Wie man eine Handelsstrategie mit KI backtestet

Wichtige Erkenntnisse

Eine zuverlässige Backtest-Handelsstrategie legt genaue Einstiegs-, Ausstiegs- und Positionsgrößenregeln fest, bevor historische Daten berührt werden, um Hindsight-Bias zu reduzieren.
Verwende Walk-Forward-Tests mit mindestens drei Out-of-Sample-Segmenten, um zu prüfen, ob die AI-Backtesting-Ergebnisse in verschiedenen Marktregimen bestehen bleiben.
Berücksichtige immer Gebühren, Spread und realistische Slippage (z. B. 0,05 %–0,20 % pro Trade), sonst wird dein Edge überschätzt.
Bewerte die Performance mit Erwartungswert, maximalem Drawdown und Profitfaktor zusammen, denn eine hohe Trefferquote allein kann ein fragiles Risiko verbergen.
Vermeide Data Leakage, indem du Features nur aus vergangenen Kerzen generierst und Trainings-, Validierungs- und Testperioden chronologisch trennst.

Backtesting ist der Ort, an dem Strategien sich das Recht verdienen, mit echtem Geld gehandelt zu werden. AI kann das Testen von Strategien beschleunigen, aber sie kann dir auch helfen, dich schneller selbst zu täuschen, wenn du den Prozess nicht kontrollierst.

Was AI-Backtesting ist und was es nicht ist

AI-Backtesting ist die Verwendung von Machine-Learning- oder Regelentdeckungs-Tools, um Handelsregeln auf historischen Handelsdatensätzen zu erstellen, zu verfeinern oder zu bewerten. Das Ziel ist dasselbe wie bei jedem Backtest: abzuschätzen, ob eine Strategie nach Kosten und Risiko eine wiederholbare Edge hat.

Wobei AI-Backtesting nützlich ist:

Parameter-Suche in großem Maßstab: Testen von Tausenden von Kombinationen (z. B. RSI-Länge 7–21, ATR-Stop 1,5–3,5) ohne manuelles Trial-and-Error.
Feature-Discovery: Beziehungen zu entdecken, die du vielleicht nicht zu testen gedacht hättest (z. B. Volatilitätsregime + Trendfilter).
Robustheitsprüfungen: Tests schnell über Symbole wie BTC, ETH, AAPL und EUR/USD hinweg erneut ausführen.

Wobei es nicht nützlich ist (es sei denn, du erzwingst Guardrails):

Die Zukunft aus der Vergangenheit in sauberer, stationärer Weise vorherzusagen (Märkte ändern sich).
Die Handelslogik durch eine Blackbox zu ersetzen, die du nicht riskomanagen kannst.
Live-Ergebnisse zu garantieren—even ein perfekter Backtest kann scheitern, wenn die Ausführung abweicht.

Praktischer Tipp: Wenn deine AI eine „großartige“ Strategie vorschlägt, zwing sie dazu, die Logik als Checkliste auszudrücken: trend filter → entry trigger → stop → take-profit → time stop. Wenn sie das nicht kann, kannst du sie nicht verantwortungsvoll handeln.

Schritt 1: Erstelle eine Strategy-Spezifikation, bevor du Daten anfasst

Die meisten Backtests scheitern, weil die Strategie nicht vollständig spezifiziert ist. Eine Backtest-Handelsstrategie muss wie Code geschrieben werden—auch wenn du sie später automatisierst.

Mindest-Spezifikation (schreibe sie auf):

Markt und Zeitrahmen: BTC auf 4H, AAPL auf 1D, EUR/USD auf 15m usw.
Einstiegsbedingungen: eindeutig, kein „wirkt stark“.
Ausstiegsbedingungen: Stop-Loss, Take-Profit, Trailing-Regeln, zeitbasierte Ausstiege.
Positionsgrößen: fester %, volatilitätsbasiert (ATR) oder fester Dollar-Risk.
Risikolimits: max. Positionen, max. Tagesverlust, max. Hebel.
Kostenmodell: Gebühren, Spread, Slippage-Annahmen.

