigenes Portfolio verwende.
Am wichtigsten ist, dass ich eine öffentliche Erfolgsbilanz halte, weil ich glaube, dass jeder, der Handel lehrt, bereit sein sollte, Beweise dafür zu liefern, dass er tatsächlich erfolgreich ist.
Ich habe mich während der Pandemie für den Handel interessiert. Wie viele andere hatte ich plötzlich viel zu viel freie Zeit und begann, im Google-Suchergebnis nach Möglichkeiten zu suchen, wie man online Geld verdient. Das führte schließlich zu meinem Interesse an dem Handel auf YouTube.
Damals wusste ich absolut nichts. Das machte mich zum idealen Kunden für jemanden, der selbstbewusst wirkte. Ich kaufte mir also einen Kurs von einem Händler, der keine öffentlichen Erfolge vorweisen konnte. Der Kurs umfasste eine riesige Discord-Gruppe, in der Dutzende Leute sich in den Aktien eintrudeln ließen, die für den Tag ausgewählt worden waren. Ich eröffnete ein Webull-Demo-Konto und begann, um 6 Uhr morgens aufzuwachen, um den US-Markt von Vancouver aus zu handeln.
Mein Verfahren war äußerst aufwendig:
Während der Meme-Stock-Phase habe ich eine der Aktien verkauft, deren Kurse stark nach oben stiegen. Die Position bewegte sich stark gegen mich, also habe ich die App geschlossen und ins Bett geschnappt, in der Hoffnung, dass der Markt das Problem beheben würde, während ich bewusstlos war. Leider zerstörte der Trade das gesamte Konto und zwang mich dazu, zugeben zu müssen, dass ich keine Ahnung hatte, was ich tat. Also verließ ich die Gruppe und begann, nach einem Prozess zu suchen, der mir mehr Selbstvertrauen schenkte und das Gefühl vermittelte, ich wisse, was ich tue.
Ich entdeckte TradingView schnell und begann, Strategien manuell zu testen. Das war besser als blind auf Discord-Benachrichtigungen zu reagieren, aber es brachte auch seine eigenen Probleme mit sich. Zum Beispiel dauerte eine manuelle Rückverfolgung über ein Jahr hinweg. Der Prozess war voller manueller Verzerrungen und es war unmöglich, Spread, Provisionen, Slippage und Ausführungskosten zu berücksichtigen.
Schließlich lernte ich Pine Script und begann mit der Programmierung von Strategien. Allerdings brachte das Erlernen der Programmierung nicht zwangsläufig die Fähigkeit mit, eine angemessene Recherche durchzuführen. Ich habe die Parameter immer wieder angepasst, bis die Eigenkapitalkurve fast perfekt aussah. Ich erinnere mich, dass ich eine gleitende Durchschnittsstrategie erstellt hatte, die nach viel Hin- und Her-Rechnen unglaublich aussah. Dann habe ich sie auf ungesehene Daten angewendet und die Performance brach sofort zusammen.
Dieser Misserfolg brachte mich auf die Suche nach Übertraining, Testen innerhalb der Muster und Testen außerhalb der Muster sowie auf die vielen Möglichkeiten, wie ein Händler versehentlich etwas erzeugen kann, das auf dem Papier gut aussieht.
Nachdem ich mehr als 100 Ideen getestet hatte, fand ich eine Nacht-Scalping-Strategie, die während des Forex-Rollover-Perioden einen Limit-Order-Bereich um einen definierten Bereich herum platzierte. Ich habe diese Strategie einige Jahre erfolgreich angewendet und konnte mein Konto deutlich ausbauen. Das Problem war jedoch, dass ich immer noch nicht genau verstand, was ich eigentlich riskierte, wie ich diversifizieren konnte oder was ich tun würde, wenn die Strategie nicht mehr funktioniert. Das geschah schließlich, und plötzlich war ich wieder bei null.
Die Lehre war ziemlich klar: Abhängigkeit von einer einzigen Strategie war eine verheerende langfristige Planung. Ich brauchte eine Möglichkeit, viele unabhängige Systeme zu generieren, zu testen und zu kombinieren. Das führte mich zu StrategyQuant X.
Ich habe StrategyQuant X erstmals im Jahr 2021 heruntergeladen, als ich noch strategische Routinen manuell programmierte.
