Monte-Carlo-Simulation einer Strategie — das Risiko, das ein einzelner Backtest verbirgt

Ein Leser schickte mir einmal den Backtest einer Strategie, auf die er stolz war: Trefferquote 55 Prozent, durchschnittlicher Gewinn 100 Euro, durchschnittlicher Verlust 80 Euro — auf dem Papier rund 3.800 Euro Gewinnerwartung pro Jahr. Solide Zahlen, dachte er, eröffnete ein Livekonto, riskierte fünf Prozent Kapital je Trade und blies das Konto in sechs Monaten durch. Er wollte wissen, wo er sich geirrt hatte. Der Irrtum lag nicht in der Strategie. Er hatte einen einzigen Backtest als die eine Wahrheit genommen — dabei hätte eine Monte-Carlo-Simulation gezeigt, dass diese Strategie bei dieser Positionsgröße eine Ruinwahrscheinlichkeit von rund 25 Prozent hatte. Diesen Artikel habe ich genau deswegen geschrieben.

Was eine Monte-Carlo-Simulation einer Strategie eigentlich ist

Monte Carlo ist eine probabilistische Methode, benannt nach dem Kasino in Monaco. Im Trading ist die Grundidee denkbar einfach: Statt sich die eine Kapitalkurve anzusehen, die die Geschichte deiner Trades zufällig produziert hat, erzeugst du tausend neue Sequenzen mit denselben Statistiken, aber in einer anderen Reihenfolge. Jede Sequenz ist eine andere Realisierung, jede zeichnet ein anderes Kontobild — und zusammen bilden sie die Wolke der Möglichkeiten, die ein einzelner Backtest der Strategie niemals zeigen kann.

Ein einzelner Backtest ist eine Realisierung eines stochastischen Prozesses. Die Varianz um diesen einen Pfad herum kann gewaltig sein — das ist keine Pathologie, sondern das normale Verhalten eines Spiels mit Vorteil, das viele Male wiederholt wird. Die Monte-Carlo-Simulation übersetzt diese Varianz in konkrete Zahlen, mit denen du tatsächlich arbeiten kannst.

Welche Fragen Monte Carlo wirklich beantwortet

Die Simulation liefert drei Dinge, die ein einzelner Backtest nicht direkt sagt. Erstens ein realistisches Drawdown-Niveau auf 95-Prozent-Konfidenzniveau — also jene Tiefe, die du in 95 von 100 Simulationsdurchläufen nicht überschreitest. Zweitens die Wahrscheinlichkeit, einen erheblichen Teil des Kontos zu verlieren, etwa unter 50 Prozent des Kapitals zu fallen. Drittens die Bandbreite plausibler Jahresergebnisse bei gleichbleibendem Vorteil (Edge).

In meinem Beispielszenario — rein hypothetisch, zur Veranschaulichung — hat eine Strategie mit 55 Prozent Trefferquote, 100 Euro durchschnittlichem Gewinner, 80 Euro durchschnittlichem Verlierer und 200 Trades im Jahr einen Erwartungswert von rund 19 Euro je Trade, also 3.800 Euro auf dem Papier. Ein Durchlauf mit 1.000 Simulationen ergab einen Median nahe 3.750 Euro. Die schlechtesten fünf Prozent der Durchläufe endeten bei etwa 500 Euro Gewinn, das schlechteste Prozent bei einem Verlust von 800 Euro, die besten fünf Prozent bei 7.500 Euro. Gleicher Edge — fünffacher Unterschied zwischen den Szenarien.

Simulation in Excel — so funktioniert es ohne Makros

Die einfachste Version braucht weder Makros noch VBA. In den Zellen A1 bis A5 trägst du die Parameter ein: Trefferquote 0,55, durchschnittlicher Gewinner 100, durchschnittlicher Verlierer -80, Anzahl der Trades 200 und Startkapital 10.000. In Zelle B1 gibst du die Formel =WENN(ZUFALLSZAHL()<A1; A2; A3) ein — die ZUFALLSZAHL-Funktion liefert einen Wert zwischen null und eins, und wenn er unter der Trefferquote liegt, bekommst du einen Gewinner, sonst einen Verlierer.

In Zelle C1 addierst du das Startkapital zum Ergebnis von B1 — das ist der erste Punkt der Kapitalkurve. B2 verwendet dieselbe Formel wie B1, C2 addiert den Wert aus C1 zu B2. Beide Spalten nach unten bis Zeile 200 ziehen. Das ergibt eine vollständige Jahressequenz.

Die beiden Spalten 1.000 Mal seitwärts duplizieren (B–C, D–E, F–G usw.) und du hast tausend unabhängige Kapitalkurven. Aus den Endwerten liest du mit =QUANTIL.EINSCHL(Bereich; 0,5) den Median ab, mit 0,05 und 0,01 die schlechtesten fünf und ein Prozent. F9 rechnet alle Zufallswerte neu, jedes Drücken liefert eine frische Tausender-Studie. Das reicht wirklich.

