Was ist Backtesting, einfach erklärt?

Backtesting bedeutet, eine Reihe von Trading-Regeln auf historische Kursdaten anzuwenden und zu messen, was passiert wäre, wenn du diese Regeln in der Vergangenheit befolgt hättest. Wenn du eine Regel hast wie 'kaufen, wenn der 50-Tage-Durchschnitt über den 200-Tage-Durchschnitt steigt', sagt dir ein Backtest, wie oft dieses Signal in den letzten 20 Jahren aufgetreten ist, wie viele davon zu profitablen Trades geführt haben, wie hoch der durchschnittliche Gewinn war und wie die schlimmste Verlustserie aussah. Es ist eine Möglichkeit, eine Strategie zu bewerten, bevor du echtes Geld darauf setzt.

Was ist Look-Ahead Bias und warum ist er wichtig?

Look-Ahead Bias (auch Future Data Leakage genannt) entsteht, wenn dein Backtest versehentlich Informationen nutzt, die zum Zeitpunkt des Trades nicht verfügbar gewesen wären. Ein einfaches Beispiel: Wenn du ein Signal mit dem Schlusskurs des Tages berechnest und annimmst, dass du zu genau diesem Schlusskurs gehandelt hast, hast du Informationen genutzt, auf die du in Echtzeit nicht hättest reagieren können. Selbst subtile Formen von Look-Ahead Bias — etwa adjustierte Kurse, die rückwirkend für eine später angekündigte Dividende angepasst wurden — können eine Verluststrategie profitabel erscheinen lassen. Er ist einer der häufigsten und schädlichsten Fehler beim Backtesting.

Was ist der Unterschied zwischen Backtesting und Paper Trading?

Backtesting wendet Regeln auf historische Daten an und simuliert Ergebnisse anhand vergangener Kurse. Beim Paper Trading (auch Forward Testing oder Demo-Trading genannt) befolgst du die Regeln in Echtzeit an Live-Märkten, aber mit simuliertem Geld — du beobachtest echte Kursfeeds und platzierst hypothetische Orders. Paper Trading ist langsamer (es läuft in Echtzeit), schließt Look-Ahead Bias aber vollständig aus. Beide ergänzen sich: Nutze Backtests, um Ideen zu entwickeln und zu filtern, und handle dann mindestens einige Monate auf Papier, um die Live-Ausführung zu validieren, bevor du Kapital einsetzt.

Wie viele historische Daten brauche ich für einen aussagekräftigen Backtest?

Das Minimum hängt davon ab, wie oft deine Strategie handelt. Für eine Tagesstrategie willst du mindestens 10 Jahre Daten, besser 20+ Jahre, um mehrere Marktregime abzudecken — Bullenmärkte, Bärenmärkte, Seitwärtsphasen und Volatilitätsspitzen. Für eine Intraday-Strategie, die Hunderte Male pro Tag handelt, können schon 2–3 Jahre Tickdaten genug Trades liefern. Die entscheidende Kennzahl ist die Anzahl der Trades in der Stichprobe: Weniger als 30 Trades machen jede statistische Aussage unzuverlässig; 100+ geben vernünftige Sicherheit; ab 300+ werden Ergebnisse aussagekräftig.

Was ist Overfitting beim Backtesting?

Overfitting (Überanpassung) entsteht, wenn du die Parameter einer Strategie so lange einstellst, bis die Performance auf historischen Daten maximal ist — mit dem Ergebnis, dass das Modell das Rauschen in den Daten gelernt hat statt eines echten Vorteils. Ein klassisches Beispiel: Wenn du 500 verschiedene Indikatorkombinationen auf demselben Datensatz testest und das beste Ergebnis berichtest, findest du fast sicher etwas, das historisch hervorragend aussieht — es wird künftig aber scheitern, weil es auf zufällige Muster in genau diesen Daten zugeschnitten war. Overfitting erkennst du mit einem zurückgehaltenen Out-of-Sample-Zeitraum oder einer Walk-Forward-Analyse, bei der du die finalen Parameter an Daten testest, die bei der Optimierung nie verwendet wurden.

Ist Backtesting zuverlässig? Was sind die wichtigsten Grenzen?