Ich öffnete die Software, klickte auf „Generieren“, ohne einen richtigen Workflow einzurichten, erhielt eine Reihe mittelmäßiger Ergebnisse und verwarf die Plattform. Hinterher betrachtet war das wie Photoshop öffnen, drei zufällige Schaltflächen klicken, ein hässliches Bild erzeugen und feststellen, dass Grafikdesign ein Betrug sei.
Ich kehrte 2023 zu SQX zurück, nachdem ich mehr über systematische Forschung erfahren hatte. Bis dahin hatte ich bereits über Übertraining, Validierung und den Unterschied zwischen der Suche nach einem Backtest und der Entwicklung eines Prozesses gelernt. Das änderte alles.
Ich habe den Hauptgrund für die enorme Leistungsfähigkeit von SQX erkannt: Der genetische Builder kann Hunderte von tausenden Strategie-Kombinationen testen, einschließlich Ideen, die ich manuell niemals in Betracht gezogen hätte. Darüber hinaus ermöglicht es Ihnen, einen automatisierten Forschungszyklus zu erstellen, in dem Strategien generiert, gefiltert und unter Berücksichtigung von Robustheitsprüfungen weitergeleitet werden können, bevor sie als vollständiger Handelscode exportiert werden.
Also habe ich mich für einen Kurs entschieden, der damals von einem bekannten StrategyQuant X-Fonds produziert wurde (er existiert nicht mehr), und habe hunderte Stunden damit verbracht, zu lernen, wie man die Software richtig benutzt.
StrategyQuant X bietet eine absurd große Anzahl an Einstellungen, Indikatoren, Filtern, Tests und möglichen Workflows. Diese Flexibilität ist sehr nützlich, wenn man weiß, was man tut, aber bevor man das alles nutzt, führt sie meist zu mehr Fehlern.
Mein erster technischer Problem war die korrekte Einrichtung der Daten. CFD-Broker unterscheiden sich hinsichtlich Vertragsdetails, Spreads, Provisionen, Zeitzonen, Punktwerten und Positionsschätzungsregeln. Eine Strategie, die unter Verwendung der Standardkonfiguration von Dukascopy erstellt wurde, kann sich bei der Implementierung über einen bestimmten Broker sehr anders verhalten.
Nach viel Versuchen und Fehlern erfuhr ich, dass ich die CFD-Vertragsvorgaben direkt aus meinem MetaTrader-Terminal abrufen musste, was Folgendes umfasst:
In Rückblende betrachtet, ja, diese Dinge scheinen offensichtlich. Aber das zeigt nur, wie wenig ich wusste und wie eifrig ich war, Strategien zu entwickeln, bevor ich die Grundlagen richtig legte. Abfall rein, Abfall raus.
Auf Märkten mit einem starken Aufwärtstrend, wie etwa bei US-Indizes, beginne ich mit Long-Only-Strategien. Mit dem Wind in die richtige Richtung zu fahren ist viel einfacher als ihn zu bekämpfen. Später werde ich symmetrische Long-Short-Systeme entwickeln.
Mein Standardzeitrahmen ist der M30. Niedrige Zeitrahmen sind anfälliger für Spreads, Slippage, Unterschiede zwischen den Brokern und Preisverfolgung innerhalb der Märkte. Hohe Zeitrahmen ergeben in der Regel weniger Trades als ich möchte, und das Risiko-Gewinn-Verhältnis ist für mein Trading-Konzept weniger attraktiv. Der M30 liegt also genau in der Mitte beider Probleme.
Meine Strategien umfassen alle intraday-Breakout-Systeme, die über Stop-Orders bei festgelegten Preisniveaus eingegangen werden und vor dem Ende des Handelszeitraums geschlossen werden.
Nachdem die Kandidaten generiert wurden, durchlaufen sie drei separate, außerhalb der Stichprobe erhobene Phasen. Die erste Phase ist der Out-of-Sample-Bereich innerhalb des Builders, den der genetische Algorithmus während der Auswahlprüfung betrachtet. Die beiden weiteren Phasen sind die sogenannten “wahren Out-of-Sample”-Daten, die den Optimierungsprozess nicht beeinflussen (die Strategien werden hier entweder akzeptiert oder abgelehnt). In diesen Phasen werden Daten aus der gesamten Vorgeschichte des Builders herausgenommen, sodass nichts davon Einfluss darauf hat, welche Strategien überleben.
