Monte-Carlo-Simulation für Forex-Strategien: Was sie beweist und was sie nicht kann

Risikohinweis. Hebelbasierte Währungsprodukte bergen ein erhebliches Risiko für dein Kapital. Das Bestehen eines Robustheitschecks ist kein Indikator für zukünftige Ergebnisse, und alle unten besprochenen Zahlen stammen aus historischen Simulationen.

Die direkte Antwort

Eine Monte-Carlo-Simulation beweist nicht, dass deine Trading-Strategie Geld verdienen wird. Es ist wichtig, dies zuerst zu betonen, da die 2019er Version dieses Artikels etwas anderes implizierte, und ich dies lieber offen korrigiere, als es stillschweigend zu lassen.

Die Methode misst, wie empfindlich ein historisches Ergebnis auf spezifische Änderungen reagiert: andere Indikatoreinstellungen, einen anderen Startpunkt, weitere Spreads, veränderte Preissequenzen oder verpasste Ausführungen. Eine Strategie, die diese Störungen übersteht, ist unter den von dir gewählten Testannahmen weniger fragil. Dennoch kann die Live-Performance enttäuschen, und sie kann weiterhin überoptimiert, regimedezent oder für echtes Kapital ungeeignet sein.

Diese Lücke zwischen „weniger fragil unter den getesteten Annahmen“ und „robust“ ist das eigentliche Thema dieser Seite.

Was Monte Carlo tatsächlich misst

Jede Monte-Carlo-Variante funktioniert im Kern gleich. Nimm den ursprünglichen historischen Test, ändere zufällig eine Sache, führe ihn erneut aus, wiederhole dies viele Male und betrachte dann die Verteilung der Ergebnisse anstatt einer einzelnen Zahl.

Die Erkenntnis ist fundiert. Ein einziger historischer Durchlauf erzeugt eine einzige Equity-Kurve, die auf eine Weise präzise erscheint, die sie nicht verdient hat, da ein leicht anderes Startdatum oder ein um zwei Punkte breiterer Spread etwas völlig anderes produziert hätte. Das Erzeugen von hunderten von Monte-Carlo-Simulationen ersetzt die falsche Präzision durch eine Streuung möglicher Ergebnisse, was ehrlicher ist.

Was sie nicht kann, ist Informationen zu generieren, die ursprünglich gar nicht in deinen Daten enthalten waren. Die Randomisierung einer historischen Sequenz erzeugt Variationen dieser Sequenz, aber keine Bedingungen, die der Markt erst noch erfinden muss.

Was sie beweist und was sie nicht beweist

Ergebnis	Angemessene Interpretation	Was sie nicht festlegt
Kleine Parameteränderungen bleiben profitabel	Die Strategie balanciert nicht auf Messers Schneide bei diesen Einstellungen	Dass die Einstellungen optimal sind oder ein Vorteil existiert
Andere Startdaten bleiben profitabel	Ergebnisse hängen nicht vollständig von einem einzigen historischen Einstiegspunkt ab	Zukünftige Profitabilität
Breitere Spreads bleiben akzeptabel	Kosten innerhalb des getesteten Bereichs sind tolerierbar	Dass die Live-Ausführung mit dem Modell übereinstimmt
Übersprungene Positionen zerstören die Ergebnisse nicht	Geringere Abhängigkeit vom Erwischen jedes Signals	Dass das Ausführungsrisiko beim Broker gehandhabt wird
Die meisten Durchläufe bleiben positiv	Das historische Ergebnis ist unter diesen Störungen recht stabil	Statistische Signifikanz oder das Ausbleiben von Overfitting
Der Drawdown bleibt innerhalb der Grenzen	Das Risiko kann über simulierte Szenarien hinweg tolerierbar sein	Dass der Worst-Case-Verlust bekannt ist

Drucke diese Tabelle aus und pinne sie irgendwo fest. Fast jede Übertreibung in diesem Bereich, einschließlich meiner eigenen früheren, entsteht dadurch, dass man eine Zelle in der mittleren Spalte so liest, als gehöre sie in die rechte.

