Ein Backtest kann überzeugender aussehen, nachdem du seine Daten verschlechtert hast. Entferne die unschönen Kursdaten, fülle Lücken mit sauberen Preisen auf, und schon kann die Sharpe Ratio steigen. Dieser Anstieg kann ein Warnsignal sein: Die Bereinigungsregel könnte genau die Marktbedingungen gelöscht haben, unter denen deine Strategie bestehen muss.
Datenqualität ist wichtig. Ein gekreuztes Quote oder ein doppelter Trade kann einen Fill erzeugen, den niemand hätte bekommen können. Ein Filter, durch den unbequeme Beobachtungen verschwinden, ist aber ebenfalls eine Modellentscheidung. Betrachte ihn mit demselben Misstrauen wie ein neues Signalmerkmal.
Wann sind fehlerhafte Preise tatsächlich fehlerhafte Daten?
Frage zuerst, was die Beobachtung darstellt. Ein Trade weit entfernt vom vorherrschenden Markt kann ein beschädigter Datensatz, ein echter Sweep bei geringer Liquidität oder ein venuespezifisches Ereignis sein. Eine 1-Minuten-Kerze ohne Volumen kann bedeuten, dass keine Trades stattfanden; eine fehlende Kerze dagegen, dass der Datenfeed ausgefallen ist. Diese Fälle müssen unterschiedlich behandelt werden.
Stell dir eine einfache Mean-Reversion-Strategie vor, die kauft, wenn der Kurs 1 % unter einen kurzen gleitenden Durchschnitt fällt, und beim Durchschnitt wieder aussteigt. In einer illiquiden Nachtphase wird ein Trade 1,2 % unter dem vorherigen Kurs ausgeführt, danach springt der Markt zurück. Ist der Kurs echt, hätte eine Strategie mit einer ruhenden Limit-Order möglicherweise einen Fill erhalten. War es ein fehlerhafter Tick, den kein ausführbares Quote stützte, erfindet die Anrechnung des Fills einen Edge.
Die Kerze zu löschen ist nicht automatisch sicherer. Die Strategie könnte weiterhin eine Order im Markt liegen gehabt haben, die beim nächsten echten Trade ausgeführt worden wäre. Ein vertretbarer Replay muss abbilden, was die Strategie beobachten konnte und wogegen ihre Order plausiblerweise hätte ausgeführt werden können.
Wie wirkt sich eine Bereinigungsregel auf das Ergebnis aus?
Führe die Strategie mit klar festgelegten Datenbehandlungen aus und vergleiche die Änderungen. Bewahre die Rohdatenquelle auf und dokumentiere jeden Ausschluss und jede Korrektur samt Begründung. Weise anschließend aus, wie stark das Ergebnis von diesen Entscheidungen abhängt.
| Datenbehandlung | Möglicher Vorteil | Risiko für den Backtest |
|---|---|---|
| Einen Kurs außerhalb eines dokumentierten Fehlerbereichs der Börse entfernen | Verhindert, dass ein bekanntermaßen ungültiger Datensatz einen Extremwert setzt | Die Regel kann bei schnellen Marktbewegungen legitime Trades falsch einordnen |
| Den letzten Kurs über ein fehlendes Intervall fortschreiben | Verhindert, dass Indikatoren an Datenlücken scheitern | Erzeugt einen Kurs, zu dem möglicherweise kein Trade stattfand |
| Konsolidierte Quotes statt letzter Trades verwenden | Verschafft einen besseren Überblick über angezeigte Ausführungspreise | Quote-Größe, Zugang zum Handelsplatz und Queue-Position spielen weiterhin eine Rolle |
| Alle Ausreißer-Kerzen anhand eines statistischen Schwellenwerts entfernen | Verringert die Empfindlichkeit gegenüber Extremwerten | Kann echte Stressphasen entfernen, in denen die Strategie den Großteil ihrer Verluste erleidet |
Angenommen, ein ungefilterter Lauf erzielt eine Sharpe Ratio von 0,9, während ein Lauf ohne 0,8 % der Kerzen auf 1,4 steigt. Das ist für sich genommen kein Beleg für bessere Datenqualität. Prüfe, ob sich die entfernten Kerzen um Volatilitätsspitzen häufen, ob sie einen bedeutenden Anteil am P&L ausmachen und ob die Ausschlussregel feststand, bevor du das Ergebnis gesehen hast.
Führe ein Daten-Ausnahmenprotokoll: Quelle, Zeitstempel, betroffene Felder, Begründung der Maßnahme und ob die Entscheidung vor oder nach der Prüfung der Strategieperformance getroffen wurde.
Wie teste ich, ob die Bereinigung den Edge verändert hat?
Fixiere die Strategie und vergleiche mehrere plausible Behandlungen über dieselben Zeiträume. Beziehe nach Möglichkeit den Replay mit Rohdaten, einen dokumentierten Korrektursatz und einen konservativen Ausführungsfall für weiterhin mehrdeutige Beobachtungen ein. Weise für jeden Lauf neben der Sharpe Ratio auch die Anzahl der Trades, den Turnover, den Drawdown und den P&L-Beitrag der betroffenen Intervalle aus.
Untersuche anschließend die Trades, die sich ändern. Verschwinden die größten Gewinner der Strategie, wenn eine kleine Gruppe verdächtiger Kursdaten ausgeschlossen wird, prüfe diese Datensätze einzeln. Verschwinden stattdessen die Verluste, gilt dieselbe Prüfung. Eine Regel, die nur dann sorgfältig geprüft wird, wenn sie dem Backtest schadet, übernimmt bereits eine Forschungsfunktion.
Für eine reproduzierbare Studie versioniere die Vendor-Dateien oder ihre Prüfsummen, den Bereinigungscode und die Ausnahmeliste. Ein Vendor kann historische Daten überarbeiten; dein nächster Lauf sollte erkennen lassen, ob sich die Strategie oder die Eingabedaten geändert haben.
Aber ist eine Bereinigung nicht notwendig?
Doch. Ein offensichtlich beschädigter Datensatz kann einen Trade vortäuschen, die Volatilität verzerren oder einen Indikator zum Absturz bringen. Und niemand sollte so tun, als seien Rohdatenfeeds die Wahrheit. Der praktische Punkt ist enger gefasst: Eine Bereinigung braucht Belege, eine fixierte Regel und eine Sensitivitätsprüfung, weil sie verändern kann, welchen Markt der Backtest angeblich abbildet.
Wenn eine Datenkorrektur die Performance verbessert, frage, welche Beobachtung sie entfernt hat und ob du dieselbe Entscheidung auch ohne Blick auf die Equity-Kurve getroffen hättest. Ist die Antwort unklar, behalte beide Versionen in der Forschungsdokumentation. Der Unterschied zwischen ihnen gehört zum Ergebnis.
← Alle Beiträge