Danach folgt die multimarktbezogene Testung. Hier teste ich jede Strategie über eine breite Palette von Instrumenten und akzeptiere nur Strategien, die über einen bestimmten Mittelwert an Performance in allen Märkten verfügen. Für mich spiegelt eine Strategie, die in mehreren Märkten ordentlich performt, eher ein allgemeines Preisverhalten wider und es ist schwieriger, dass dieses Ergebnis durch Zufall zustande gekommen ist. Eine Strategie, die nur auf einem Symbol und in einem Zeitraum mit einem exakten Satz von Parametern funktioniert, könnte einfach nur Glück gehabt haben. Die multimarktbezogene Testung erweitert zudem die Stichprobengröße. Ich habe viel mehr Vertrauen in eine Strategie mit 50.000 Trades (die überwiegende Mehrheit davon liegen außerhalb des Musterverlaufs) in mehreren Märkten als in eine Strategie mit 500 Trades in einem einzigen Markt.
Anschließend führen wir Monte-Carlo-Tests durch, darunter:
Ich überprüfe die Leistung auch anhand der Zeichendaten, um sicherzustellen, dass die Ergebnisse erhalten bleiben, da meine ursprünglichen Builds die Auflösung auf einer Minute festlegen.
Sobald ich etwa 100 bis 200 praktikable Strategien für einen Markt habe, verwende ich den Portfolio-Builder, um hochkorrelierte Systeme zu eliminieren. Das Ziel ist es, eine Sammlung von Strategien zu erstellen, deren Renditeströme unterschiedlich stark sind, sodass die Rendite des Portfolios für ein bestimmtes Risiko-Level verbessert werden kann.
Schließlich exportiere ich die Portfolio-Trades in Excel, schätze den Rückgang durch eine Monte-Carlo-Analyse, ermittle das Risiko pro Trade, exportiere den Code und vergleiche die Strategie in MetaTrader mit den spezifischen Daten des Brokers.
Ein Parameter ist jeder Wert, der angepasst werden kann. Viele beliebte Handelsindikatoren bieten eine Vielzahl von Parametern an. Der RSI beispielsweise verfügt über drei: die Lookback-Periode sowie die Overtrend- und Oversold-Levels.
Ich habe die meisten stark parametrisierten Signalblöcke in StrategyQuant X deaktiviert, was die Mehrheit davon ausmacht. Durch wiederholte Tests stellte ich fest, dass diese Indikatoren beim Validierungsprozess nicht überleben konnten. Statt also weiterhin Rechenleistung darauf zu investieren, habe ich sie in der Builder-Phase vollständig entfernt.
Der Grund liegt im Suchraum: Die Gesamtzahl der möglichen Signalkonfigurationen StrategyQuant X, die getestet werden können. Hierbei spielen zwei Faktoren eine Rolle:
Je größer der Suchraum ist, desto mehr Möglichkeiten hat der Entwickler, Kombinationen zu finden, die zufällig gut aussehen, anstatt ein echtes, ausnutzbares Muster zu finden.
Ein Indikator mit drei Parametern mag einfach aussehen, aber wenn jeder Parameter 100 mögliche Werte hat, sind das 100³ oder 1.000.000 mögliche Kombinationen. Deshalb bevorzuge ich einfache Bedingungen mit wenigen oder gar keinen optimierten Werten, also sogenannte signale mit geringem oder nullem Parameter.
Die Leute fragen mich ständig nach Beispielen, aber es geht wirklich nur um diese simplen Gedanken:
Es handelt sich meist um binären Bedingungen, also „true“ oder „false“, und die Werte sind festgelegt. Es gibt keine Optimierungsmöglichkeiten, daher werden Signale, die keinen Handelsschwerpunkt ergeben, einfach weggeworfen. In meinen Tests überleben diese Signale häufiger Robustheitsfilter und sind in allen Märkten besser generalisierbar. Ich habe inzwischen fast 100 eigene Preismuster-Module auf dieser Philosophie aufgebaut.
Für die Analyse von Trendbewegungen und Trendfolgemarktanalysen halte ich den NASDAQ und andere Aktienindizes für einfacheren Ausgangspunkt als die großen Forex-Paare.