Was sie nicht beweisen kann

Explizit, da das Audit dieser Seite dies korrekt als den fehlenden Abschnitt identifiziert hat:

• Einen kausalen Vorteil: Nichts hier erklärt, warum die Strategie funktionieren sollte.
• Stichprobenrepräsentativität: Deine Daten decken ab, was passiert ist, nicht was hätte passieren können.
• Regime-Überleben: Bedingungen, die in deiner Historie nie aufgetreten sind, können nicht gestresst werden.
• Freiheit von Data Snooping: Wenn du fünfhundert Kandidaten generiert und drei behalten hast, ist dieser Auswahlprozess für jeden Robustheitscheck unsichtbar.
• Korrekte Kostenmodellierung: Die Randomisierung der Spreads testet einen Bereich, den du gewählt hast. Reale Kosten könnten außerhalb davon liegen.
• Live-Ausführungsqualität: Simulierte Ausführungen sind Annahmen.
• Begrenzter zukünftiger Drawdown: Das schlechteste simulierte Ergebnis ist nicht das schlechteste mögliche Ergebnis.
• Einsatzbereitschaft: Das Bestehen ist nur ein Input unter vielen, niemals ein Urteil.

Dieser Punkt über das wiederholte Suchen verdient Nachdruck. Das Erzeugen von hunderten Kandidaten und das Behalten derer, die deine Kriterien erfüllen, ist ein Auswahlprozess, und Auswahl produziert Gewinner allein durch Zufall, wenn der Pool groß genug ist. Monte Carlo läuft auf dem Überlebenden und sagt dir nichts darüber, wie viele Leichen es überrannt hat.

Die sechs Testtypen sind nicht austauschbar

Diese Monte-Carlo-Simulationen als eine einzige Eigenschaft namens Robustheit zusammenzufassen, war ein Fehler, den ich wiederholt gemacht habe, denn die Tests beantworten tatsächlich unterschiedliche Fragen.

Test	Was untersucht wird	Kategorie
Randomisierte Indikatorparameter	Sensitivität gegenüber benachbarten Einstellungen	Strategievariation
Randomisierter Start-Bar	Abhängigkeit vom gewählten historischen Fenster	Strategievariation
Randomisierter Spread	Sensitivität gegenüber Änderungen der Transaktionskosten	Marktvariation
Randomisierte Preis-Historie	Sensitivität gegenüber Annahmen zur Datenstörung	Marktvariation
Randomisiert übersprungene Positionen	Abhängigkeit vom Erhalt jeder erwarteten Ausführung	Ausführungsproblem
Randomisiert geschlossene Positionen	Sensitivität gegenüber vorzeitigen Ausstiegen oder Unterbrechungen	Ausführungsproblem

Eine Strategie kann die Parameterrandomisierung zwar problemlos durchlaufen, aber bei einer Ausweitung des Spreads kollabieren. Diese Ergebnisse liefern dir unterschiedliche Informationen und legen unterschiedliche Maßnahmen nahe, weshalb die Meldung eines einzigen Bestehens oder Scheiterns über alle sechs Durchläufe hinweg den Großteil der Informationen verlieren würde.

Randomisierte Parameter

In dieser Monte-Carlo-Variante verschiebt die Software die Indikatorwerte wiederholt um kleine Beträge und führt sie dann erneut aus. Dies ahmt manuell nach, was du tun würdest, wenn du eine Periode eines gleitenden Durchschnitts manuell leicht veränderst und neu testest.

Ein Bestehen deutet darauf hin, dass das Ergebnis nicht von einer einzigen präzisen Kombination abhängt. Ehrlich gesagt ist ein Scheitern informativer als ein Bestehen: Eine Strategie, die nur bei Periode 14 funktioniert, aber bei 13 und 15 zusammenbricht, hat höchstwahrscheinlich nur Rauschen gefunden.

Was du nicht schlussfolgern kannst, ist, dass deine gewählten Werte korrekt sind oder dass die zugrunde liegende Logik etwas Reales erfasst. Dass benachbarte Einstellungen gemeinsam scheitern, ist absolut möglich, wenn sie alle dieselbe fehlerhafte Prämisse teilen.

Randomisierter Start-Bar

Hier beginnen die Monte-Carlo-Simulationen von verschiedenen Punkten, die über den Datensatz verteilt sind, anstatt immer vom selben Datum aus zu starten.