Beispiel-Spezifikation (einfach, aber testbar) für ETH 4H:

Trendfilter: 200 EMA aufwärts (Close > EMA200).
Einstieg: RSI(14) kreuzt über 50 und Close > vorheriges Hoch.
Stop: 2,0 × ATR(14) unter dem Einstieg.
Take-Profit: 3,0 × ATR(14) über dem Einstieg oder RSI(14) kreuzt unter 50.
Risiko: 0,75 % des Kapitals pro Trade.
Kosten: 0,08 % Gebühr pro Seite + 0,03 % Slippage pro Seite.

Praktischer Tipp: Wenn du eine Regel nicht in eine boolesche Aussage (wahr/falsch) umwandeln kannst, ist sie nicht bereit für Strategy-Tests.

Schritt 2: Beschaffe die richtigen historischen Daten und bereinige sie

AI-Modelle sind empfindlich gegenüber Datenqualität. Schrottdaten erzeugen nicht nur Rauschen—sie erzeugen falsche Edges.

Datenanforderungen nach Asset-Klasse

Krypto (BTC, ETH): Verwende Exchange-Level-OHLCV mit konsistenten Zeitstempeln; prüfe auf fehlende Kerzen während Ausfällen.
Forex (EUR/USD): Vorsicht bei Broker-Feeds; Spreads variieren je nach Session; erwäge die Verwendung von Mittelkurs plus Spread-Modell.
Aktien (AAPL): Passe bei Tagesdaten für Splits und Dividenden an; stelle sicher, dass Corporate Actions die Renditen nicht verzerren.

Bereinigungs-Checkliste (nicht verhandelbar)

Entferne oder markiere duplizierte Bars.
Fehlende Zeitstempel vorsichtig auffüllen (häufig besser zu löschen als forward-fill bei Intraday).
Zeitzonen normalisieren (UTC ist am einfachsten).
Validiere OHLC-Logik: High ≥ max(Open, Close) und Low ≤ min(Open, Close).
Richte Indikatoren so aus, dass sie nur vergangene Daten verwenden (kein Look-Ahead).

Praktischer Tipp: Führe zuerst einen „Sanity Backtest“ durch: Buy-and-Hold und eine Random-Entry-Strategie. Wenn zufällige Einstiege nach Kosten profitabel aussehen, sind deine Daten oder dein Kostenmodell falsch.

Schritt 3: Wähle einen AI-Workflow, der zu deiner Strategie passt

„AI-Backtesting“ kann sehr unterschiedliche Dinge bedeuten. Wähle den Workflow danach, was du erreichen willst.

Workflow A Rule based with AI parameter search

Du lieferst die Regeln; AI durchsucht den Parameterraum.

Am besten für: RSI/EMA/ATR-Systeme, Breakout-Systeme, Mean-Reversion mit Filtern.
Vorteil: interpretierbar; einfachere Risiko-Kontrolle.
Risiko: Overfitting durch zu viele Kombinationen.

Praktisches Beispiel: Für AAPL daily kannst du suchen:

EMA fast: 10–30
EMA slow: 100–250
ATR stop: 1,5–4,0 Dann bewerte Out-of-Sample-Performance, nicht nur den besten In-Sample-Lauf.

Praktischer Tipp: Begrenze die Gesamtanzahl der Kombinationen. Wenn du 50.000 Varianten testest, betrachte die Top-10 zunächst als „Glücksritter“, bis ihre Robustheit bewiesen ist.

Workflow B Model predicts returns then trades rules

Ein Modell sagt die Rendite der nächsten Kerze voraus; du handelst nur, wenn das Vertrauen hoch ist.

Am besten für: systematische Trader mit strenger Datendisziplin.
Vorteil: kann mehrere Features integrieren (Trend, Vol, Volumen, Saisonalität).
Risiko: Leakage und instabile Signale.

Praktischer Tipp: Wandle Vorhersagen in eine handelbare Regel um: „Gehe long nur wenn vorhergesagte Rendite > 0,15 % und Volatilitätsfilter besteht“, nicht „Modell sagt up“.

Workflow C Pattern discovery and clustering

AI gruppiert Marktregime (Trend, Chop, hohe Volatilität) und du handelst unterschiedliche Regeln je Regime.

Am besten für: Trader, die wissen, dass eine Strategie nur manchmal funktioniert (z. B. Breakouts scheitern bei niedriger Vol).
Vorteil: verbessert Selektivität.
Risiko: Regime-Label können sich verschieben; du brauchst einfache Ausführungsregeln.