Sie bieten:
Bitcoin und Gold sind aus denselben Gründen starke Kandidaten. Das einzige FX-Paar, auf das ich Empfehlungen für Breakouts gebe und mit dem ich bereits erfolgreich gearbeitet habe, ist USDJPY. Die anderen Majors verbringen mehr Zeit damit, in den Widerständen zu handeln, und die auftretenden Breakouts reichen nicht aus, um die Kosten zu rechtfertigen.
Alle meine Systeme verwenden:
ProIn dem Builder sind die Zielwerte für “optional” festgelegt, was bedeutet, dass der Algorithmus entweder eine Option einbezieht oder sie ausschließt. In der Praxis bleiben die meisten meiner Strategien ohne solche. Dadurch können große intraday-Bewegungen fortgesetzt werden, anstatt dass sie auf einer willkürlichen Ebene abgebrochen werden.
Wenn Sie die Daten in SQX einrichten, müssen Sie den Spread und den Slippage festlegen. Leider gilt dieser Wert für den gesamten Datenbereich.
Daher ist es häufiger der Fehler zu begehen, die heutige Spreads auf eine gesamte historische Laufzeit anzuwenden. Gold ist ein gutes Beispiel – der nominale Preis im Jahr 2003, die frühesten Daten, die man von Dukascopy erhält, war weit niedriger als heute. Die Anwendung der aktuellen absoluten Spreads auf ältere Preisdaten führt dazu, dass die Kosten in Prozentzahlen unrealistisch hoch erscheinen.
Dies kann dazu führen, dass rentable historische Strategien unrentabel erscheinen, einfach weil die Kostenansätze nicht mit dem Testzeitraum übereinstimmen. Um dies zu umgehen, vergleiche ich den aktuellen Marktwert mit dem Preis zu Beginn des Entwicklungszeitraums und benutze diesen Vergleich zur Skalierung des historischen Spread-Wertes rückwärts. Dadurch erhalten wir eine niedrigere Schätzung für den älteren Teil der Daten.
Später testete ich die Strategie unter Verwendung moderner Spread-Ansprüchen und angemessener Slippage-Werte aus den vergangenen Jahren, um zu bestätigen, dass die Strategie nicht kollabiert, sobald die aktuellen Kosten berücksichtigt werden.
Am Ende des Tages ist die Testung außerhalb der Musterbeispiele das A und O. Jede weitere Testung außerhalb der Musterbeispiele ist ein Vertrauensbeweis dafür, dass Sie einen Vorteil haben könnten. Zehn Testungen außerhalb der Musterbeispiele könnten Zufallsergebnisse sein – zehntausend Tests bilden eine statistisch signifikante Grafik.
Die Leute fragen oft, wie viel Daten für die Out-of-Sample-Tests reserviert werden sollen. Ich lege häufig die Hälfte und manchmal sogar mehr in den gesamten Workflow ab. Die genetische Evolution durchsucht eine enorme Anzahl von Strategie-Kombinationen und belohnt wiederholt das Beste unter den Entwicklungsdaten. Dadurch ist sie äußerst effektiv bei der Entdeckung von Strategien, aber gleichzeitig auch bei der Anpassung an historisches Rauschen. Eine große unberührte Probe ausgleicht diesen Selektionsdruck und zwingt die endgültige Strategie, sich auf Daten zu testen, die bei ihrer Entstehung keine Rolle gespielt haben.
Was mich zu dem häufigsten Fehler bringt, den ich sehe. In StrategyQuant X lässt sich, wenn die genetische Evolution aktiviert ist, nicht die Markierung von Teilen der Builder-Daten als außerhalb der Stichprobe beibehalten.
Strategien werden in der Testperiode erstellt und anschließend im Testsegment evaluiert. Das Problem ist, dass diese Bewertung nicht passiv erfolgt. Der genetische Algorithmus nutzt die Performance in beiden Segmenten, um zu entscheiden, welche Strategien beibehalten, modifiziert oder verworfen werden. Über viele Generationen hinweg sind die Strategien, die in der Testperiode gut abschneiden, diejenigen, die überleben und ihre Eigenschaften an die nächste Generation weitergeben. Der Algorithmus lernt indirekt aus diesen Daten und nutzt sie als Selektionsfilter statt als Satz von Parametern zur Optimierung, doch der Effekt ist ähnlich. Dieser Segment wird zu einem sekundären Optimierungsziel, und je mehr Generationen man durchläuft, desto stärker wird dieser Effekt sich auswirken.