Backtesting ist ein notwendiges, aber unvollkommenes Werkzeug. Die wichtigsten Grenzen sind: (1) Vergangene Performance ist kein Hinweis auf künftige Ergebnisse — die Marktstruktur ändert sich, Korrelationen verschieben sich und Regime entwickeln sich weiter; (2) die Modellierung von Transaktionskosten ist unvollkommen — der reale Slippage in volatilen Phasen ist viel schlimmer als historische Durchschnitte; (3) Survivorship Bias — die meisten historischen Datensätze enthalten nur Werte, die heute noch existieren, und lassen insolvente Unternehmen weg; (4) überfüllte Strategien — eine Strategie, die jahrelang funktioniert hat, kann aufhören zu funktionieren, wenn zu viele sie entdecken. Mit dem Bewusstsein für diese Grenzen eingesetzt, ist Backtesting immer noch der gründlichste Weg, eine Strategie vor dem Live-Einsatz systematisch zu bewerten.

Startseite/Backtesting/Was ist Backtesting

Was ist Backtesting? Ein vollständiger Leitfaden

Backtesting ist der Prozess, die Regeln einer Trading-Strategie auf historische Kursdaten anzuwenden und zu simulieren, wie sie sich geschlagen hätte, bevor echtes Kapital auf dem Spiel steht. Ein glaubwürdiger Backtest nutzt nur die zum jeweiligen Zeitpunkt verfügbaren Daten, modelliert Transaktionskosten realistisch und wird Out-of-Sample an Daten geprüft, die nie zur Optimierung dienten.

Aktualisiert: 12. Oktober 2026

Backtesting ist das Fundament des systematischen Tradings. Bevor ein professioneller quantitativer Fonds Kapital in eine Strategie steckt, lässt er die Regeln über Jahre historischer Daten laufen, um zu verstehen, wie sich der Ansatz in der Vergangenheit geschlagen hätte. Dieser Leitfaden erklärt, was Backtesting ist, wie es funktioniert und welche Fehler die meisten Amateur-Backtests wertlos machen.

Die Grundidee

Eine Trading-Strategie ist eine Reihe von Regeln. Kaufe, wenn Bedingung A erfüllt ist. Verkaufe, wenn B eintritt. Bestimme die Positionsgröße nach Regel C. Backtesting wendet diese Regeln auf einen historischen Datensatz an — eine Abfolge von Kursen, Volumina und anderen Marktdaten aus der Vergangenheit — und simuliert, was passiert wäre, wenn du die Regeln in diesem Zeitraum exakt befolgt hättest.

Das Ergebnis ist eine simulierte Erfolgsbilanz: eine Reihe hypothetischer Trades mit Einstiegskursen, Ausstiegskursen und Haltedauern. Daraus kannst du Performance-Kennzahlen wie Gesamtrendite, Sharpe Ratio, maximalen Drawdown und Trefferquote berechnen. Diese Kennzahlen helfen dir zu entscheiden, ob die Strategie etwas taugt, bevor du echtes Geld riskierst.

Das Schlüsselwort ist simuliert. Ein Backtest ist kein Trading; er ist ein Modell des Tradings. Die Qualität der Simulation hängt von der Qualität der historischen Daten ab, vom Realismus der Annahmen zu Transaktionskosten und davon, dass keine Programmierfehler vorliegen, die fiktive Vorteile erzeugen.

Warum Backtesting wichtig ist

Ohne Backtesting brauchst du zur Bewertung einer Strategie vor dem Einsatz entweder Live-Trading (teuer — du zahlst mit echtem Kapital fürs Lernen) oder subjektives Chartlesen („dieses Muster scheint meistens zu funktionieren“). Beides ist nicht gründlich.

Mit Backtesting kannst du:

Verstehen, wie sich eine Strategie in verschiedenen Marktregimen verhält
Erwartete Drawdowns abschätzen, um die Positionsgröße zu planen und die psychologische Realität von Verlustphasen einzukalkulieren
Konkurrierende Strategievarianten objektiv vergleichen
Die Parametersensitivität erkennen — funktioniert die Strategie nur bei einem bestimmten Parameterwert oder über einen ganzen Bereich?
Logikfehler finden, bevor sie Geld kosten

Institutionelle Quant-Fonds verbringen Monate mit Backtests und Stresstests von Strategien, bevor sie Kapital zuteilen. Privat-Trader, die diesen Schritt überspringen, sind systematisch im Nachteil.

