Welche Daten brauche ich, um eine Trading-Strategie zu backtesten?

Mindestens brauchst du OHLCV-Daten – Open, High, Low, Close und Volume für jeden Zeitraum – für das bzw. die Assets, die du testest. Bei Aktienstrategien sind bereinigte Schlusskurse (um Splits und Dividenden korrigiert) wichtig, damit die Renditen korrekt berechnet werden. Für Intraday-Strategien brauchst du Tick- oder Minutendaten, deren Beschaffung teurer ist. Zu den kostenlosen historischen Datenquellen gehören Yahoo Finance (tägliche Aktiendaten), Alpha Vantage (kostenlose Stufe mit API) und FRED für Makrodaten. Für Backtests in institutioneller Qualität sind kostenpflichtige Quellen wie Refinitiv oder Bloomberg Standard.

Was ist der Unterschied zwischen vektorisiertem und ereignisgesteuertem Backtesting?

Vektorisiertes Backtesting wendet Handelsregeln mithilfe von Array-Operationen auf einen kompletten Datensatz auf einmal an – es ist schnell und in Python mit pandas einfach umzusetzen, macht es aber schwerer, realistische Ausführungsdetails wie Teilausführungen und Orderwarteschlangen zu modellieren. Ereignisgesteuertes (event-driven) Backtesting verarbeitet Marktdaten Ereignis für Ereignis, wie es eine Live-Trading-Engine tun würde, und ermöglicht so eine realistischere Simulation von Orderverwaltung, Änderungen der Positionsgröße und Abhängigkeiten zwischen mehreren Assets. Für die meisten Strategien von Privattradern reicht vektorisiertes Backtesting aus. Ereignisgesteuertes Backtesting lohnt den Aufwand bei Strategien, bei denen realistische Ausführung zählt – Intraday, Hochfrequenz oder Positionen mit mehreren Legs.

Wie modelliere ich Transaktionskosten in einem Backtest?

Die Modellierung der Transaktionskosten sollte Folgendes umfassen: (1) Kommissionen – selbst bei Brokern ohne Kommission gibt es Kosten, die im Payment for Order Flow stecken; setze als konservative Schätzung mindestens 0.01–0.05% pro Seite an; (2) Slippage – die Differenz zwischen dem Signalpreis und dem tatsächlichen Ausführungspreis; bei liquiden Large-Cap-Aktien sind 0.05–0.10% pro Trade angemessen, bei Small Caps oder Krypto 0.1–0.3%; (3) Market Impact – bei größeren Positionen bewegt deine Order den Preis gegen dich; ohne echte Orderbuchdaten ist das schwer zu modellieren. Zu niedrig angesetzte Kosten sind einer der häufigsten Gründe, warum Backtests besser aussehen als das Live-Trading.

Was ist eine Walk-Forward-Analyse?

Die Walk-Forward-Analyse ist eine strengere Alternative zur einfachen Aufteilung in In-Sample und Out-of-Sample. Sie teilt die historischen Daten in mehrere aufeinanderfolgende Fenster: Für jedes Fenster werden die Parameter auf dem ersten Teil (In-Sample) optimiert, auf dem folgenden Out-of-Sample-Zeitraum getestet, dann wird das Fenster weitergeschoben und der Vorgang wiederholt. Die Out-of-Sample-Ergebnisse aller Fenster werden zu einer realistischen simulierten Erfolgsbilanz zusammengesetzt. Diese Methode prüft, ob der Optimierungsprozess selbst unter verschiedenen Marktbedingungen zuverlässig ist – und nicht nur, ob ein bestimmtes Parameterset zufällig einmal funktioniert hat.

Woran erkenne ich, ob meine Backtest-Ergebnisse statistisch signifikant sind?

Mehrere Prüfungen: (1) Anzahl der Trades – weniger als 30 Trades im Testzeitraum machen jede Performance-Statistik unzuverlässig; 100+ geben eine vernünftige Sicherheit. (2) Bootstrap-Resampling – ziehe die Trade-Renditen viele Male neu und untersuche die Verteilung der Sharpe Ratios; liegt die echte Sharpe Ratio im Randbereich, ist das Ergebnis wahrscheinlich Rauschen. (3) Permutationstests – mische die Signale zufällig und prüfe, ob die historische Strategie die permutierte Version konsistent schlägt. (4) Parameterstabilität – reagiert die Performance der Strategie extrem empfindlich auf kleine Parameteränderungen (z. B. fällt die Sharpe Ratio von 2.0 auf 0.3, wenn du die SMA von 50 auf 49 änderst), ist das Ergebnis fragil und wahrscheinlich überangepasst.