Die Daten haben immer noch einen Wert. Sie reduzieren das Overfitting im Vergleich zur Verwendung von Daten aus dem eigenen Datensatz. Aber sie sind kein endgültiger, unvoreingenommener Test der Robustheit.
Deshalb reserviere ich für echte Auswertung außerhalb der Stichprobe einen zusätzlichen historischen Datensatz, den der Builder in keiner Phase sieht. Da dieser unverändert bleibt, fungiert er als echtes unabhängiges Referenzsystem. Testen, sobald der gesamte Generationen- und Auswahlprozess abgeschlossen ist, gibt eine viel zuverlässigere Aussage darüber, wie eine Strategie im Live-Betrieb funktionieren könnte. Wenn sie auch auf wirklich nicht beobachteten Daten überzeugend funktioniert, ist die Wahrscheinlichkeit, dass sie sich auch außerhalb der spezifischen Muster, die während der Evolution entstanden sind, auf andere Daten übertragen lässt, höher.
Viele meiner besten Signale beginnen mit einfachen Beobachtungen bezüglich des Preisschwungs.
Beispielsweise: Wurde der vorherige Tag höher oder niedriger geschlossen? Wurde der Preis über den gestern festgelegten Bereich geschlagen? Wurde der Markt nach einem ungewöhnlich starken Kursverlauf umkehren? Diese Beobachtungen sind einfach zu beschreiben und zu kodieren und enthalten weniger verstellbare Werte als traditionelle Indikatoren.
Ich studiere auch Ideen anderer systematisch handelnder Trader, StrategyQuant Community-Artikel, akademische Studien und etablierte Literatur zum Thema Handel. Larry Williams’ Arbeit hat mir zum Beispiel die Preismuster wie den Smash Day und den Kangaroo Tail vorgestellt, die in vielen meiner Systeme vorkommen.
Mein Ziel ist nicht, ein paar außergewöhnliche Strategien zu finden. Es geht darum, ein Portfolio aus relativ “mittenmäßigen” Strategien zu entwickeln, die moderate Renditen erzielen, sich gegenseitig unterscheiden und sich zu einer viel flüssigeren Aktienkurve zusammenfügen.
Viele profitable Strategien, die alle meine Robustheitsprüfungen bestehen, erleben lange Stagnationsphasen – manchmal mehrere Jahre mit konstantem Renditeausblick. Dies kann es für einzelne Strategien äußerst schwierig machen, zu handeln, selbst wenn die Ergebnisse innerhalb des von historischen Backtests vorgeschlagenen Bereichs liegen.
Die Lösung besteht darin, Diversifizierung über unkorrelierte Renditequellen hinweg zu erreichen. Wenn eine Strategiegruppe stagniert oder Verluste verzeichnet, kann eine andere Gruppe Gewinne erwirtschaften. Jede Strategie trägt einen kleinen und unvollständigen Beitrag dazu bei, zusammen aber kann sie einen stabileren und zuverlässigeren Aktienkurs ermöglichen.
Ich misse die Korrelation anhand des monatlichen Gewinns und Verlusts jeder Strategie. Man kann nicht davon ausgehen, dass zwei Strategien korreliert sind, nur weil sie mit ähnlichen Instrumenten handeln. Zwei Systeme, die denselben US-Index handeln, könnten dennoch sehr unterschiedliche Renditeerlöse generieren, da ihre Eintrittsbedingungen, Ausstiegsbedingungen, Handelsrichtung, Zeitpunkte und Haltezeiträume unterschiedlich sind. Die Korrelation muss aus den tatsächlichen Daten gemessen werden. gibt zurück..
Selbst bei einem starken Entwicklung- und Validierungsprozess werden einige Strategien nach der Implementierung enttäuschen. Kein historisches Testen kann Ihnen im Voraus sagen, welche Strategien zukünftig erfolgreich sein werden. Ein breites Portfolio mit geringer Korrelation verringert die Abhängigkeit von einzelnen Ergebnissen, da die Strategien, die weiterhin funktionieren, diejenigen kompensieren können, die nach und nach schwächen oder scheitern.
