Der Vorgang, bei dem die Parameter eines Modells so genau auf historische Daten abgestimmt werden, dass das Modell die Fähigkeit verliert, auf neue Daten zu verallgemeinern. In der Strategieentwicklung entsteht Curve-Fitting, wenn die Einstellungen so lange angepasst werden, bis historische Kennzahlen wie CAGR, Sharpe Ratio und Drawdown ihre bestmöglichen Werte erreichen. Das Ergebnis ist eine Strategie, die die Vergangenheit genau nachbildet und die Zukunft schlecht vorhersagt. Je mehr Parameter ein Modell im Verhältnis zur Datenmenge enthält, desto stärker die Überanpassung.

Einordnung: Jeder zusätzliche Parameter erhöht das Risiko des Curve-Fittings. Ein Backtest, der zu sauber aussieht, mit glatter Kapitalkurve, minimalem Drawdown und gleichmäßigen Erträgen in allen Regimen, ist fast immer ein Produkt der Überanpassung. Echte Vorteile erzeugen unruhige Backtests. Je sauberer der Backtest, desto mehr Skepsis ist angebracht.

Ein Verfahren zur Prüfung der Robustheit, bei dem die historischen Daten in aufeinanderfolgende Fenster unterteilt werden. Die Strategie wird jeweils auf dem In-Sample-Teil eines Fensters optimiert und auf dem anschließenden Out-of-Sample-Teil getestet. Dieser Vorgang wird über die gesamte Datenhistorie wiederholt. Das Ergebnis ist eine Performance-Historie, die ausschließlich aus Out-of-Sample-Zeiträumen besteht und eine realistische Schätzung liefert, wie die Strategie in Echtzeit abgeschnitten hätte.

Einordnung: Die Walk-Forward-Analyse ist der Mindeststandard für die Validierung einer Strategie. Besteht eine Strategie diesen Test nicht, sollte ihr nicht gefolgt werden. Das Walk-Forward-Ergebnis fällt fast immer schlechter aus als der In-Sample-Backtest, und diese Lücke sind die wahren Kosten der Optimierungsillusion. Eine Strategie mit solidem Walk-Forward-Ergebnis und geringer Lücke zwischen In-Sample- und Out-of-Sample-Performance ist weit wertvoller als eine mit spektakulärem In-Sample-Backtest und dramatischem Einbruch Out-of-Sample.

Die Eigenschaft einer Strategie, über eine Bandbreite von Parameterwerten hinweg weitgehend gleichbleibende Ergebnisse zu liefern, statt an einem einzelnen Punkt konzentriert zu sein. Eine parameterstabile Strategie zeigt ähnliche, wenn auch nicht identische Ergebnisse, wenn ein einzelner Parameter moderat in eine Richtung verschoben wird. Eine parameterinstabile Strategie zeigt bei einer bestimmten Einstellung eine scharfe Spitze und verschlechtert sich zu beiden Seiten rasch.

Einordnung: Parameterstabilität ist einer der deutlichsten Hinweise darauf, ob ein echter struktureller Vorteil oder ein Produkt der Überanpassung vorliegt. Echte Vorteile zeigen sich über Bandbreiten, weil der zugrunde liegende Marktmechanismus strukturell wirkt und nicht an einem bestimmten Zahlenwert hängt. Funktioniert Ihre Strategie nur mit einem 14-Perioden-Indikator und versagt bei 13 oder 15, haben Sie eine Zahl gefunden, keinen Vorteil.

In-Sample-Daten sind die historischen Daten, mit denen eine Strategie entwickelt, kalibriert und optimiert wird. Out-of-Sample-Daten stammen aus einem Zeitraum, der in der Entwicklung nicht verwendet wurde, und dienen dazu, die Verallgemeinerungsfähigkeit der Strategie zu prüfen. Die Lücke zwischen In-Sample- und Out-of-Sample-Performance ist das wichtigste Maß für Überanpassung: Eine große Lücke zeigt, dass die Strategie auf Rauschen statt auf ein echtes Signal abgestimmt wurde.

Einordnung: Der In-Sample-Backtest ist nicht die Performance Ihrer Strategie. Er ist die bestmögliche Performance Ihrer Strategie auf den verfügbaren Daten. Der Out-of-Sample-Test kommt einer Bewährung unter realen Bedingungen so nahe, wie es historische Daten erlauben. Eine Strategie, die nur In-Sample getestet wurde, ist nicht getestet, sondern lediglich optimiert.

