Krypto-Backtesting: Fallstricke und Overfitting

Einführung

Eine Rastersuche über 100 RSI-Konfigurationen, gerechnet auf 23.610 Tageskerzen von acht großen Krypto-Assets, brachte 78 profitable Ergebnisse. An der Basisrate statt an null gemessen schlugen nur zwei davon das schlichte Halten derselben Assets über denselben Zeitraum. Die übrigen 86 sahen aus wie Strategien und waren der Markt. Um diese Lücke geht es in diesem Artikel. Jeder Backtest-Fallstrick unten kommt als gemessene Zahl aus einem echten Lauf statt als Warnung. Was die Basisrate mit Ergebnissen macht, was eine Parametersuche tatsächlich findet, wie stark Ausführungsannahmen die Antwort verschieben, was Survivorship entfernt und wie schnell gewöhnliche Handelskosten den Rest auslöschen. Die Tests prüfen auch die eigene frühere Arbeit dieser Serie dort, wo sie angreifbar ist.

 

 

 

 

Was misst ein Backtest tatsächlich?

Ein Backtest misst, wie sich eine feste Regel auf einem festen Ausschnitt der Historie verhalten hätte, angewandt auf eine feste Menge von Assets. Das ist eine viel engere Behauptung, als die meisten veröffentlichten Ergebnisse nahelegen. Fast jedes Scheitern im Backtesting lässt sich darauf zurückführen, zu vergessen, wie eng sie wirklich ist.

Was ein Backtest misst

Die Ausgabe beschreibt eine Regel, angewandt auf einen Zeitraum und eine Assetmenge. Ändere eines der drei und die Zahl ändert sich, oft um mehr als den vermeintlichen Vorsprung. Ein Backtest kann nicht sagen, dass die Regel wieder funktionieren wird, denn er enthält keine Information über Zeiträume, die er nicht abdeckt. Diese Grenze ist strukturell und keine Frage der Technik. Was er kann, ist ausschließen. Eine Regel, die an den Daten scheiterte, für die sie entworfen wurde, wird anderswo kaum Erfolg haben. Kandidaten zu eliminieren ist eine legitime und unterschätzte Verwendung der Technik.

Was er nicht messen kann

Er kann nicht messen, ob das Ergebnis von der Regel oder vom Markt kam. Diese Unterscheidung ist Gegenstand des nächsten Abschnitts und die größte Quelle irreführender Krypto-Backtests. Er kann auch nichts messen, was die Kursreihe nicht enthält. Liquidität im Moment der Ausführung, die emotionalen Kosten eines Rückschlags oder ob die Börse während der Bewegung überhaupt erreichbar war. Jedes Experiment unten läuft auf denselben 23.610 Tageskerzen von acht großen USDT-Paaren. Jeder Fallstrick kommt damit als gemessene Zahl statt als Warnung, einschließlich derer, die die frühere Arbeit dieser Serie schwächer aussehen lassen.

Der erste Fallstrick überragt alle anderen.

 

 

Warum verändert die Basisrate alles?

Diese acht Assets 30 Tage zu halten brachte zwischen 2017 und 2021 im Mittel 17,92 % und zwischen 2022 und 2026 nur 2,40 %. Dieser eine Unterschied ist größer als jeder in dieser Serie gemessene Vorsprung, und er gehört dem Markt statt irgendeiner Strategie.

Siebzehn Prozent gegen zwei

Die Stichprobe am Ende von 2021 zu teilen und die unbedingte Folgerendite zu berechnen ergibt einen scharfen Kontrast (Binance Spot API, 2026-09-11) . Über drei Tage lag der Mittelwert im ersten Fenster bei 1,35 % und im zweiten bei 0,19 %. Über sieben Tage waren es 3,32 % gegen 0,47 %. Über vierzehn Tage 7,22 % gegen 0,98 % und über dreißig Tage 17,92 % gegen 2,40 %. Jeder Horizont erzählt dieselbe Geschichte, und die Lücke wächst mit der Haltedauer.

Datenstand: September 2026.