Ich habe das Risiko auf Portfolioebene festgelegt, anstatt jede Strategie einzeln zu bewerten.
Ein häufiger Fehler besteht darin, die Positionserweiterung anhand des einzigen maximalen Rückgangs zu berechnen, der in einer historischen Backtestanalyse angezeigt wird. Dies ist das Kernproblem: Eine Backtestanalyse gibt nur eine Vorstellung davon, wie schlecht die Situation sein könnte, wenn dieselbe Renditeverteilung in einer weniger günstigen Reihenfolge auftritt. Märkte garantieren nicht, dass die Zukunft dem vergangenen Handelsschema ähnelt; sie deuten lediglich an, dass die statistischen Eigenschaften dieser Renditeverteilung bestehen bleiben können.
Um dies zu bewältigen, exportiere ich die gesamte Handelsliste in Excel und führe mithilfe von Block-Bootstrapping Monte-Carlo-Simulationen durch. Ich verwende Block-Bootstrapping anstatt einfacher randomer Repositionsverfahren, da Trades nicht unabhängig voneinander sind. Dies liegt daran, dass Strategien häufig in Cluster gruppiert sind: Perioden, in denen sie gut performen, und Perioden, in denen sie unterleiden. Standardrepositionsverfahren unterbrechen diese Struktur und können das Risiko durch die Glättung der Schwankungen unterschätzen. Block-Bootstrapping bewahrt die Cluster bei und erzeugt realistischere Sequenzen, die eine bessere Abbildung der Entwicklung von Auszahlungen in der Praxis liefern.
Die Simulationen generieren Tausende plausibler Eigenkapitalkurven. Anstatt einer einzigen Abwertungshöhe erhalten Sie eine Verteilung der Abwertungen. Das zeigt mir nicht nur, was passiert ist, sondern auch, was unter ungünstigen Bedingungen vernünftigerweise passieren könnte. Außerdem kann ich abschätzen, wie stark eine Abwertung unter einer ungewöhnlich schlechten, aber statistisch plausiblen Renditeentwicklung ausfallen könnte.
Ihre erste Aufgabe sollte sein, festzustellen, woher der Rückgang der Ausgaben kommt.
Das Portfolio kann einfach nur eine normale Varianz aufweisen. Nur weil Ihr Portfolio oder bestimmte Strategien in einem Abwärtstrend sind, heißt das nicht, dass sie “kaputt” sind. Solange es innerhalb Ihrer Prognosen liegt, müssen Sie einfach abwarten.
Wenn Sie jedoch ein ungewöhnliches Muster von starken Rückgängen feststellen, ist dies Anlass zu einer eingehenderen Untersuchung. Wenn das Portfolio in den letzten sechs Monaten bereits 10 Prozent verloren hat, deuten Ihre Monte-Carlo-Simulationen jedoch darauf hin, dass dies nur einmal oder zweimal im Jahr passieren sollte. Es ist etwas Verdächtiges.
Ein Backtest kann zeigen, dass eine Strategie um 2 Prozent zulegen sollte, während die Live-Version um 5 Prozent abrutscht. Solche Ungleichheiten deuten auf ein Problem bei der Ausführung hin. Vergleichen Sie Ihre Trades sofort und finden Sie heraus, wo das Problem liegt. Gibt es:
Backtests, wenn sie richtig durchgeführt werden, sind das beste Instrument, das wir zur Prognose zukünftiger Performance haben. Wenn sie nicht mehr zuverlässig sind, ist die Grundlage weg.
Die Live-Equity-Kurve kann zwar eine ähnliche Form wie die Backtest-Simulation aufweisen, funktioniert jedoch schlechter, da Spreads, Provisionen oder Slippage höher ausfallen als erwartet. In diesem Fall müssen die historischen Kostenansätze aktualisiert werden und Sie müssen alles erneut in Ihrem Workflow durchlaufen lassen.
Panik nicht ausbrechen und Strategien einfach abstoßen, nur weil das Portfolio einen Rückgang verzeichnet. Identifizieren Sie die Ursache des Rückgangs und ergreifen Sie die entsprechenden Maßnahmen.