Ein Zustand informierter Unabhängigkeit von kurzfristigen Ergebnissen, der entsteht, wenn ein Anleger die statistische Verteilung der Ergebnisse kennt, die seine Strategie hervorbringen soll. Wer statistische Souveränität besitzt, kann jeden Drawdown und jede Schwächephase an der erwarteten Verteilung messen und beurteilen, ob das Ergebnis im Rahmen normaler Schwankung liegt oder auf einen strukturellen Bruch hindeutet.

Einordnung: Mit einer überoptimierten Strategie ist statistische Souveränität nicht erreichbar. Die Ergebnisverteilung einer überangepassten Strategie ist ein Produkt ihrer Daten und sagt nichts Verlässliches über die künftige Verteilung aus. Eine robuste Strategie, die Out-of-Sample getestet und auf Regimewechsel geprüft wurde, liefert eine Ergebnisverteilung, der man als Vergleichsmaßstab vertrauen kann. Erst dann lässt sich ein Drawdown als das beurteilen, was er ist, statt ihn für das zu fürchten, was er sein könnte.

Optimierung wird zu Curve-Fitting, wenn sich das Ziel verschiebt: weg von einem strukturell begründeten Parameterbereich, hin zu dem einen Parametersatz mit der höchsten historischen Performance. Seriöse Optimierung durchsucht den Parameterraum nach Einstellungen, die zur strukturellen These der Strategie passen und über einen Bereich stabil sind. Curve-Fitting optimiert auf das Backtest-Ergebnis selbst, ohne zu fragen, ob die Parameter strukturell begründet sind und ob die Performance in ihrer Umgebung stabil bleibt. Der praktische Test: Führt eine geringe Änderung eines Parameters zu völlig anderen Ergebnissen, wurde die Strategie überangepasst und nicht optimiert.

Ordertune setzt drei Vorgaben ein, die Curve-Fitting strukturell verhindern. Erstens beginnt jede Strategie mit einer strukturellen These aus ersten Prinzipien: einer Aussage darüber, welcher Marktmechanismus genutzt wird und warum er fortbestehen sollte. Die Parameter werden passend zu dieser These gewählt, nicht zur Maximierung des Backtests. Zweitens wird die Parameterstabilität ausdrücklich geprüft: Die Performance muss über den Parameterbereich weitgehend gleich bleiben, ohne scharfe Spitzen. Drittens ist eine Out-of-Sample-Validierung Pflicht: Strategien werden auf Daten getestet, die in der Entwicklung nicht verwendet wurden, und die Lücke zwischen In-Sample- und Out-of-Sample-Performance wird genau untersucht. Strategien mit großer Lücke kommen nicht zum Einsatz.

Ein perfekter Backtest ist in der Regel ein Symptom von Curve-Fitting und kein Beleg für einen echten Vorteil. Werden Parameter auf historischen Daten optimiert, lernt die Strategie die besonderen Eigenschaften dieser Daten, einschließlich ihres Rauschens. Je glatter und gleichmäßiger die Kapitalkurve, desto stärker wurde die Strategie an historische Besonderheiten statt an strukturelle Mechanismen angepasst. Im Live-Markt begegnen der Strategie Daten, die sie nie gesehen hat. Hing ihre Performance von den Besonderheiten der historischen Daten statt von einem dauerhaften strukturellen Mechanismus ab, scheitert sie, sobald diese Besonderheiten von der Vorlage abweichen.

Ein Stresstest setzt eine Strategie bewusst extremen oder ungünstigen Bedingungen aus, um zu prüfen, ob sie sich auch außerhalb normaler Bedingungen akzeptabel verhält. In der Strategieentwicklung gehören dazu Tests über verschiedene Marktregime (Trend, Mean Reversion, hohe und niedrige Volatilität), simulierte Liquiditätsengpässe und Slippage-Szenarien, die Auswertung historischer Krisenphasen und die Monte-Carlo-Simulation alternativer Ergebnispfade. Eine Strategie, die Stresstests besteht, hat eine Robustheit gezeigt, die kein einzelner historischer Backtest belegen kann.

Ja, aber die Obergrenze liegt niedriger, als Curve-Fitting es vorgaukelt. Eine robuste Strategie zeigt im In-Sample-Backtest fast immer schwächere Ergebnisse als eine auf dieselben Daten optimierte Strategie, weil sie nicht an das Rauschen dieser Daten angepasst wurde. Dafür gewinnt sie an Verlässlichkeit: Ihre Ergebnisse auf Out-of-Sample-Daten und im Live-Einsatz liegen deutlich näher an ihrer historischen Bilanz. Der Zielkonflikt ist real: Robustheit kostet etwas historische Performance und gewinnt dafür an Aussagekraft. Wer auf In-Sample-Performance optimiert, erkauft beeindruckende historische Ergebnisse mit deren Aussagekraft. Die Rechnung dafür kommt im realen Handel.