Granularere Marktdaten können einen Strategie-Backtest weniger verlässlich machen. Tickdaten liefern mehr Zeilen, aber auch mehr Möglichkeiten, Messdetails mit Wissen darüber zu verwechseln, was du tatsächlich hättest handeln können.
Das klingt verkehrt, wenn du schon einmal erlebt hast, dass ein Kerzendaten-Backtest einen Stop, eine Spread-Ausweitung oder eine kurze Berührung deines Limitpreises verpasst hat. Das sind echte Probleme. Die Frage ist, ob die feineren Daten sie tatsächlich lösen oder dem Simulator nur erlauben, eine überzeugendere Geschichte zu erzählen.
Was kann ein Backtest mit Tickdaten erkennen?
Eine 1-Minuten-Kerze verdichtet eine Folge von Trades auf vier Preise und ein Gesamtvolumen. Allein anhand der Kerze kannst du normalerweise nicht erkennen, ob das Hoch vor dem Tief erreicht wurde, wie lange der Kurs nahe einem der beiden Extremwerte blieb oder ob zu einem bestimmten Preis genug Volumen gehandelt wurde, um deine Order auszuführen.
Trade-Ticks bilden die Reihenfolge der gemeldeten Trades wieder ab. Quotes ergänzen den angezeigten Geld- und Briefkurs im Zeitverlauf. Mit beidem kannst du genauere Fragen zum Spread, zu Quote-Änderungen und dazu stellen, ob eine ausführbare Order das Orderbuch zu einem plausiblen Preis durchlaufen hätte.
Ein ausgeführter Trade sagt jedoch nichts über deine Position in der Warteschlange aus. Wenn deine ruhende Order auf einem Preisniveau mit bereits 18 BTC vor ihr eingereiht worden wäre, beweist ein dortiger Trade über 0,3 BTC nicht, dass deine Order ausgeführt wurde. Das Tape zeigt dir, was am Markt passiert ist; wo genau deine hypothetische Order lag, verrät es nur selten.
Wie können feinere Daten das Ergebnis verschlechtern?
Das erste Risiko ist eine lückenhafte Abdeckung. Tick-Archive haben oft fehlende Intervalle, Lücken bei Handelsplätzen, Symboländerungen oder unterschiedliche Aufbewahrungszeiträume für verschiedene Märkte. Eine Strategie, die nur dort getestet wird, wo der Anbieter eine vollständige Historie hat, kann unbemerkt zu einer Strategie für die am einfachsten messbaren Assets und Zeiträume werden.
Das zweite Risiko ist das Timing. Zeitstempel können den Ereigniszeitpunkt an der Börse, den Empfangszeitpunkt beim Anbieter oder den Zeitpunkt der Dateierstellung abbilden. Wenn dein Simulator Ereignisse aus verschiedenen Feeds so sortiert, als wären ihre Uhren perfekt synchronisiert, kann er auf eine Quote reagieren, bevor sie deinem Prozess überhaupt vorlag.
Mehr Zeilen machen es außerdem leichter, Implementierungsfehler zu überdecken. Eine Kerzenstrategie trifft vielleicht eine Entscheidung pro Minute. Eine tickgesteuerte Variante kann in dieser Minute Dutzende Male handeln und jedes Mal Spread, Gebühren und Markteinfluss zahlen. Wenn der Simulator annimmt, dass jedes Signal zum nächsten beobachteten Preis ausgeführt werden kann, ist seine Präzision nur Fassade.
Die 60 Beobachtungen sind nicht automatisch 60 unabhängige Handelsgelegenheiten. Sie können alle dieselbe sich verändernde Quote abbilden, und deine Order kann beeinflussen, welche Ausführungsvolumen noch verfügbar sind. Eine Hochfrequenzsimulation braucht ein Order- und Latenzmodell, das ehrlich mit den zusätzlichen Details umgeht.
Wann lohnen sich Tickdaten?