Praktischer Tipp: Halte Regime-Filter im Live-Handel einfach: z. B. „Handele Breakouts nur wenn ATR(14) über seinem 60-Tage-Median liegt.“

Schritt 4: Teile deine Daten korrekt, um Leakage zu vermeiden

Der schnellste Weg, Performance zu fälschen, ist dem Modell die „Zukunft“ sehen zu lassen. Korrekte Splits sind chronologisch, nicht zufällig.

Empfohlener Split für Strategy-Testing:

Training (In-Sample): 60 %
Validation: 20 %
Test (Out-of-Sample): 20 %

Beispiel für BTC 4H von 2019–2026:

Train: 2019–2023
Validate: 2024
Test: 2025–Mitte 2026

Dann Walk-Forward-Testing hinzufügen:

Train 2019–2021 → Test 2022
Train 2019–2022 → Test 2023
Train 2019–2023 → Test 2024 Das prüft, ob die Performance Regime-Wechsel (Bull, Bear, Seitwärts) übersteht.

Praktischer Tipp: Wenn sich deine besten Einstellungen von einem Walk-Forward-Fenster zum nächsten stark ändern, ist dein Edge wahrscheinlich nicht stabil.

Schritt 5: Definiere realistische Ausführungs- und Kostenannahmen

Retail-Backtests gehen oft von perfekten Fills aus. Live-Handel tut das nicht.

Zu modellierende Kosten

Gebühren: Maker/Taker für Krypto; Kommissionen für Aktien; Spreads für Forex.
Spread: besonders wichtig bei EUR/USD während Rollovers und News.
Slippage: verschlechtert sich bei Market Orders, geringer Liquidität und volatilen Kerzen.
Funding/Borrow: Perpetual-Futures-Funding; Margin-Borrow-Kosten.

Daumenregel-Bereiche (du solltest kalibrieren):

Liquides Krypto (BTC/ETH): 0,02 %–0,10 % Gebühren pro Seite + 0,01 %–0,05 % Slippage pro Seite
Large-Cap-Aktien (AAPL): oft $0 Kommission, aber 0,01 %–0,03 % Slippage existiert trotzdem
Forex (EUR/USD): 0,5–1,5 Pips typischer Retail-Spread; Slippage-Spikes um News

Praktischer Tipp: Stress-teste Kosten, indem du sie verdoppelst. Wenn das Verdoppeln der Kosten die Profitabilität tötet, ist die Strategie zu dünn zum Handeln.

Schritt 6: Wähle die Metriken, die tatsächlich zählen

Eine Strategie kann in einer Metrik großartig aussehen und trotzdem nicht handelbar sein.

Kern-Performance-Metriken

Erwartungswert (pro Trade): durchschnittlicher Gewinn pro Trade nach Kosten. Positiver Erwartungswert ist die Grundlage.
Profitfaktor: Brutto-Gewinn / Brutto-Verlust. Viele dauerhafte Systeme liegen bei ~1,2–1,8; sehr hohe Werte können Overfitting signalisieren.
Maximaler Drawdown (MDD): das Schmerzlevel. Ein 45 %-Drawdown ist eine andere Strategie als ein 12 %-Drawdown.
Sharpe oder Sortino: risikoadjustierte Renditen; Sortino ist oft besser für verzerrte Strategien.
Trade-Anzahl: 30 Trades sind kein Beweis; 300 Trades sind besser, abhängig vom Zeitrahmen.

Trade-Qualitätsmetriken (oft ignoriert)

Durchschnittlicher Gewinn / durchschnittlicher Verlust
Trefferquote nach Regime: Trend vs Range-Perioden
Zeit im Markt
Exposure und Hebel

Praktischer Tipp: Verfolge den Erwartungswert nach Jahr (oder Quartal). Wenn der Erwartungswert nur in einem Jahr positiv ist, hast du wahrscheinlich dieses Perioden-Fit.