Mit welchen Tools kann ich ohne Programmierung backtesten?

Es gibt mehrere Tools für No-Code-Backtesting. Pine Script von TradingView hat einen eingebauten Strategy Tester, der visuell arbeitet und nur minimale Programmierung erfordert. QuantConnect bietet eine leistungsfähigere cloudbasierte Umgebung mit Code-Editor. QuantPrompt geht einen anderen Weg – du beschreibst die Strategie in einfachem Englisch, und die KI-Engine übernimmt Parsing, Signalerzeugung und Simulation automatisch und liefert einen vollständigen Performance-Bericht zurück. Das ist nützlich, um Ideen schnell zu prototypisieren und Strategievarianten zu vergleichen, ohne Implementierungscode zu schreiben.

Startseite/Backtesting/Backtesting-Anleitung

So backtestest du eine Trading-Strategie – Schritt für Schritt

Um eine Trading-Strategie zu backtesten, definierst du Einstiegs-, Ausstiegs- und Positionsgrößenregeln präzise, beschaffst saubere historische Daten, simulierst Trades nur mit den auf jeder Kerze verfügbaren Informationen, berücksichtigst Kommissionen und Slippage und validierst Out-of-Sample. Halte die letzten 20–30% als Hold-out-Testdatensatz zurück und vergleiche mit Buy-and-Hold.

Aktualisiert: 12. Oktober 2026

Eine Strategie korrekt zu backtesten ist schwieriger, als es aussieht. Es geht nicht nur darum, ein paar historische Daten durch ein Skript laufen zu lassen – es erfordert sorgfältige Aufmerksamkeit für Datenqualität, realistische Ausführung und statistische Validierung. Dieser Leitfaden führt dich durch den gesamten Prozess, von der Definition der Regeln bis zur Interpretation der Ergebnisse.

Schritt 1: Die Strategieregeln präzise definieren

Bevor du irgendwelche Daten anfasst, schreibe die Strategieregeln eindeutig auf. Vage Regeln wie „kaufen, wenn die Aktie überverkauft aussieht“ lassen sich nicht backtesten. Du brauchst:

Einstiegsbedingung: Welche Indikatorwerte, Preisbeziehungen oder Ereignisse genau ein Kauf- oder Short-Signal auslösen
Ausstiegsbedingung: Was die Position schließt – ein Gegensignal, ein festes Kursziel, ein Stop-Loss oder ein Zeitlimit
Positionsgröße: Wie viel Kapital pro Trade eingesetzt wird (Prozentsatz des Eigenkapitals, fester Dollarbetrag, Kelly-Kriterium)
Universum: Auf welche(s) Asset(s) die Strategie angewendet wird
Ausführungszeitpunkt: Markteröffnung, Schluss oder Limit-Order zu einem bestimmten Preis

Je präziser du die Regeln definierst, desto weniger Raum bleibt für Mehrdeutigkeiten, die bei der Umsetzung Verzerrungen einführen könnten.

Schritt 2: Daten beschaffen und bereinigen

Die Qualität der historischen Daten ist das Fundament eines verlässlichen Backtests. Häufige Probleme:

Kapitalmaßnahmen: Aktiensplits und Dividendenzahlungen verzerren rohe Preisreihen. Verwende zur Berechnung von Renditen immer bereinigte Schlusskurse. Aber Vorsicht – bereinigte Kurse werden rückwirkend neu berechnet, was bei falscher Handhabung einen subtilen Look-Ahead Bias einführen kann.
Survivorship Bias: Kostenlose Datenquellen enthalten in der Regel nur Aktien, die aktuell gehandelt werden. Unternehmen, die delistet, fusioniert oder pleitegegangen sind, fehlen – dadurch sieht die Vergangenheit künstlich gut aus. Vermeide das, indem du Datensätze nutzt, die historische Indexbestandteile samt Delisting-Daten enthalten.
Datenlücken und Ausreißer: Prüfe auf fehlende Kerzen, Tage ohne Volumen und extreme Kursspitzen, die wahrscheinlich Datenfehler sind. Ein einziger fehlerhafter Datenpunkt kann einen Scheintrade erzeugen, der die Ergebnisse dominiert.