Meine ursprüngliche Formulierung behauptete, dies beweise, dass eine Strategie nicht überoptimiert für den Zeitraum sei und dass ein bestandenes Ergebnis bedeute, dass es keine Rolle spiele, wann man sie an einem Chart anfügt. Beide Aussagen waren zu stark formuliert.

Hier ist die vorsichtigere Version. Ein Bestehen deutet darauf hin, dass das Ergebnis nicht vollständig von einem Startdatum innerhalb der getesteten Historie abhängt. Das ist nützlich und fängt einige Fälle ab, in denen ein Generator Parameter auf ein spezifisches Fenster angepasst hat. Was es nicht ausschließen kann: ein allgemeineres Overfitting der Parameter, einen Bias bei der Indikatorenauswahl, einen Bias bei der Auswahl von Symbol und Zeitrahmen oder die Möglichkeit, dass der gesamte Datensatz ein einziges günstiges Regime darstellt.

Unterschiedliche Startpunkte innerhalb derselben drei Jahre an Kursdaten bleiben dieselben drei Jahre. Wenn die Bedingungen über diesen gesamten Zeitraum zur Logik passten, wird jedes Startdatum gut aussehen, und du wirst nichts über die nächsten drei Jahre gelernt haben.

Spread- und Daten-Randomisierung

Die Monte-Carlo-Varianz des Spreads ist vor allem für alle wichtig, deren Broker Floating Costs angibt, die sich um Nachrichten oder den Rollover herum stark ausweiten. Das Durchführen des Tests mit randomisierten Spreads zeigt, ob das historische Ergebnis überlebt, wenn sich die Kosten innerhalb des von dir spezifizierten Bandes bewegen.

Beachte die Einschränkung. Du hast das Band spezifiziert. Eine Strategie, die Spreads zwischen einem und drei Punkten toleriert, sagt nichts über das Verhalten bei acht Punkten während eines Volatilitätsspikes aus.

Die Randomisierung der Kurshistorie stört die zugrunde liegende Sequenz selbst. Dies ist nützlich, wenn deine Datenqualität fragwürdig ist oder dein Feed Lücken aufweist, wirft jedoch eine methodische Frage auf, die der ursprüngliche Artikel nie adressiert hat: Bewahrt die Randomisierung die Volatilitätscluster und die serielle Korrelation? Reale Devisenmärkte weisen beides auf. Eine Störungsmethode, die diese durcheinanderbringt, testet eine Welt, die nicht existiert.

Execution-Tests verdienen mehr Respekt

Übersprungene und vorzeitig geschlossene Positionen waren die zwei Monte-Carlo-Simulationen, die ich verwendete, um sie abzulehnen – mit der Begründung, dass vollautomatisierte Systeme keine Störungen erfahren sollten und dass jeder, der unter Ausführungsproblemen leidet, den Broker wechseln sollte.

Dieser Rat war zu oberflächlich, und ich würde ihn jetzt revidieren.

Positionen werden tatsächlich verpasst, und zwar aus Gründen, die nichts mit einem schlechten Broker zu tun haben: Verbindungsabbrüche, Plattform-Neustarts, ein virtueller Server, der wegen Updates neu startet, Requotes während schneller Bewegungen, Margin-Engpässe oder wenn das Terminal einfach geschlossen wird. Eine Strategie, deren gesamtes Ergebnis davon abhängt, zwei spezifische Entries von vierhundert zu erwischen, ist auf eine Weise fragil, die man kennen sollte, und der Test der übersprungenen Positionen deckt genau das auf.

Auch ein Brokerwechsel löst weniger, als ich impliziert habe. Slippage während Ankündigungen ist eine Eigenschaft des Marktes, nicht einer bestimmten Firma.

So run those tests. They cost minutes, and a strategy that falls apart when five percent of entries go missing is telling you something about concentration risk.

Die 80-Prozent-Regel, ehrlich untersucht

Meine Arbeitsregel war bisher, dass mindestens 80 Prozent der Monte-Carlo-Durchläufe positiv bleiben sollten, was bei zwanzig Durchläufen sechzehn bedeutet.