Schritt 7: Nutze AI, um Robustheit zu verbessern, nicht nur Renditen

Die beste Verwendung von AI im Backtesting ist nicht „Finde die höchste CAGR.“ Sondern: „Finde das, was profitabel bleibt, wenn die Realität zuschlägt.“

Robustheitschecks, die AI automatisieren kann

Parameter-Stabilitätskarten: Performance über ein Gitter (z. B. RSI-Länge vs Stop-Größe). Du willst ein „Plateau“, keinen einzelnen scharfen Peak.
Monte-Carlo-Reshuffling: Trade-Reihenfolge zufällig durchmischen, um Drawdown-Bereiche und Ruin-Risiko abzuschätzen.
Noise-Tests: Kleines Rauschen zu Preisen hinzufügen (z. B. ±0,05 %), um zu prüfen, ob der Edge verschwindet.
Kosten-Sensitivität: Mit höheren Gebühren/Spread/Slippage neu ausführen.
Marktrotation: Auf BTC, ETH und einige große Alts testen; Aktienstrategien auf AAPL, MSFT, SPY testen.

Praktisches Beispiel: Wenn eine BTC-Breakout-Strategie nur mit einem 1,9× ATR-Stop funktioniert, aber bei 1,8× und 2,0× fehlschlägt, ist sie wahrscheinlich nicht robust.

Praktischer Tipp: Setze eine Regel: „Ich handle nur Strategien, die in mindestens 70 % der getesteten Parameterkombinationen in der Nachbarschaft des Optimums profitabel bleiben.“

Schritt 8: Ein praktischer AI-Backtesting-Workflow, dem du folgen kannst

Hier ist ein wiederholbarer Workflow, der funktioniert, egal ob du Trading AI oder deinen eigenen Stack verwendest.

1 Starte mit einer Basisstrategie, die du erklären kannst

Wähle einen Markt und Zeitrahmen:

BTC 4H Trend-Following
ETH 1H Mean Reversion
AAPL Daily Trendfilter + Pullback
EUR/USD 15m Session Breakout

Schreibe die Spezifikation (aus Schritt 1). Keine Ausnahmen.

Praktischer Tipp: Beginne mit einer Strategie, die du bereit wärst, eine Woche manuell zu handeln. Wenn nicht, automatisiere sie nicht.

2 Führe einen „plain“ Backtest mit konservativen Kosten durch

Bevor du AI-Optimierung einsetzt, messe die Baseline:

Profitfaktor
MDD
Trades/Monat
Schlechtester Monats-Return

Wenn die Baseline bereits vernünftig ist, kann AI helfen, sie zu verfeinern. Wenn die Baseline schlecht ist, führt AI-Optimierung meist nur zu Curve-Fitting.

Praktischer Tipp: Fordere mindestens 100 Trades In-Sample, bevor du AI Parameter auf Intraday-Systemen optimieren lässt.

3 Lass AI suchen, aber schränke sie ein

Einschränkungen reduzieren Overfitting:

Begrenze die Anzahl der Parameter (zuerst 2–4 sind ausreichend).
Nutze Bereiche, die trading-sinnig sind (ATR-Stop 0,5–10 ist Unsinn).
Bestrafe Komplexität (weniger Regeln > mehr Regeln).

Praktischer Tipp: Bevorzuge weniger Filter. Jeder Filter reduziert Trades und erhöht die Wahrscheinlichkeit, dass dein Backtest Zufall ist.

4 Validierung Out-of-Sample und Walk-Forward

Nimm die Top-20-Kandidaten In-Sample und sortiere sie neu nach:

Out-of-Sample-Erwartungswert
Drawdown-Kontrolle
Parameter-Stabilität

Dann führe Walk-Forward durch. Lehne alles ab, das nur in einem Regime funktioniert.

Praktischer Tipp: Wenn der Out-of-Sample-Profitfaktor nach Kosten unter 1,05 fällt, behandle es als Rauschen, es sei denn, die Trade-Anzahl ist sehr hoch.

5 Paper-Trading mit Live-ähnlichen Ausführungsannahmen

Backtests beinhalten nicht deine echten Fills. Paper-Trading tut das (mehr oder weniger).

Verwende dieselben Ordertypen wie live (Market vs Limit).
Handle zu den gleichen Zeiten wie live.
Verfolge Slippage vs Backtest-Annahme.

Praktischer Tipp: Wenn die Paper-Trading-Performance über 50+ Trades mehr als 30 % schlechter ist als der Backtest, ist dein Ausführungsmodell zu optimistisch.

Schritt 9: Häufige Fehler, die AI-Backtests sprengen

Dies sind die Fallen, die AI-Backtesting magisch aussehen lassen und dann im Live-Handel scheitern.