Schritt 3: Die Strategie ohne Look-Ahead Bias umsetzen

Look-Ahead Bias – die Nutzung zukünftiger Informationen für vergangene Entscheidungen – ist der häufigste und schädlichste Fehler beim Backtesting. Die goldene Regel: Auf Kerze t darf deine Strategie nur Informationen nutzen, die auf oder vor Kerze t verfügbar sind.

Praktische Prüfung: Wenn du auf Kerze t eine 20-Tage-SMA berechnest, sollte sie die Kerzen t-19 bis t verwenden – keine Kerze nach t. Wenn du nach einem Signal zum Schluss von Kerze t einsteigst, darfst du den Schlusskurs von Kerze t verwenden, aber nur, wenn du realistisch genau zu diesem Preis ausführen kannst. In der Praxis ist es sicherer, zur Eröffnung von Kerze t+1 einzusteigen.

Schritt 4: Transaktionskosten realistisch modellieren

Strategien, die vor Kosten profitabel aussehen, werden nach Kosten oft unprofitabel. Berücksichtige:

Kommission: Selbst „kommissionsfreie“ Plattformen haben Kosten – setze 0.01–0.05% pro Seite als Basiswert für liquide US-Aktien an
Bid-Ask-Spread: Du kaufst zum Ask und verkaufst zum Bid; der Spread ist bei jedem Round Trip garantierte Kosten
Slippage: Zwischen Signalerzeugung und Ausführung bewegt sich der Markt gegen dich; modelliere das je nach Liquidität des Assets mit 0.05–0.20% pro Trade
Leihkosten für Short-Positionen: Leerverkäufe erfordern das Leihen von Aktien, was einen annualisierten Satz kostet (schwer leihbare Aktien können 10–50% pro Jahr kosten)

Schritt 5: Out-of-Sample validieren

Optimiere Parameter niemals auf denselben Daten, auf denen du die Performance bewertest. Der Standardansatz: Teile die historischen Daten in zwei Zeiträume. Nutze die ersten 70–80% für Entwicklung und Parameteroptimierung. Halte die letzten 20–30% als strikten Hold-out-Testdatensatz zurück – rühre ihn nicht an, bis die Strategie feststeht. Die Out-of-Sample-Performance ist deine ehrliche Schätzung der realen Ergebnisse.

Für eine robustere Validierung nutze die Walk-Forward-Analyse: Schiebe das Optimierungsfenster durch die Zeit und erzeuge für jeden Zeitraum Out-of-Sample-Ergebnisse. So prüfst du, ob der Optimierungsprozess selbst konsistent ist – und nicht nur, ob ein glückliches Parameterset zufällig funktioniert hat.

Schritt 6: Die Ergebnisse richtig interpretieren

Sobald du Backtest-Ergebnisse hast, bewerte sie kritisch:

Mit Buy-and-Hold vergleichen: Eine Strategie mit 10% Jahresrendite ist schwach, wenn der Basiswert 15% gebracht hat
Performance Jahr für Jahr prüfen: Eine starke Gesamt-Sharpe kann eine Strategie verbergen, die nur in einem bestimmten Zeitraum funktioniert hat
Die schlimmste Drawdown-Phase untersuchen: Hättest du psychologisch durchhalten können?
Parameter-Robustheit testen: Funktioniert die Strategie mit ähnlichen Parametern (±10%), oder reagiert die Performance extrem empfindlich auf exakte Werte?

Tools für das Backtesting

Die Backtesting-Toolchain ist wichtig. Python mit pandas, backtrader oder vectorbt ist die flexibelste Option und gibt dir volle Kontrolle – erfordert aber Programmierkenntnisse. Pine Script von TradingView bietet eine visuelle Oberfläche mit eingebautem Strategietester. QuantConnect stellt eine Infrastruktur auf institutionellem Niveau mit umfangreichen Daten bereit.

Für schnelles Prototyping ohne Code lässt dich QuantPrompt eine Strategie in natürlicher Sprache beschreiben und sofort einen vollständigen Backtest-Bericht erhalten. Das ist besonders in frühen Phasen der Strategieentwicklung nützlich, wenn du viele Ideen schnell testen willst, bevor du Zeit in eine vollständige Implementierung steckst.