Zwei Beispiele aus der Originalaufnahme: Ein Kandidat lieferte fünfzehn von zwanzig und wurde abgelehnt, ein anderer lieferte siebzehn und bestand.

Lass mich diese Regel nun zerpflücken, da sie einer genauen Prüfung würdig ist.

Zwanzig ist zu wenig. Bei zwanzig Durchläufen liegt der Unterschied zwischen fünfzehn und sechzehn voll innerhalb des Sampling-Rauschens. Führe dieselbe Strategie mit einem anderen Random Seed erneut aus, und die fünfzehn könnten zu siebzehn werden. Hunderte oder tausende Durchläufe kosten mehr Zeit, erzeugen aber eine Verteilung, die du tatsächlich lesen kannst.

Profitabel ist eine niedrige Hürde. Ein Durchlauf, der einen Dollar im Plus endet, zählt genauso viel wie einer, der mit fünftausend im Plus endet. Das Zählen positiver Ausgänge ignoriert das Ausmaß der Gewinne völlig.

Woher kam die 80? Erfahrung und Instinkt, nicht Validierung. Ich habe nie getestet, ob Strategien, die diesen Schwellenwert überschreiten, später besser abgeschnitten haben als solche, die knapp darunter liegen, und bis jemand das tut, ist die Zahl eher eine Konvention als eine Erkenntnis.

Bessere Kennzahlen, die man bei einer großen Anzahl von Durchläufen betrachten sollte:

Metrik	Was sie dir sagt
Median-Ergebnis	Das typische Ergebnis, weniger verzerrt als ein Durchschnitt
Fünfprozentil	Ein vertretbarer schlechter Fall
Schlechtestes Ergebnis	Der Randbereich, den Du tatsächlich überleben müsstest
Maximale Drawdown-Verteilung	Nicht nur eine Zahl, sondern eine Streuung
Wahrscheinlichkeit eines negativen Abschlusses	Informativer als eine bloße Anzahl an Durchgängen
Wahrscheinlichkeit des Ruins	Chance, ein Konto-endendes Niveau zu erreichen
Längste Verlustserie	Was Du durchstehen müsstest
Recovery Factor	Ergebnis im Verhältnis zum schlimmsten Rückgang

Die Angabe eines Medians und eines Fünfprozentils ist aussagekräftiger als die Angabe von sechzehn von zwanzig. Wahrscheinlichkeitsverteilungen enthalten Informationen; eine einzelne Kennzahl wirft den Großteil davon weg.

Einstellungen, die Du veröffentlichen solltest

Jedes Monte-Carlo-Ergebnis ist ohne das Simulationsdesign bedeutungslos, und dies ist die Offenlegung, die der ursprünglichen Seite völlig fehlte:

• Anzahl der Durchläufe
• Random-Seed-Richtlinie und ob die Ergebnisse replizierbar sind
• Verwendete Verteilung für Parameteränderungen und die zulässige Abweichung
• Spread-Verteilung und Grenzen
• Methode der Preis-Randomisierung
• Ob die Positionsreihenfolge gemischt wird
• Ob Ergebnisse mit Zurücklegen (Replacement) gezogen werden
• Ob serielle Korrelation und Volatilitäts-Clustering bestehen bleiben
• Ob die Kosten je nach Sitzung variieren
• Welche Metriken einen Erfolg definieren

Ich behalte die Standardeinstellungen der Software bei, die vernünftig genug sind, dass ich nie das Bedürfnis hatte, sie zu ändern. Das ist eine vertretbare Position, bedeutet aber auch, dass ich Dir nicht genau sagen kann, welche Abweichung diese Standardwerte anwenden, und das kann auch ein Leser nicht, der versucht, meine Ergebnisse zu reproduzieren. Veröffentliche Deine.

Akzeptanzkriterien stehen an erster Stelle

Bevor mit der Monte-Carlo-Arbeit begonnen wird, müssen die Kandidaten grundlegende Qualitäts-Schwellenwerte überschreiten. Meine, direkt aus dem Generator:

Kriterium	Wert	Grund
Minimale Testqualität	98	Schutz gegen unklare Bar-Probleme
Minimale Positionen	350	Kleine Stichproben beweisen nichts
Minimaler Profit Factor	1.2	Bruttogewinn liegt zwanzig Prozent über den Bruttoverlusten
Minimales R-Quadrat	60	Bevorzugt stabilere Equity-Kurven

Zwei Korrekturen zu meiner Beschreibung aus dem Jahr 2019.