Fehler 1: Data Leakage durch Features

Beispiele:

Verwendung des heutigen Closes, um einen Trade „am heutigen Open“ zu entscheiden.
Normalisierung mit Full-Sample-Mittel/Varianz (Future-Info).
Regime-Labeling mit Indikatoren, die vorausblicken.

Fix: Baue Features nur aus vergangenen Kerzen und passe Scaler nur auf Trainingsdaten an.

Fehler 2: Überoptimierung auf einen Markt

Eine Strategie, die nur auf BTC 2020–2021 funktioniert, könnte ein Einzelfall sein.

Fix: Teste auf mehreren Symbolen und in mehreren Regimen. Für Krypto schließe eine Bärenperiode (z. B. 2022) und eine Hochvol-Periode ein.

Fehler 3: Ignorieren von Liquidität und Ordertypen

Ein Backtest, der Limit-Fills zum Kerzenschluss annimmt, ist Fantasie für schnelle Märkte.

Fix: Verwende Next-Bar-Execution-Annahmen, einschließlich Slippage, und modelliere partielle Fills wenn nötig.

Fehler 4: Winrate als Hauptziel verwenden

Eine 78 %-Trefferquote-Strategie kann trotzdem Geld verlieren, wenn Verluste 4× die Gewinne sind.

Fix: Optimiere zuerst für Erwartungswert und Drawdown, dann für Trefferquote.

Praktischer Tipp: Füge einen harten Filter hinzu: „Durchschnittlicher Gewinn muss mindestens 0,8× des durchschnittlichen Verlusts betragen“, es sei denn, du handelst explizit ein High-Win-Rate-Mean-Reversion-System mit strikten Risikocaps.

Häufig gestellte Fragen

Wie backteste ich eine Handelsstrategie mit AI?

Definiere präzise Ein- und Ausstiegs- sowie Risikoregeln zuerst, dann führe AI-Backtesting auf chronologisch gesplitteten Daten mit realistischen Gebühren und Slippage durch. Verwende Out-of-Sample- und Walk-Forward-Tests, um zu bestätigen, dass der Edge über Regime hinweg besteht. Promoviere nur Strategien, die unter erhöhten Kosten-Stresstests profitabel bleiben.

Welche historischen Daten sind am besten für AI-Backtesting?

Die besten historischen Datensätze entsprechen deinem Ausführungsort und enthalten genaue Zeitstempel, Corporate Actions (Aktien) und konsistente OHLCV. Für Krypto verwende exchange-spezifische Daten; für Forex verwende einen Feed mit realistischem Spread-Modell. Validier immer fehlende Kerzen und passe Splits/Dividenden an, wo relevant.

Wie vermeide ich Overfitting beim Strategy-Testing?

Vermeide Overfitting, indem du Parameter begrenzt, Walk-Forward-Tests verwendest und breite Performance-Plateaus schärferen Optima vorziehst. Halte einen strikten Out-of-Sample-Test, der niemals zur Feinabstimmung genutzt wird. Füge Robustheitschecks wie Noise-Tests und verdoppelte Transaktionskosten hinzu.

Welche Metriken sind in einem AI-Backtest am wichtigsten?

Erwartungswert, maximaler Drawdown und Profitfaktor sind am wichtigsten, weil sie Rendite mit Risiko und Trade-Qualität verbinden. Verfolge auch Trade-Anzahl, durchschnittlicher Gewinn gegenüber durchschnittlichem Verlust und Performance nach Jahr oder Regime. Eine hohe Sharpe ist nützlich, sollte aber Drawdown- und Kosten-Sensitivität nicht überlagern.

Referenzen

Chan, Ernest P. Quantitative Trading: How to Build Your Own Algorithmic Trading Business.
López de Prado, Marcos. Advances in Financial Machine Learning.
CME Group and exchange contract specifications (for tick size, session rules, and costs assumptions).

Externe Links

Backtesting a Trading Strategy in Python With AI Generated Code GitHub - tradingstrategy-ai/getting-started: Start developing and backtesting your own automated trading strategies · GitHub Features | AI Trading Strategy Backtesting Tool Features Trading Strategy Backtesting Software | TrendSpider AI Backtesting Assistant | LuxAlgo