Beginne mit der Frage, die du anhand deiner aktuellen Daten nicht beantworten kannst. Wenn sie lautet: „Was wurde zuerst erreicht, mein Stop oder mein Ziel?“, können Trade-Ticks helfen. Wenn sie lautet: „Wie viel hat mich der Spread beim Einstieg gekostet?“, sind Quote-Daten relevanter. Wenn sie lautet: „Wäre meine passive Order ausgeführt worden?“, brauchst du möglicherweise Markttiefe und Annahmen zur Warteschlange. Doch selbst damit lässt sich die historische Warteschlange selten vollständig rekonstruieren.
| Forschungsfrage | Geeignete Daten | Was sich damit weiterhin nicht beweisen lässt |
|---|---|---|
| Wurde ein Schwellenwert vor einem anderen gehandelt? | Trade-Ticks | Dass deine Order an einem der beiden Schwellenwerte ausgeführt wurde |
| Welchen Spread musste eine Market-Order überbrücken? | Zeitgestempelte Geld- und Briefkurs-Quotes | Dass die angezeigte Größe weiterhin verfügbar war |
| Hätte eine passive Order ausgeführt werden können? | Quotes, Markttiefe und Warteschlangenmodell | Deine genaue Position in der Live-Warteschlange |
Bei einem täglichen Signal, das wochenlang gehalten wird, sind 1-Minuten-Kerzen möglicherweise bereits feiner aufgelöst, als es der Entscheidungsprozess erfordert. Bei einer Strategie, deren Vorteil von der Ausführung innerhalb von Sekunden abhängt, können Kerzen genau den Effekt auslöschen, den du untersuchst. Stimme die Datenauflösung auf den Entscheidungs- und Ausführungshorizont der Strategie ab.
Wie erkenne ich, ob die zusätzlichen Details geholfen haben?
Halte Strategie und Testzeitraum konstant. Vergleiche die Varianten auf Kerzenbasis und mit feineren Daten nach Möglichkeit anhand derselben Entscheidungen. Erfasse Veränderungen bei Ausführungen, Umschlag, gezahltem Spread, Gebühren und Markteinfluss sowie bei Rendite- und Risikokennzahlen. Steigt der Sharpe, während sich die Zahl der Trades verdreifacht und das Ausführungsmodell weiterhin zum nächsten Tick ausführt, ist Skepsis angebracht.
Verschlechtere dann die feinen Daten gezielt. Entferne einen kleinen zufälligen Anteil der Ereignisse, füge realistische Feed-Verzögerungen hinzu und setze den angenommenen Spread oder Markteinfluss höher an. Bricht ein Ergebnis schon bei wenigen Millisekunden Verzögerung zusammen, liegt das womöglich an der Ereignisreihenfolge im Simulator und nicht an einer robusten Eigenschaft der Strategie.
Einmal habe ich einen Nachmittag damit verbracht, eine spektakuläre Verbesserung auf die Spur eines Feeds zurückzuführen, der einen kurzen Schwall an Trades doppelt aufgezeichnet hatte. Das Modell hatte gelernt, auf die Duplikate zu handeln. Die zusätzlichen Daten hatten den Fehler wie einen echten Vorteil aussehen lassen.
Kritiker von Kerzendaten haben recht: Die Aggregation kann ausführungstechnische Effekte verbergen, die vom Kursverlauf abhängen. Wenn Stop und Ziel innerhalb derselben Kerze liegen, lässt sich ihre Reihenfolge anhand von OHLC allein nicht bestimmen, und Momentaufnahmen des Spreads können kurzfristige Verwerfungen verpassen. Tick- und Quote-Daten können diese Fragen zuverlässiger beantworten, sofern der Feed vollständig ist und der Simulator das Ereignis-Timing berücksichtigt.
Der praktische Maßstab ist einfach: Kaufe mehr Details nur dann ein, wenn sie eine Entscheidung verändern, die du beschreiben kannst, und zeige, welche Annahmen dafür sorgen, dass aus diesen Details eine Ausführung wird. Andernfalls hast du einen größeren Datensatz und einen präziser wirkenden Backtest, aber keinen besseren Beleg dafür, dass die Strategie tatsächlich hätte handeln können.
← Alle Beiträge