Die Ära ist das Ergebnis

Jede Strategie, die nur auf 2017 bis 2021 getestet wurde, erbt diese Drift. Eine Regel, die häufig kauft und einen Monat hält, zeigt in diesem Fenster eine hohe Durchschnittsrendite, ob sie etwas beiträgt oder nicht. Fast jeder Einstieg tat das. Der Markt driftete am Monatshorizont rund 7,5-mal stärker in der früheren Periode. An einer Strategie muss sich nichts ändern, damit ihre berichteten Renditen um diesen Faktor einbrechen. Deshalb ist ein veröffentlichter Backtest ohne seine Basisrate unlesbar statt bloß unvollständig. Aus der Schlagzahl allein lässt sich nicht erkennen, ob eine Regel überhaupt etwas beigetragen hat. Ein Begleitartikel zu Marktzyklen misst, wie verschieden diese Regime tatsächlich waren ↗. Die praktische Folge ist direkt. Berichte die unbedingte Rendite für denselben Zeitraum und dieselben Assets, oder das Ergebnis lässt sich gar nicht interpretieren.

Härter zu suchen löst das nicht.

 

 

Was passiert, wenn man 100 Parameterkombinationen durchsucht?

Eine Rastersuche über 100 RSI-Konfigurationen brachte 78 profitable Ergebnisse in dem Zeitraum, auf den sie abgestimmt wurde. An der Basisrate statt an null gemessen schlugen nur zwei dieser achtundachtzig das schlichte Halten derselben Assets über dasselbe Fenster.

Einhundert Kombinationen

Das Raster variierte den RSI-Betrachtungszeitraum über 7, 10, 14, 21 und 28 Perioden und die Überverkauft-Schwelle über 20, 25, 30, 35 und 40. Die Haltedauern waren 3, 7, 14 und 30 Tage. Das sind 100 Kombinationen, von denen 88 mindestens 30 In-Sample-Signale erzeugten (Binance Spot API, 2026-09-11) . Am Rohertrag gemessen verdienten 78 der 88 in-sample Geld und alle 88 out of sample. Diese Zahlen sehen nach einer Entdeckung aus und sind nichts dergleichen. Sie beschreiben, was die Assets taten, verkleidet als Beschreibung dessen, was die Regel tat.

Zwei von achtundachtzig

Die Basisrate für die passende Haltedauer abzuziehen verändert das Bild vollständig. Nur 2 der 88 Konfigurationen erzeugten in-sample einen positiven Vorsprung, und der mittlere Vorsprung über alle 88 lag bei -4,44 Prozentpunkten. Anders gesagt: 86 von 88 geprüften Regeln schnitten schlechter ab als das schlichte Halten derselben Assets im selben Fenster, und wirkten dabei durchweg profitabel. Die Suche fand keinen Vorsprung und verlor ihn dann out of sample, was die Lehrbuchgeschichte wäre. Die Suche fand überhaupt nie einen Vorsprung. Die Rohrenditen, die etwas anderes nahelegten, gehörten vollständig dem Markt, und noch so viel weiteres Suchen hätte daran nichts geändert.

Datenstand: September 2026.

Der Gewinner verdient genaue Betrachtung.

 

 

Übersteht die beste In-Sample-Einstellung den Out-of-Sample-Test?

Die Spitzenkonfiguration verbesserte sich out of sample, von einem Vorsprung von +0,23 Punkten auf +9,05. Das klingt nach Bestätigung und ist keine. Das Out-of-Sample-Ergebnis ruht auf 43 Signalen, was dies zur klarsten Illustration im Artikel dafür macht, warum die Stichprobengröße fast alles entscheidet.

Der Gewinner wurde besser

RSI über 28 Perioden, unter 30, sieben Tage gehalten, erzeugte den besten In-Sample-Vorsprung der 88 geprüften. In-sample löste er 79-mal aus, für einen Vorsprung von +0,23 Prozentpunkten, was sich kaum von nichts unterscheidet. Out of sample löste er 43-mal aus, für einen Vorsprung von +9,05 Punkten (Binance Spot API, 2026-09-11) . Ein Lehrbuchbeispiel für Overfitting lässt den Gewinner out of sample zusammenbrechen. Dieser tat das Gegenteil. Das ist gerade deshalb die nützlichere Lehre, weil es unerwartet ist und weil die übliche Geschichte es nicht erklärt.

Dreiundvierzig Signale sind Rauschen

Eine 43-Signal-Stichprobe von Kryptorenditen kann in beide Richtungen enorm schwanken, und ein langer RSI-Zeitraum mit strenger Schwelle löst bauartbedingt selten aus. Die Konfiguration, die eine Rastersuche auf so dünnen Stichproben gewinnt, ist weitgehend die, die Glück hatte. Glück weiß nicht, in welche Richtung es in der nächsten Periode laufen soll. Nichts hier sagt, dass die Regel funktioniert. Es sagt, dass die Messung zu ungenau ist, um zu entscheiden, was eine andere und ehrlichere Schlussfolgerung ist. Jede Rastersuche sollte die Signalzahl neben jedem Ergebnis berichten. Alles, was auf weniger als einigen hundert unabhängigen Ereignissen ruht, gehört in die Spalte "unentschieden" statt in die der Entdeckungen.