Profit Factor ist der Bruttogewinn geteilt durch den Bruttoverlust, wobei der Absolutwert der Verlustzahl verwendet wird. Meine frühere Beschreibung bezeichnete es als Nettogewinn gegenüber Nettoverlust, was nicht dieselbe Berechnung ist und eine andere Zahl ergeben würde.

R-Quadrat misst, wie eng die resultierende Kurve einer Geraden folgt. Höhere Werte bedeuten weniger wilde Abweichungen von dieser Linie. Was es nicht misst, ist die Richtung, das Nettoergebnis oder die Signifikanz: Eine stetig sinkende Kurve passt wunderbar zu einer Linie und erzielt gute Werte. Lies es immer zusammen mit Steigung, Drawdown, Positionsanzahl und Kosten, niemals allein.

Mehrdeutige Bars, präzise

Es lohnt sich, dies richtig zu machen, da die ursprüngliche Erklärung implizierte, dass eine Plattform die korrekte Antwort liefert.

Standard-Preis-Bars zeichnen vier Werte auf: Open, High, Low, Close. Was dazwischen geschah, wird nicht erfasst. Wenn sowohl der schützende Exit einer Strategie als auch ihr Ziel innerhalb einer einzigen Bar liegen, ist die Sequenz tatsächlich unbekannt.

Verschiedene Plattformen lösen das unterschiedlich. MetaTrader geht davon aus, dass das Ziel zuerst erreicht wurde. Der Generator, den ich verwende, geht davon aus, dass der schützende Exit zuerst erreicht wurde.

Ich bevorzuge die zweite Variante, da ein System, dessen Historie voller mehrdeutiger Bars ist, die optimistisch aufgelöst wurden, wesentlich besser aussieht, als es verdient. Aber die pessimistische Wahl ist eine konservative Annahme und keine Rekonstruktion dessen, was tatsächlich passiert ist. Niemand weiß, was passiert ist. Daten mit höherer Auflösung reduzieren die Häufigkeit, mit der diese Mehrdeutigkeit auftritt, ohne die Modellierungseinschränkungen vollständig zu eliminieren.

Deshalb liegt die Qualitätsschwelle bei 98. Darunter hängen zu viele Ergebnisse von einer Annahme statt von Evidenz ab.

Wo Monte Carlo im Vergleich zu anderen Checks steht

Monte-Carlo-Tests sind eine Ebene. Sie sind nicht das letzte Wort und kein Ersatz für die umgebenden Ebenen.

Phase	Zweck
Regeldefinition	Die Logik objektiv und reproduzierbar machen
Datenqualitätsprüfung	Zeitstempel, Lücken, Preise und Kosten prüfen
In-Sample-Aufbau	Aufbauen und prüfen
Out-of-Sample-Check	Bewertung auf Daten, die nie für die Entwicklung verwendet wurden
Monte-Carlo-Stresstest	Sensitivität gegenüber gewählten Störungen messen
Walk-Forward-Analyse	Wiederholte Anpassung über die Zeit testen
Demo-Forward-Testing	Ausführung unter aktuellen Bedingungen beobachten
Kleiner Live-Einsatz	Reale Fills und das operative Verhalten messen
Laufende Überwachung	Zerfall und Regimewechsel erkennen

Der Unterschied, den die meisten übersehen: Out-of-Sample-Testing verwendet Daten, die der Aufbau-Prozess nie gesehen hat, während Monte-Carlo-Simulationen dieselben Daten mit Modifikationen wiederverwenden. Das sind völlig unterschiedliche Fragen. Das Bestehen eines Tests sagt wenig über den anderen aus, und eine Strategie, die jeden Störungs-Check auf einem Datensatz besteht, auf den sie angepasst wurde, bleibt an diesen Datensatz gebunden.

Walk-Forward liegt irgendwo dazwischen, indem es wiederholt auf einem rollierenden Fenster neu optimiert und vorwärts getestet wird, was zumindest annähernd simuliert, wie du tatsächlich agieren würdest.

