Dokumentation

Backtest & Optimierung

Wie partiqon Strategien auf Historien testet, optimale Parameter findet und Robustheit validiert — Backtesting, PSO-Optimierung, Walk-Forward-Validierung und WFO.

Backtesting

Ein Backtest simuliert eine Strategie auf historischen Daten. Für jeden Bar wird geprüft, ob Ein- oder Ausstiegssignale ausgelöst werden, und alle Trades mit P&L werden aufgezeichnet. Es wird kein echtes Geld verwendet — es ist reine Simulation zur Messung vergangener Performance.

So funktioniert es

Daten laden: Historische Bars (OHLCV) aus BAR6-Dateien
Zustand zurücksetzen: Strategie-Parameter, Indikatoren und Positionen auf Start zurücksetzen
Bars durchlaufen: Jeden Bar im Zeitraum an die Strategie übergeben
Signale prüfen: Erzeugt die Strategie Ein- oder Ausstiegssignale?
Trades ausführen: Einstieg öffnet eine Position; Ausstieg schließt sie. Einstiegs-/Ausstiegspreis und P&L aufzeichnen
Kennzahlen berechnen: Win-Rate, Drawdown, Profit-Factor usw.
Ergebnisse ausgeben: Trade-Liste, Equity-Kurve, Performance-Statistiken

Wichtige Kennzahlen

Gesamtrendite: Endkapital − Startkapital (in %)
Win-Rate: Gewinn-Trades / Gesamt-Trades (höher ist besser, aber nicht alles)
Profit-Factor: Bruttogewinn / Bruttoverlust. >1,5 ist respektabel; >2,0 ist stark
Max. Drawdown: Größter Rückgang vom Hochpunkt des Kapitals. Risikomaß — niedriger ist besser
Sharpe-Ratio: Rendite pro Risikoeinheit. Bereinigt um Volatilität; höher ist besser
Trades pro Jahr: Häufigkeit. Mehr Trades = mehr Daten zur Validierung; weniger Trades = weniger Slippage/Gebühren

⚠ Wichtig: Backtest-Ergebnisse sind historisch. Sie zeigen, was in der Vergangenheit passiert ist, nicht was in der Zukunft passieren wird. Märkte ändern sich; Strategien, die gestern funktioniert haben, müssen das heute nicht mehr. Validiere immer auf Out-of-Sample-Daten (zukünftige Daten), bevor du live handelst.

PSO-Optimierung

PSO (Particle Swarm Optimization — Partikelschwarm-Optimierung) ist ein Suchalgorithmus, der automatisch gute Parameter-Werte findet. Statt zufällige Kombinationen auszuprobieren, „schwärmen" Partikel in Richtung der besten Bereiche des Parameterraums.

Wie PSO funktioniert

Suchbare Parameter definieren: Welche Block-Parameter können angepasst werden? (z.B. EMA-Periode 10–100, RSI-Level 20–50)
Schwarm initialisieren: N Partikel mit zufälligen Parameter-Werten erstellen (z.B. 30 Partikel)
Jeden Partikel bewerten: Backtest mit diesen Parametern ausführen. Profit-Factor (oder gewählte Metrik) aufzeichnen
Bestes verfolgen: Jeder Partikel merkt sich sein bestes Ergebnis. Der Schwarm merkt sich das globale Beste.
Geschwindigkeiten aktualisieren: Jeder Partikel passt seine Parameter in Richtung seines persönlichen Besten und des globalen Besten an (mit Zufälligkeit)
Wiederholen: Mehrere Generationen durchlaufen (z.B. 60 Iterationen). Der Schwarm konvergiert zu guten Parametern.
Champion ausgeben: Die besten Parameter aus allen Generationen

Warum PSO?

Effizient: Weniger Backtests als Grid-Search (der alle Kombinationen durchprobiert)
Flexibel: Verarbeitet beliebige Parameterkombinationen, diskret oder kontinuierlich
Robust: Bleibt besser in lokalen Optima stecken als reines Gradientenabstiegsverfahren
Transparent: Du siehst, welche Parameter der Algorithmus bevorzugt hat und warum

Iteration 1: Partikel → Backtest → Bewertung
Iteration 2: Partikel bewegen sich zum Besten → Backtest → Bewertung
Iteration 3: Partikel bewegen sich erneut → Backtest → Bewertung
...
Iteration 60: Endpositionen → Bestes zurückgeben
  

Walk-Forward-Validierung

Die Walk-Forward-Validierung verhindert Overfitting, indem die Daten in Blöcke aufgeteilt werden: Optimierung auf dem ersten Block (In-Sample), dann Test auf dem zweiten Block (Out-of-Sample) — aber niemals gemischt.

Das Problem: Overfitting

Wenn du auf allen deinen Daten optimierst, kannst du das Rauschen in dieser spezifischen Historie anpassen. Die Parameter sehen auf der Vergangenheit hervorragend aus, versagen aber in der Zukunft. Walk-Forward bricht die Daten auf, um dies zu erkennen.