Ausführungsannahmen kosten weniger als das, aber nicht viel weniger.

 

 

Wie stark verändert Look-Ahead-Bias das Ergebnis?

Dieselbe Regel unter drei Ausführungsannahmen laufen zu lassen brachte mittlere Renditen von 2,978 %, 2,464 % und 2,168 %. Die Spanne beträgt 0,81 Prozentpunkte über exakt dieselben 889 Signale, was mit dem gesamten überhaupt gemessenen Vorsprung vergleichbar ist.

Drei Ausführungsannahmen

RSI unter 30 mit sieben Tagen Haltedauer löste 889-mal aus. Der Einstieg zum Schlusskurs des Signaltags brachte im Mittel 2,464 % bei einer Trefferquote von 59,73 %. Das ist die Standardannahme und eine leicht unmögliche, da der Schlusskurs erst bekannt ist, wenn der Tag vorbei ist. Der Einstieg zur Eröffnung der nächsten Kerze brachte 2,978 % bei 60,85 %. Der Einstieg zum Schluss der nächsten Kerze brachte 2,168 % bei 56,58 % (Binance Spot API, 2026-09-11) .

Datenstand: September 2026.

Der Bias schmeichelt nicht immer

Das interessante Ergebnis ist, dass die realistische Annahme die beste war. Der Einstieg zur nächsten Eröffnung schlug den unmöglichen Einstieg zum gleichen Schluss, weil überverkaufte Signale über Nacht oft weiter fallen und dem Käufer einen besseren Preis verschaffen. Look-Ahead-Bias wird üblicherweise als ergebnissteigernd beschrieben, und hier senkte er die Ergebnisse. Worauf es ankommt, ist die Größenordnung statt der Richtung. Die Ausführung um eine Kerze auf den nächsten Schluss zu verschieben kostete 0,295 Punkte, rund ein Drittel des gemessenen Vorsprungs gegenüber der Basisrate. Eine Annahme, die die Antwort um ein Drittel des Vorsprungs verschiebt, verdient in jedem veröffentlichten Ergebnis eine ausdrückliche Nennung. Die meisten nennen sie gar nicht, was dem Leser die Unterscheidung unmöglich macht.

Das Asset-Universum trägt eine noch größere Verzerrung.

 

 

Was kostet Survivorship-Bias?

CoinPaprika listet 61.463 Coins und markiert nur 13.154 davon als aktiv. Das heißt, 78,6 % jedes je erfassten Coins ist inzwischen inaktiv. Kein Backtest, der aus der heutigen Assetliste gebaut wird, enthält auch nur einen davon, was still die meisten Arten entfernt, auf die eine Kryptoposition scheitern kann.

Vier von fünf Coins sind tot

Die Zahl der inaktiven liegt bei 48.309 (CoinPaprika API, 2026-09-11) . Börsendaten erzählen eine mildere Version derselben Geschichte, weil Börsen weniger Assets listen und sie langsamer entfernen, als der lange Schwanz stirbt. Binances exchangeInfo lieferte 742 USDT-Spot-Paare, von denen 490 den Status TRADING hatten und 252 nicht. Vollständig delistete Paare werden ganz aus dieser Antwort entfernt statt markiert. Die heute testbare Assetliste ist damit eine gefilterte Stichprobe von Gewinnern. Den Filter legte der Markt selbst an, im Nachhinein, mit genau der Information, die ein Backtest ausschließen soll.

Dieser Cluster hat denselben Mangel

Jedes Experiment in diesem Artikel und jedes Ergebnis in den Begleitartikeln zu Indikatoren ↗ und On-Chain-Kennzahlen ↗ nutzt acht Assets, die alle weiterhin gehandelt werden. Das ist Survivorship-Bias per Konstruktion, und er bläht jede Zahl in dieselbe Richtung auf. Bitcoin, Ether, Solana, BNB, XRP, Cardano, Dogecoin und Chainlink wurden gewählt, weil sie lange Historien haben. Genau dieses Auswahlkriterium schließt die Ausfälle garantiert aus, und es wurde wissentlich angewandt. Diese Einschränkung zu benennen nützt mehr, als eine korrigierte Stichprobe vorzutäuschen, denn für die meisten Privatanlegern zugänglichen Daten gibt es sie schlicht nicht. Leser können die Ergebnisse dann entsprechend abwerten, statt ihnen ganz zu vertrauen.