Interpretation von Bestehens- und Durchfall-Ergebnissen

Ein Durchfallen ist eindeutig und nützlich. Etwas in deiner Logik hängt von einer Bedingung ab, die der Test entfernt hat, und diese Abhängigkeit ist es wert, gefunden zu werden, bevor das Kapital dies für dich tut.

Das Bestehen ist der Punkt, an dem die Interpretation falsch läuft. Es bedeutet, dass das historische Ergebnis unter den spezifischen Änderungen, die du angewendet hast, unter Verwendung der von dir gewählten Einstellungen auf den vorhandenen Daten standgehalten hat. Vernünftige Menschen sagen dann: „Die Strategie ist robust“, was all diese Qualifikationen in einem einzigen Wort komprimiert, das wie ein Urteil klingt.

Bessere Formulierung für deine eigenen Notizen: bestanden randomisierte Parameter- und Zufallsstart-Tests bei der Standardabweichung über 20 Durchläufe, Medianergebnis X, fünftes Perzentil Y. Länger, weniger zufriedenstellend, aber wesentlich ehrlicher.

Häufige Fehler

• Einen Monte-Carlo-Durchgang als Validierung zu behandeln: Es ist nur ein Diagnoseinstrument unter mehreren.
• Zu wenige Iterationen durchzuführen: Zwanzig liefern nur ein grobes Bild, und kleine Unterschiede bedeuten nichts.
• Nur positive Durchläufe zu zählen: Magnitude und Drawdown liefern mehr Informationen.
• Es vor dem Out-of-Sample-Testing anzuwenden: Die Reihenfolge ist wichtig; ungesehene Daten kommen zuerst.
• Den Auswahlprozess zu ignorieren: Hunderte von Kandidaten, die auf wenige reduziert wurden, sind selbst eine Quelle für falsch-positive Ergebnisse.
• Ausführungstests zu überspringen: Der Fehler, den ich jahrelang gemacht habe.
• Die Einstellungen niemals zu veröffentlichen: Niemand, auch nicht dein zukünftiges Ich, kann Ergebnisse ohne sie interpretieren.

Häufig gestellte Fragen (FAQs)

Wie viele Iterationen sollte ich durchführen? 

Mindestens Hunderte, und tausende, wenn deine Software es zulässt, da sich die Verteilung erst mit der Stichprobengröße stabilisiert. Zwanzig Durchläufe liefern eine grobe Schätzung, bei der kleine Unterschiede innerhalb der zufälligen Variation liegen, sodass ein Ergebnis von fünfzehn gegenüber sechzehn einfach den Seed widerspiegeln kann, den die Software zufällig verwendet hat. Größere Datensätze brauchen länger, liefern aber Perzentile und Wahrscheinlichkeitszahlen, über die man tatsächlich schlussfolgern kann, anstatt nur eine einzige Erfolgsquote, die den Großteil der Informationen verwirft.

Funktioniert Monte Carlo auch für manuelle Trading-Strategien? 

Teils. Störungsmethoden (Perturbation), die Ergebnissequenzen neu sampeln, lassen sich auf jeden aufgezeichneten Datensatz anwenden, egal ob manuell oder automatisiert, und sie zeigen nützlich auf, wie unterschiedlich sich dieselben Ergebnisse hätten entfalten können. Die Parameterrandomisierung lässt sich nicht übertragen, da ein diskretionärer Ansatz keine festen Werte hat, die variiert werden könnten. Das größere Problem ist, dass manuelle Aufzeichnungen selten genug Positionen für eine aussagekräftige Analyse enthalten und das menschliche Entscheidungsverhalten selbst eine Variation einführt, die keine Simulation modellieren kann.

Was ist die Ruin-Wahrscheinlichkeit (Probability of Ruin)? 

Eine Schätzung der Chance, dass dein Konto unter ein von dir definiertes Niveau fällt, das als unwiederbringlich gilt, berechnet über viele simulierte Pfade statt aus einer einzigen historischen Sequenz. Positionsgröße, Trefferquote und das Chance-Risiko-Verhältnis fließen alle in diese finanzielle Schätzung ein. Die Zahl ist wichtiger als die erwartete Rendite für jeden, der entscheidet, wie groß er traden soll, da ein System mit attraktiven Durchschnittsergebnissen und einer signifikanten Ruin-Wahrscheinlichkeit irgendwann dieses Ergebnis finden wird, wenn man ihm genug Zeit gibt.