Ich habe das aus erster Hand erfahren. Für eine Weile habe ich nur mit M1-Auflösung getestet, da die durchschnittliche Handelsdauer für meine Strategien nur wenige Stunden betrug. Ich dachte nicht, Tickdaten wären notwendig. Dann stellte ich fest, dass es zu Ausführungsvariationen kam, und als ich die Tests erneut mit Tickdaten durchführte, verschlechterte sich die Performance einiger Strategien stark.
Der Unterschied ist folgender:
Wichtig ist, dass die M1-Daten nicht sagen, welche Preisinformation zuerst vorliegt. Das könnte wichtig sein, da:
Manchmal ist die Performance zwischen M1 und den Tickdaten nahezu identisch, manchmal ist sie jedoch deutlich unterschiedlich. Ich habe noch keinen Weg gefunden, dies vorherzusagen.
Am Ende des Tages weiß ich vielleicht nicht immer genau warum Die Performance einer Strategie verschlechtert sich bei tickenden Daten so stark im Vergleich zu M1, aber ich brauche das nicht immer zu wissen. Wenn die Verschlechterung groß ist, verwende ich die Strategie sofort ohne Nachdenken. Da SQX die Strategieerstellung trivial macht, kann ich immer Hunderte von Ersatzkandidaten finden, die sofort eingesetzt werden können.
Ich habe keine festgelegten Schwellenwerte für einzelne Strategien, da ich das Portfolio als eine einzige Einheit verwaltet. Ich habe für das gesamte Portfolio einen extrem pessimistischen Höchstausfallgrenzwert festgelegt und überwache die einzelnen Strategien hauptsächlich, um zu überprüfen, ob sie die Ergebnisse liefern, die meine Backtests vorhergesagt haben. Ob eine bestimmte Strategie im Plus oder im Minus liegt, ist mir weniger wichtig als die Frage, ob ihre Ergebnisse immer noch im Bereich liegen, den meine Simulationen vorhergesagt haben.
Um die Frage direkt zu beantworten: eine gewisse Abnahme der Performance in Bezug auf die Musterdaten gegenüber den Abverläufen außerhalb der Muster ist unvermeidlich und zu erwarten. Auf meinem YouTube-Kanal habe ich ein öffentliches Experiment durchgeführt, bei dem ich zufällige Strategien generiert habe, ohne Robustheitsprüfungen anzuwenden. Bei Testen auf Abverläufen außerhalb der Muster zeigte sich ein erheblicher Rückgang der durchschnittlichen Performance gemessen am Sharpe-Ratio – etwa 40% bis 50% Punkte im Vergleich zu den Musterdaten.
Mit geeigneten Robustheitsprüfungen konnte die Degradation deutlich reduziert werden, obwohl sie nie vollständig eliminiert werden konnte. Die Multimarket-Prüfung, die selbst eine Form der Out-of-Sample-Prüfung ist, war einer der stärksten Filter.
Das ist das Beste, was wir hoffen können: die Verringerung des Potenzials für Abnutzung im gesamten Portfolio und die Verbesserung der Chancen, dass genügend Strategien weiterhin erfolgreich sind.
Hier unterscheidet sich mein Ansatz von vielen Ratschlägen, die Sie von Trading-Trainern erhalten.
Um mich zu wiederholen: Man muss akzeptieren, dass eine Strategie, die nicht funktioniert, nicht bedeutet, dass sie “fehlgeschlagen” ist. Wenn man ständig Strategien eliminiert, die scheinbar nicht funktionieren, könnte man sie genau dann eliminieren, wenn sie wieder anziehen. Verlorene Perioden häufen sich, ebenso wie die Gewinntage. Das Problem ist, dass man das nicht weiß. wenn Das eine wird in das andere verwandelt. Daher ist es am besten, keine Eier in eine einzige Schachtel zu stecken und das Risiko über eine Reihe von Strategien zu verteilen.
Mit dem Risiko, wie ein altes Lied zu wiederholen: Da das Portfolio als Gruppe aufgebaut und dimensioniert wurde, bleibt der Portfoliostromabfluss meine wichtigste Risikometrik. Ich überwache einzelne Systeme nur für die Integrität der Ausführung und prüfe, ob die Trades den Backtests entsprechen.