Selbst die überlebenden Daten sind nicht makellos.

 

 

Wie sauber sind Börsen-OHLCV-Daten wirklich?

Über 23.610 Kerzen einer großen Börse gab es keine fehlenden Tage und keine Kerzen mit Nullvolumen, was sauberer ist, als die meisten erwarten. Es gab auch 97 Kerzen, deren Hoch das Tief um mehr als die Hälfte übertraf. Auf die kommt es an.

Lücken, Dochte und Nullvolumen

Die Stichprobe direkt zu prüfen ergibt eine kurze Mängelliste (Binance Spot API, 2026-09-11) . Fehlende Tage: null. Kerzen mit Nullvolumen: null. Kerzen, deren Hoch mehr als das 1,5-Fache des Tiefs betrug: 97, also 0,411 % der Stichprobe. Die Lücke zwischen dem Schluss einer Kerze und der Eröffnung der nächsten betrug im Mittel 0,0231 %, mit einem 99. Perzentil von 0,307 % und einem Maximum von 6,41 %. Durchgehende Märkte springen nicht wie Aktien. Das entfernt eine Problemklasse und führt still eine andere ein, denn eine Regel kann eine Ausführung zu jedem Preis unterstellen, ohne dass eine sichtbare Lücke die Annahme markiert.

Sauber genug ist nicht sauber

Eine Rate von 0,411 % extremer Kerzen klingt vernachlässigbar, bis eine Strategie genau diese Kerzen handelt. Stop-Loss-Regeln, Ausbruchseinstiege und alles, was an Hoch oder Tief hängt, konzentriert sich genau auf sie. Es sind zugleich die Kerzen, die am ehesten eine Blitzbewegung enthalten, zu der keine echte Größe hätte handeln können. Ein Begleitartikel behandelt, wie diese Datensätze entstehen und warum ein Docht einen einzigen Trade darstellen kann ↗. Die praktische Abwehr ist einfach. Prüfe, ob die Ergebnisse einer Strategie an einer kleinen Zahl extremer Kerzen hängen, lass sie dann ohne diese Kerzen erneut laufen und sieh, was übrig bleibt.

Die Kosten entfernen dann den Rest.

 

 

Wann fressen Handelskosten den gesamten Vorsprung?

Die beste Konfiguration der gesamten Rastersuche hatte einen In-Sample-Vorsprung von 0,23 Prozentpunkten. Eine Round-Trip-Kostenquote von 0,40 % macht daraus -0,17, eine von 1,00 % macht -0,77. Der Vorsprung ist kleiner als die Kosten, ihn einzusammeln.

Ein Prozent tötet ihn

Kosten auf die Gewinnerkonfiguration anzuwenden ergibt eine kurze und eindeutige Reihe von Ergebnissen (Binance Spot API, 2026-09-11) . Ohne Kosten beträgt der In-Sample-Vorsprung +0,23 Punkte. Bei 0,20 % Round Trip, also etwa zwei Taker-Gebühren, fällt er auf +0,03. Bei 0,40 %, mit moderater Slippage, liegt er bei -0,17. Bei 1,00 %, was für ein Mid-Cap-Asset in Größe realistisch ist, bei -0,77. Der gesamte gemessene Vorteil ist kleiner als die Kosten, danach zu handeln. Und das war die beste von 88 Konfigurationen, keine mittelmäßige.

Kosten skalieren mit dem Umschlag

Der Schaden ist proportional dazu, wie oft eine Regel handelt. Das macht kurze Haltedauern weit teurer, als die Rohrenditen nahelegen. Eine Drei-Tage-Regel zahlt den Round Trip zehnmal so oft wie eine Dreißig-Tage-Regel für dieselbe Exposure. Ein Begleitartikel misst, was Ausführung auf einem echten Orderbuch tatsächlich kostet ↗, einschließlich wie schnell Slippage mit der Ordergröße wächst. Jeder Backtest, der Kosten auslässt, berichtet eine Obergrenze statt einer Schätzung. Für Regeln mit hohem Umschlag liegt diese Obergrenze weit über allem praktisch Erreichbaren.