Kann es auf ein Portfolio statt auf eine einzelne Strategie angewendet werden? 

Ja, und dies zu tun ist informativer als das Testen einzelner Systeme, da die Korrelation zwischen ihnen das kombinierte Risiko bestimmt. Das Durchführen von Störungen über den gesamten Satz zeigt, ob mehrere Strategien unter denselben Bedingungen gemeinsam scheitern, was eine Einzelanalyse nicht zeigen kann. Ergebnisse auf Portfolio-Ebene sind häufig schlechter, als die Einzelzahlen vermuten lassen, da Systeme, die auf ähnlicher Logik basieren, dazu neigen, ihre schlechten Phasen gleichzeitig statt abwechselnd zu durchlaufen.

Sollten die Ergebnisse beeinflussen, wie ich meine Positionen dimensioniere? 

Das können sie, und das ist vermutlich der praktischste Nutzen. Perzentil-Drawdown-Werte über viele Durchläufe liefern ein realistischeres Worst-Case-Szenario als das einzelne historische Maximum, und eine Dimensionierung basierend auf dieser breiteren Zahl lässt Raum für Ergebnisse, die in deiner Historie bisher nicht vorkamen. Bedenke, dass der simulierte Worst Case immer noch durch deine Daten und Annahmen begrenzt ist; es als festen Boden statt als Schätzung zu behandend, führt wieder zu derselben falschen Sicherheit.

Ist eine Strategie, die jeden Test besteht, bereit für Live-Kapital? 

Nein. Das Bestehen bedeutet, dass sie die spezifischen Störungen überstanden hat, die du auf die Daten angewendet hast, mit denen sie entwickelt wurde. Out-of-Sample-Ergebnisse, Forward-Testing auf einem Demo-Konto unter aktuellen Bedingungen und eine Phase des kleinen Live-Einsatzes bleiben alle notwendig, und jeder Schritt deckt Probleme auf, die die anderen nicht sehen können. Betrachte die Robustheitsprüfung als einen Filter, der fragile Kandidaten aussortiert, statt als ein Zertifikat, das Überlebende qualifiziert. Viele Systeme bestehen jede simulierte Hürde und enttäuschen in der Praxis sofort.

Unterscheiden die Tests Glück von Können? 

Nicht direkt, und diese Einschränkung ist grundlegend. Perturbationsmethoden messen die Sensitivität, nicht die Kausalität. Daher kann eine Strategie, die zufällig auf ein historisches Muster gestoßen ist, problemlos bestehen, sofern das Muster über die angewendeten Modifikationen hinweg stabil bleibt. Die Unterscheidung zwischen echtem Vorsprung und Zufall erfordert eine logische Begründung, warum die Strategie funktionieren sollte, eine Bestätigung außerhalb der Stichprobe (Out-of-Sample) und schließlich Belege aus der Live-Performance. Statistische Tests grenzen das Feld ein, beantworten die Frage jedoch nie endgültig.

Welche Software führt diese Tests durch?

 Expert Advisor Studio enthält das auf dieser Seite beschriebene Modul und bietet die sechs oben genannten Varianten mit konfigurierbaren Abweichungseinstellungen an. Alternativen gibt es in den meisten seriösen Strategie-Builder-Plattformen, und einige Trader schreiben ihre eigenen Resampling-Routinen in Python, was die vollständige Kontrolle über das Design der Perturbation bietet, allerdings auf Kosten der Eigenentwicklung. Welches Tool Du auch wählst – es ist wichtiger, dessen Einstellungen zusammen mit Deinen Ergebnissen zu veröffentlichen, als welches Tool es genau ist.

Offenlegung: Der Autor steht in einer kommerziellen Beziehung zu Expert Advisor Studio und verkauft Kurse, die den hier beschriebenen Workflow behandeln. Die Inhalte dienen der Weiterbildung und stellen keine Handelsempfehlung dar. Historische und simulierte Ergebnisse beschreiben nur vergangene Bedingungen.