Walk-Forward-Prozess

Blöcke definieren: 5-Jahres-Historie in 3 Blöcke aufteilen (z.B. je ~1,5 Jahre)
Block 1 (In-Sample): PSO-Optimierung auf diesem Zeitraum ausführen. Beste Parameter finden.
Block 2 (Out-of-Sample): Diese besten Parameter auf den nächsten Block testen. Wie performen sie auf ungesehenen Daten?
Block 3 (Out-of-Sample): Fenster verschieben. Block 2 zur Optimierung verwenden; auf Block 3 testen.

Zeitraum:  [====== Block 1 ======] [====== Block 2 ======] [====== Block 3 ======]
In-Sample-Optimierung ──────────→ dann ungesehene Daten auf Block 2 testen
                              Optimierung ──────────→ dann ungesehene Daten auf Block 3 testen
  

Ergebnisse interpretieren

Gute Strategie: In-Sample Profit-Factor 2,0+, Out-of-Sample Profit-Factor >1,0. Out-of-Sample ist niedriger, aber noch profitabel und konsistent.
Overfitted: In-Sample Factor 5,0+, Out-of-Sample <1,0. Die Parameter lassen sich nicht generalisieren.
Underfitted: Sowohl In-Sample als auch Out-of-Sample schlecht. Die Strategie-Idee ist nicht stark genug.

Walk-Forward-Optimierung (WFO)

WFO kombiniert Walk-Forward-Validierung mit Optimierung: Optimierung auf jedem In-Sample-Block, dann Test des Ergebnisses auf dem nächsten Out-of-Sample-Block. Dies simuliert echtes Trading, bei dem man regelmäßig re-optimiert.

WFO-Prozess

Daten aufteilen: 3 Blöcke (oder mehr). Blöcke 1, 2, 3.
Zyklus 1: Optimierung auf Block 1 (In-Sample) → optimierte Parameter auf Block 2 (Out-of-Sample) testen
Zyklus 2: Optimierung auf Block 2 (In-Sample) → optimierte Parameter auf Block 3 (Out-of-Sample) testen
Ergebnisse zusammenführen: Alle Out-of-Sample-Trades aus Zyklen 1, 2 usw. kombinieren
Kennzahlen berechnen: Profit-Factor, Drawdown usw. auf dem vollständigen aggregierten Out-of-Sample-Ergebnis

ðŸ’¡ Kernaussage: WFO beantwortet die Frage: "Wie wäre meine realistische zukünftige Performance, wenn ich jeden Quartal re-optimiere?" Es entspricht am ehesten der tatsächlichen Praxis von Tradern: keine einmalige Anpassung, sondern kontinuierliches Re-Fitting an aktuelle Marktbedingungen.

WFO-Interpretation

Starkes Signal: WFO Profit-Factor >1,5, konsistent über alle Zyklen. Parameter generalisieren.
Schwaches Signal: WFO Profit-Factor <1,0 oder stark variabel. Parameter sind fragil.
Quartalsgliederung: Wenn 3 von 4 Out-of-Sample-Perioden profitabel sind, ist die Strategie robust. Wenn nur 1 von 4, ist sie brüchig.

Empfohlene Vorgehensweise

Bauen: Strategie mit Blöcken im Graph-Editor entwerfen
Testen: Einfachen Backtest mit Standard-Parametern ausführen (2020–2026)
Optimieren: PSO auf einem sauberen In-Sample-Block ausführen (z.B. 2020–2023)
Validieren: Optimierte Parameter auf Out-of-Sample testen (2023–2026). Profit-Factor >1,0?
Walk-Forward: WFO mit 3 Blöcken ausführen. Profit-Factor >1,5 und konsistent? Bereit zum Trading.
Paper-Trading: Strategie 1–2 Wochen auf Live-Daten testen, bevor echtes Geld eingesetzt wird
Re-Deployment: Jeden Quartal WFO auf den neuesten Daten erneut ausführen, um Parameter zu re-optimieren

Häufige Fehler

Zukunftsdaten verwenden: Indikatoren oder Signale, die den morgigen Schlusskurs "kennen". Immer auf Lookahead-Bias prüfen.
Slippage ignorieren: Backtests nehmen sofortige Fills zu OHLC-Kursen an. Echtes Trading hat Slippage. 0,5–1 ATR als Puffer einplanen.
Zu viele Parameter: 20 Parameter auf 3 Jahren Daten optimieren = Overfitting. Parameter minimal halten.
Falsche Metrik: Maximaler Profit-Factor kann negative Schieflage verbergen. Sharpe-Ratio oder Profit-Factor mit Max-Drawdown gemeinsam verwenden.
Nur In-Sample: Niemals auf demselben Zeitraum optimieren und testen. Immer Out-of-Sample validieren.

Nächste Schritte

Bereit, eine Strategie zu bauen? Starte im Graph-Editor auf der /graph-Seite. Oder lies die Block-Referenz, um zu verstehen, was verfügbar ist.