Redaktionelle Anlageforschung · Berlin
Alpine Method Anlageforschung
Überanpassung ist der teuerste Fehler in der quantitativen Forschung — und maschinelles Lernen macht ihn besonders leicht zu begehen. Wir untersuchen, wo KI beim Backtesting von Anlagemodellen tatsächlich hilft und wo sie nur die Vergangenheit auswendig lernt.
Mythos 1
Ein hoher Backtest-Sharpe-Ratio beweist, dass die Strategie live hält.
Ein Backtest ist kein Beweis, sondern ein Gedankenexperiment unter bekannten Bedingungen. Eine KI, die auf zwölf Jahren Kursverlauf trainiert wurde, hat die Krise von 2020 oft nur als eine Zeile im Datensatz gesehen — ohne Anleger, ohne Margin Calls, ohne liquiditätsbedingte Slippage. Wer die Sharpe-Ratio des Backtests als Versprechen für die Zukunft liest, übersieht, dass der Wert im Sample entstanden ist, nicht außerhalb.
Wir trennen konsequent In-Sample-Training und Out-of-Sample-Prüfung und dokumentieren, wie viele Freiheitsgrade ein Modell verbraucht — Parameter, Features, Hyperparameter, Auswahl der Trainingsperiode. Jeder Freiheitsgrad ist eine weitere Gelegenheit, den Zufall der Vergangenheit als Muster zu verkaufen.
Kurve anpassen ist nicht Vorhersage.
Ein Modell, das jeden Wendepunkt der Vergangenheit trifft, hat meistens nichts über die Zukunft gelernt — es hat nur genug Parameter gesammelt, um die Vergangenheit nachzuzeichnen.
Mythos 2
Mehr Features machen ein Modell klüger.
Die Zahl der Eingabegrößen ist keine Qualität. Ein Modell mit 400 Features und 2000 Beobachtungen lebt fast ausschließlich von Überanpassung: es findet Muster, die im nächsten Quartal nicht mehr existieren. Die Frage ist nicht, wie viele Signale ein Modell aufnimmt, sondern wie viele davon auch nach einem Regimewechsel Bestand haben.
Deshalb bevorzugen wir sparsame Modelle mit nachvollziehbarer Struktur, prüfen Features auf Stabilität über mehrere Teilperioden und melden ehrlich, wenn ein scheinbar starkes Signal nur in einem einzigen Marktumfeld funktioniert hat.
Mythos 3
Walk-Forward-Optimierung beseitigt die Überanpassung.
Walk-Forward verschiebt das Problem, es löst es nicht. Wer in jedem rollierenden Fenster neu optimiert, addiert viele kleine Überanpassungen zu einer großen. Wenn die Parameterwahl im Fenster instabil ist, ist die aggregierte Performance es auch. Ein sauberes Verfahren muss zeigen, dass die gewählten Parameter über mehrere Fenster stabil bleiben — und nicht nur, dass der Mittelwert der Returns attraktiv aussieht.
Wir prüfen deshalb die Streuung der optimierten Parameter, die Sensitivität der Ergebnisse gegenüber kleinen Datenverschiebungen und den Abfall der Performance, sobald Transaktionskosten und Slippage realistisch angesetzt werden.
Wir schreiben auf, was ein Backtest nicht zeigen kann — nicht, was er schön aussehen lässt.
Alpine Method Anlageforschung veröffentlicht kostenlose redaktionnelle Artikel zur Rolle von KI in der Anlageforschung. Wir verkaufen keine Strategien, keine Signale, keine Anlageberatung. Wer eine methodische Rückfrage hat, erreicht die Redaktion direkt.