Jedes dritte bis viertel Jahr aktualisiere ich das Portfolio. Ich verwende dieselben Filter, um die bestehenden Strategiedatenbanken neu zu analysieren, und bewerte die neuesten Daten als zusätzliche Belege aus dem Vergleich mit anderen Portfolios. Anschließend behalte ich die Überlebenden und erarbeite das Portfolio aus dem aktualisierten Pool neu. Dadurch wird sowohl überprüft, ob die Strategien ihre Wirkung bewahren, als auch, ob mein Arbeitsablauf selbst robust ist.
Die genetische Entwicklung von SQX selbst ist eine Form von maschinellem Lernen, weshalb KI in diesem Sinne von Anfang an ein zentraler Bestandteil meines Prozesses ist. Darüber hinaus verwende ich LLMs zur Code-Fixierung und zur Analyse exportierter Handelsdaten.
Ich möchte darauf hinweisen, dass der Großteil der Aktivitäten, die Menschen im Bereich der KI im Handel durchführen, übertrieben hoch eingeschätzt wird. Ein entscheidender Fehler besteht darin, verschiedene maschinelle Lerntechniken zu verwenden, um Kauf- und Verkaufssignale zu generieren, indem man sie mit den von ihm erworbenen Daten trainiert. Ein weiterer Fehler besteht darin, auf ChatGPT zuzugreifen und ihn zu fragen: “Gib mir eine profitable Handelsstrategie”. Das Problem dabei ist, dass ein LLM so programmiert ist, dass er Sie zufriedenstellt. Fragen Sie ihn nach einer Strategie, die auf dem Papier gut aussieht, und er wird Ihnen eine Strategie liefern, die auf dem Papier gut aussieht, denn genau das haben Sie verlangt. Ein LLM ist nur so gut wie sein Betreuer.
Es gibt keine Umgehung für den Aufbau eines Prozesses und das Erlernen ausreichender Kenntnisse, um zu bewerten, was daraus hervorgeht. KI kann die mechanischen Teile dieser Arbeit beschleunigen. Sie kann die Entscheidungen nicht für Sie treffen.
Systematische Händler sollten grundlegende Statistiken und Datenwissenschaftskonzepte verstehen. Einige Beispiele sind unter anderem:
Ohne diese Grundlagen ist es schwierig, die Stärke Ihrer Beweisführung zu beurteilen oder zu entscheiden, welche Forschungsmöglichkeiten sinnvoll sind. Eine grundlegende statistische Grundlage ermöglicht Ihnen außerdem, Ihre eigene Forschung durchzuführen, um zu sehen, was funktioniert. Das macht SQX unglaublich einfach. Das ist weitaus nützlicher als, jemanden nach den “besten Einstellungen” zu fragen. Es gibt keine Sammlung von magischen Einstellungen, die in einer privaten Discord-Gruppe versteckt sind.
Die Trivium SQX Academy richtet sich an Händler, die die Grundlagen von StrategyQuant X bereits kennen und diese ernsthaft umsetzen möchten, ohne dafür Tausende Stunden in die Erstellung eines kompletten Prozesses durch Versuche und Fehler zu investieren.
Innerhalb teile ich:
Es gibt auch eine private Gemeinschaft von gleichgesinnteren SQX-Algorithmus-Handlern.
Wenn ich meinen Ansatz zusammenfassen müsste:
Mit SQX ist das Erstellen von Strategien der einfachste Teil. Die Entwicklung eines Prozesses, der erkennt, welche Strategien verworfen werden müssen, ist der Bereich, in dem die meisten Arbeit stattfindet.
What if you could control StrategyQuant X simply by talking to an AI agent? With the introduction of MCP (Model Context Protocol), we’re taking another step toward a new era …
Tomas Vanek27. 10. 2026
Can you identify major market turning points before they become obvious on a price chart? Most traders rely on technical indicators such as RSI, MACD, or moving averages. But these …
Tomas Vanek13. 10. 2026
Der sogenannte „Turnaround Tuesday“ ist eine Idee, die Händler seit Jahrzehnten diskutieren: Nach einem starken Verkauf am Montag könnte der Markt am Dienstag oder in den folgenden Tagen wieder anziehen. Dramatische Beispiele folgten …
Ellie Souckova6. 10. 2026
Englisch
Spanisch
Portugiesisch
Französisch
Italienisch
Japanisch