Die Daten richtig zu teilen hilft, in Grenzen.

 

 

Was ist Walk-Forward-Testing und hilft es?

Walk-Forward-Testing passt Parameter auf einem Fenster an, prüft sie auf dem nächsten und rollt dann beide Fenster vorwärts und wiederholt das. Es ist die stärkste Routine, die einem allein arbeitenden Privattester zur Verfügung steht. Es behebt auch deutlich weniger, als sein Ruf nahelegt.

Walk-Forward in der Praxis

Die Methode ist geradlinig. Wähle ein In-Sample-Fenster und bestimme darauf die Parameter. Wende diese Parameter unverändert auf das folgende Out-of-Sample-Fenster an, notiere das Ergebnis, verschiebe dann beide Fenster und wiederhole. Die Ausgabe ist eine Folge echter Out-of-Sample-Ergebnisse statt eines einzigen, was die Chance senkt, dass eine einzelne glückliche Periode die Schlussfolgerung trägt. Es liefert außerdem etwas, das eine einzelne Teilung nicht kann. Springen die besten Parameter zwischen den Fenstern, ist diese Instabilität selbst ein Beleg, und meist ein Beleg gegen die Regel.

Was es nicht behebt

Es behebt Survivorship nicht, denn jedes Fenster nutzt dieselben überlebenden Assets. Es behebt Regime-Abhängigkeit nicht, denn eine über Fenster von 2017 bis 2021 abgestimmte Strategie wird weiterhin an Fenstern derselben Ära validiert. Es behebt die Stichprobengröße nicht, die beim obigen Gewinner die bindende Beschränkung war. Und es hindert einen Tester nicht daran, das ganze Verfahren wiederholt mit anderen Regeln zu fahren, bis eine besteht. Das führt das Suchproblem eine Ebene höher wieder ein. Walk-Forward ist eine echte Verbesserung gegenüber einer einzelnen Teilung. Es ersetzt nicht die Entscheidung, was man prüft, bevor man anfängt, und nicht die Regel, wenig statt viel zu prüfen.

Damit bleibt ein kurzer Berichtsstandard.

 

 

Wie führt man einen Backtest durch, der etwas aussagt?

Sieben Angaben machen einen Backtest für jemanden interpretierbar, der ihn nicht gefahren hat. Keine davon erfordert besondere Software oder zusätzliche Daten. Ein Ergebnis, dem eine einzige davon fehlt, lässt sich von einem Leser überhaupt nicht bewerten, wie beeindruckend die Schlagzahl auch aussieht.

Sieben Dinge, die zu berichten sind

Nenne die Basisrate für dieselben Assets und denselben Zeitraum, denn der Vergleich ist das Ergebnis. Berichte die Zahl unabhängiger Signale statt Signaltage, denn Schwellenregeln erzeugen aus einer Handvoll Ereignisse Hunderte überlappender Beobachtungen. Nenne die Ausführungsannahme ausdrücklich. Nenne das vollständige Asset-Universum einschließlich seither delisteter Werte, oder gib die Survivorship-Beschränkung zu. Rechne Kosten auf realistischem Niveau ein. Nenne den Testzeitraum, denn 2017 bis 2021 und 2022 bis 2026 sind faktisch verschiedene Märkte. Prüfe dann an Daten, die während der Entwicklung nie angesehen wurden, was der einzige Schritt ist, der sich nachträglich nicht fälschen lässt.

Datenstand: September 2026.

Den Backtest eines anderen lesen

Auf veröffentlichte Ergebnisse angewandt ist diese Liste brutal. Eine Strategie, die eine hohe Jahresrendite auf Kryptodaten von 2017 bis 2021 beansprucht, ohne Basisrate, ohne Signalzahl und ohne Kosten, berichtet die Ära statt die Regel. Die redliche Zusammenfassung aus jedem Experiment hier lautet, dass der Normalfall kein entdeckter Vorsprung ist, der verfällt. Es ist ein Vorsprung, der nie da war, verdeckt von einem steigenden Markt. Sorgfältig zu testen erzeugt meist negative Ergebnisse, und das ist das richtige Resultat. Der Wert eines Backtests liegt in dem, was er ausschließt, nicht in dem, was er verspricht.

 

 

 

 

 

 

 

 

 

 

 

 

FAQ

?Was ist ein Krypto-Backtest und was kann er beweisen?

