Arten des Risikomanagements, Teil 5 Zu gut, um wahr zu sein – Die drei häufigsten Backtesting-Fehler

Paul Skiba vom Vermögensverwalter Berlin Portfolio Management: Der Leiter Risikomanagement erklärt, auf was man beim Backtesting besser achten sollte. | © BPM

Paul Skiba vom Vermögensverwalter Berlin Portfolio Management: Der Leiter Risikomanagement erklärt, auf was man beim Backtesting besser achten sollte. Foto: BPM

Haben Sie schon einmal eine enttäuschende Rückrechnung gesehen? Der Chart eines Backtests oder einer Simulation neuer Anlagestrategien verläuft in der Regel von unten links nach oben rechts und verspricht nie dagewesene Performance- und Diversifikationsbeiträge. Erfahrene Anleger begegnen diesen Ergebnissen zurecht mit Skepsis. Oft genug hat sich eine rückwirkend optimierte Strategie in der Praxis als nicht zukunftsfähig herausgestellt.

Gleichzeitig blieb nicht jeder innovationsfreudige Investor unbelohnt. Wer eine smarte Anlagestrategie rechtzeitig erkennt und mit dieser den Sprung aus dem Labor in den Kapitalmarkt gut übersteht, hat einen echten Wettbewerbsvorteil im Portfolio. Wichtigste Voraussetzung: ein realistischer Backtest.

Bei all den Zufällen, Überraschungen und Emotionen an der Börse sollten interessierte Anleger und ambitionierte Modellentwickler zumindest den technischen Teil eines Backtests auf Herz und Nieren prüfen. Zwischen den zahlreichen Stellschrauben einer rückblickenden Berechnung stechen drei Kardinalfehler regelmäßig hervor. Bei der nächsten Betrachtung eines Backtests sollten Sie daher die folgenden Punkte unbedingt ansprechen und hinterfragen.

1. Data Mining: Das Gesetz der großen Zahlen

Das sogenannte Data Mining, also das Schürfen nach Edelsteinen in einer Datenbank, bezeichnet das computergestützte Erkennen von Mustern und Zusammenhängen in großen Datenmengen. In der Medizin oder Städte- und Verkehrsplanung gibt es häufig keinen anderen Weg, die anfallende Masse an Daten sachgerecht zu verarbeiten. Entsprechend stattet man einen Computer mit den neuesten statistischen Modellen zur Erkennung von Mustern aus und lässt diesen auf die Daten los. Auf diese Art können auch Zusammenhänge gefunden werden, die der Mensch vorher nicht erwartet hätte und so wird das Ergebnis immer stärken von den Daten selbst und weniger von bestehenden Annahmen bestimmt.

Die schwache Stelle dieser Methode ist das Gesetz der großen Zahlen: Je mehr Daten der Computer zu fressen kriegt, desto größer ist die Wahrscheinlichkeit einen rein zufälligen Zusammenhang zu finden. Investitionsstrategien, welche auf einer Vielzahl von Datenpunkten und Variablen beruhen, laufen daher Gefahr einer Scheinkorrelation auf den Leim zu gehen. Korrelations-Profis wissen dabei, dass Korrelation nicht gleich Abhängigkeit bedeutet und so ist die Zukunft einer rein datengetriebenen Strategie oft ungewisser als das statistische Ergebnis suggeriert.

Sehen Sie „Big Data“ oder „Machine Learning“ Handelsstrategien also entsprechend vorsichtig entgegen und vergewissern Sie sich, dass die gefundenen Muster auch hinreichend geprüft wurden und eine sinnvolle ökonomische Begründung nicht missen lassen.