So funktioniert ein Backtest

Die Mechanik eines Backtests folgt dieser Abfolge:

Historische Daten laden. OHLCV-Bars (Open, High, Low, Close, Volume) für die Werte im Testzeitraum.
Indikatoren berechnen. Abgeleitete Signale — gleitende Durchschnitte, RSI, Volumendurchschnitte — nur mit den Daten berechnen, die zum jeweiligen Zeitpunkt verfügbar waren (kein Look-Ahead).
Signale erzeugen. Auf jeder Bar prüfen, ob Einstiegs- oder Ausstiegsbedingungen erfüllt sind.
Ausführung simulieren. Wenn ein Signal auslöst, einen Einstieg zu einem realistischen Kurs erfassen (meist Eröffnung der nächsten Bar oder Schlusskurs + Slippage-Modell) und Kommissionen abziehen.
Portfoliostatus verfolgen. Auf jeder Bar den laufenden Barbestand und den Positionswert fortschreiben.
Performance-Kennzahlen berechnen. Am Ende alle Trades zu einer statistischen Zusammenfassung verdichten.

Die kritische Grenze: Look-Ahead Bias

Look-Ahead Bias entsteht, wenn dein Backtest Informationen nutzt, die zum Zeitpunkt der Handelsentscheidung nicht verfügbar gewesen wären. Er ist der häufigste Grund, warum Backtests großartig aussehen, im Live-Trading aber scheitern.

Häufige Quellen von Look-Ahead Bias:

Den heutigen Schlusskurs nutzen, um ein Signal zu erzeugen, und dann zum heutigen Schlusskurs ausführen (beides gleichzeitig ist unmöglich)
Split- oder dividendenadjustierte historische Kurse nutzen, ohne zu berücksichtigen, wann diese Anpassungen bekannt gewesen wären
Indikatoren zuerst über den gesamten Datensatz berechnen und dann über die Bars iterieren (der Indikatorwert bei Bar 100 enthält Daten aus den Bars 101–500)
Fundamentaldaten (Gewinne, Analystenrevisionen) mit dem Einreichungsdatum statt dem Ankündigungsdatum nutzen

Overfitting: das subtilere Problem

Selbst bei einem korrekt umgesetzten Backtest ist Overfitting — auch Curve-Fitting genannt — ein großes Risiko. Wenn du genug Parameterkombinationen auf demselben Datensatz testest, liefern einige rein zufällig hervorragende Ergebnisse. Die Gefahr besteht darin, diese zufällige Anpassung für einen echten Vorteil zu halten.

Die Standardlösung ist Out-of-Sample-Testing: Teile deine historischen Daten in einen Trainingszeitraum (in dem du Parameter optimierst) und einen Testzeitraum (den du nicht anrührst, bis die Strategie feststeht). Nur die Ergebnisse des Testzeitraums sind glaubwürdig. Ist die Performance in beiden Zeiträumen ähnlich, hat die Strategie generalisiert und ist möglicherweise robust. Schneidet der Out-of-Sample-Zeitraum dramatisch schlechter ab, war die Strategie an die Trainingsdaten überangepasst.

Wichtige Kennzahlen zur Bewertung

Ein Backtest sollte mehr als nur die Gesamtrendite ausweisen. Die wichtigsten Kennzahlen sind:

CAGR (Compound Annual Growth Rate, durchschnittliche jährliche Wachstumsrate): Annualisierte Rendite — aussagekräftiger als die Gesamtrendite über unterschiedlich lange Zeiträume
Sharpe Ratio: CAGR geteilt durch die annualisierte Volatilität — misst die risikobereinigte Rendite
Maximaler Drawdown: Größter Verlust vom Hoch zum Tief im Zeitraum — entscheidet, ob du die Strategie psychologisch realistisch durchhalten könntest
Calmar Ratio: CAGR / Max Drawdown — nützlich, um die Drawdown-Effizienz verschiedener Strategien zu vergleichen
Trefferquote und Profit Factor: Wie oft Trades profitabel sind und ob die Gewinner die Verlierer überwiegen

Erste Schritte

Klassisches Backtesting erfordert Programmierkenntnisse — Python mit pandas und backtrader oder Pine Script in TradingView. KI-gestützte Werkzeuge haben das jedoch verändert. Mit QuantPrompt beschreibst du eine Strategie in einfacher Sprache und führst einen vollständigen historischen Backtest durch, ohne Code zu schreiben. Das senkt die Einstiegshürde für systematisches Testen erheblich und macht es für Trader zugänglich, die Märkte verstehen, aber keine Softwareentwickler sind.

Unabhängig vom Werkzeug ist die Disziplin wichtiger als die Plattform: Nutze ausreichend historische Daten, teste Out-of-Sample, modelliere Transaktionskosten realistisch und vergleiche deine Ergebnisse immer mit einer Buy-and-Hold-Benchmark, bevor du schließt, dass eine Strategie einen echten Vorteil hat.