Es ist eine Simulation einer festen Regel auf historischen Kursdaten für eine feste Menge von Assets. Er kann zeigen, dass eine Regel gescheitert ist, was echte Information und die verlässlichste Verwendung der Technik ist. Er kann nicht zeigen, dass eine Regel wieder funktionieren wird, da er nichts über nicht abgedeckte Zeiträume enthält. Und er kann den Beitrag der Regel nicht von der Marktdrift trennen, solange die Basisrate nicht daneben steht.

?Warum zählt der Testzeitraum so stark?

Weil die unbedingte Rendite des Marktes zwischen Ären enorm schwankt. Für diese acht Assets betrug die mittlere 30-Tage-Rendite 17,92 % von August 2017 bis Ende 2021 und 2,40 % von 2022 bis September 2026. Eine nur auf dem früheren Fenster getestete Strategie erbt eine 7,5-mal stärkere Drift und berichtet hohe Renditen, ob die Regel etwas beiträgt oder nicht.

?Was ist Overfitting bei einer Handelsstrategie?

Es ist die Auswahl von Parametern, die das Rauschen einer Stichprobe abbilden statt dauerhaftes Verhalten. Die übliche Demonstration lässt einen Gewinner out of sample zusammenbrechen. In diesem Test passierte etwas Lehrreicheres: Über 88 Konfigurationen schlugen nur 2 jemals die Basisrate in-sample, die Suche fand also gar keinen Vorsprung zum Überanpassen. Die scheinbare Profitabilität der anderen 86 kam vom Halten der Assets.

?Wie viele Signale braucht ein Backtest?

Mehr, als die meisten berichten, und maßgeblich sind unabhängige Ereignisse statt Signaltage. Die beste Konfiguration hier ruhte auf 79 In-Sample-Signalen und 43 out of sample, was dünn genug ist, dass eine Handvoll Ergebnisse das Resultat deutlich verschob. Alles unter einigen hundert unabhängigen Ereignissen sollte als unentschieden statt als bestätigt gelten.

?Was ist Look-Ahead-Bias und wie groß ist er?

Es ist die Nutzung von Informationen, die die Strategie im Moment der Ausführung nicht gehabt hätte, etwa der Einstieg zu einem noch nicht gedruckten Schlusskurs. Über 889 Signale gemessen brachte der Einstieg zum Signalschluss 2,464 %, zur nächsten Eröffnung 2,978 % und zum nächsten Schluss 2,168 %. Eine Kerze später zu handeln kostete 0,295 Punkte, rund ein Drittel des gemessenen Vorsprungs, die Annahme muss also genannt werden.

?Wie wirkt sich Survivorship-Bias auf Krypto-Backtests aus?

Stark, weil die Ausfallrate extrem ist. CoinPaprika listet 61.463 Coins und markiert nur 13.154 als aktiv, 78,6 % sind also inaktiv und tauchen in keinem aus heutigen Listings gebauten Test auf. Jedes in den Experimenten dieser Serie genutzte Asset wird weiterhin gehandelt, was alle diese Ergebnisse in dieselbe Richtung aufbläht. Die meisten Privatanlegern zugänglichen Daten lassen das nicht korrigieren, die Einschränkung sollte also genannt statt ignoriert werden.

?Sind Börsen-OHLCV-Daten sauber genug zum Backtesten?

Größtenteils. Die 23.610-Kerzen-Stichprobe hatte keine fehlenden Tage und keine Nullvolumen-Kerzen. Sie enthielt 97 Kerzen, also 0,411 %, deren Hoch das Tief um mehr als das 1,5-Fache übertraf. Die zählen überproportional für Stop-Loss-Regeln und Ausbruchseinstiege, die genau an diesen Extremen hängen. Prüfe, ob Ergebnisse an wenigen ungewöhnlichen Kerzen hängen, und lass sie ohne diese erneut laufen.

?Behebt Walk-Forward-Testing das Overfitting?

Es hilft und löst es nicht. Auf einem Fenster anzupassen und auf dem nächsten zu prüfen erzeugt eine Folge von Out-of-Sample-Ergebnissen statt eines einzigen, und Parameterinstabilität zwischen Fenstern ist selbst ein nützlicher Beleg. Es behebt weder Survivorship noch Regime-Abhängigkeit noch kleine Stichproben, und es hindert einen Tester nicht daran, das Verfahren zu wiederholen, bis etwas besteht.

 

 

Quellen