Dieselbe Aufgabe in Python — mit Bootstrap aus echter Handelshistorie

Python macht dasselbe schneller und erlaubt dabei Bootstrap: Du ziehst nicht aus angenommenen Parametern, sondern aus deiner echten Liste historischer Trades.

Du importierst NumPy, lädst 100 oder mehr reale P/L-Werte aus deinem Handelsjournal und schreibst neue_sequenz = np.random.choice(historie, size=200, replace=True). Die Funktion np.cumsum verwandelt die Liste der einzelnen P/L-Zahlen in eine Kapitalkurve, eine Schleife darum erzeugt tausend unabhängige Durchläufe. Percentile berechnest du mit np.percentile, Matplotlib lässt dich einen Spaghetti-Plot zeichnen — alle tausend Kurven übereinander mit dem Median und dem Band von Percentil 5 bis 95 hervorgehoben.

Bootstrap erhält die echten Verteilungsränder deiner Trades: dicke Verluste, geclusterte Bewegungen, den gelegentlichen Ausreißergewinn in einer volatilen Woche. Parametrische Annahmen können das nicht nachbilden, weil sie nicht davon ausgehen, dass deine Trades genau die Verteilung haben, die sie tatsächlich haben. Das ist besonders wichtig für das Risikomanagement auf dem Livehandel.

„Reward-to-risk ratios make almost no sense without including position sizing in the equation. Through position sizing, you can achieve almost any objective you'd like." — Van K. Tharp, 2007

Ehrliche Grenzen — was Monte Carlo nicht leistet

Eine parametrische Simulation steht auf zwei Annahmen: Die Trades sind unabhängig, und die Ergebnisverteilung ist stationär. Im echten Markt brechen beide Bedingungen gleichzeitig zusammen. Verluste tendieren dazu, sich zu häufen — wenn sich das Marktregime ändert, bewegen sich mehrere Trades hintereinander in dieselbe Richtung, und ein Modell, das unabhängig aus derselben Verteilung zieht, kann das nicht reproduzieren.

Das zweite Problem: Die Simulation verwendet genau die Geschichte, die du ihr gegeben hast. Wenn deine 100 Trades ausschließlich einen Aufwärtstrend in EUR/USD abdecken, sagt dir Monte Carlo nichts darüber, wie die Strategie in einer langen Konsolidierung oder nach einem heftigen 200-Pip-Zug nach US-Datenpublikationen funktioniert. Daher lohnt es sich, die Simulation mit der weiteren Analyse von Handelsstrategien zu kombinieren, um zu verstehen, ob der Edge auch über verschiedene Marktphasen stabil bleibt.

Die schwärzesten Drawdowns im realen Handel sehen häufig schlimmer aus als das 1-Prozent-Percentil aus einer sauberen Monte-Carlo-Studie — nicht besser. Behandle die Simulation als probabilistischen Boden, nicht als Decke.

Was jetzt zu tun ist

1. Ziehe eine Handelshistorie von mindestens 100 abgeschlossenen Trades aus deinem Journal oder dem Plattform-Export. Weniger als 100 Trades lassen die Statistik zu verrauscht werden, als dass Monte Carlo noch etwas Sinnvolles über die Verteilungsränder aussagen könnte. Hast du weniger, handle weitere sechs bis zwölf Wochen und kehre dann mit einer größeren Stichprobe zu dieser Übung zurück.
2. Öffne ein leeres Excel-Arbeitsblatt und baue die oben beschriebene parametrische Version nach. Trag deine eigene Trefferquote, den durchschnittlichen Gewinner, den durchschnittlichen Verlierer und dein Kapital ein, dupliziere die Spalten tausend Mal, drücke F9 und studiere die Streuung der Endwerte. Diese Stunde Arbeit zeigt dir, wie breit der Möglichkeitenfächer hinter deinem „Durchschnittsjahr" wirklich ist.
3. Lies das 5-Prozent-Percentil des maximalen Drawdowns aus den tausend Simulationen ab. Wenn es auf einen Rückgang von 30 Prozent hinweist, du aber weißt, dass deine psychologische Schmerzgrenze bei 15 Prozent liegt, liegt das Problem nicht in der Strategie, sondern in der Positionsgröße. Halbiere das Risiko je Trade und rechne neu, bis der 5-Prozent-Boden in deine Toleranz passt.
4. Führe nach einem Jahr Livehandel die Simulation erneut mit der neuen Handelshistorie durch und vergleiche die Verteilung mit der des Vorjahres. Wenn der Median gesunken und die Ränder breiter geworden sind, degradiert dein Edge — das ist der Moment, ernsthaft zu fragen, ob die Strategie noch funktioniert, bevor du sie blind weiter pflegst.
5. Ergänze die Monte-Carlo-Analyse durch einen Vergleich mit anderen Risikomaßen aus dem praktischen Traderwerkzeug. Kennzahlen wie Calmar Ratio oder Sharpe Ratio messen ähnliche Dimensionen, setzen aber andere Annahmen voraus. Wer mehrere Messgrößen gemeinsam liest, bekommt ein vollständigeres Bild davon, wie belastbar sein Edge wirklich ist — und wann es Zeit ist, die Strategie zu überdenken statt sie blind weiterzuführen.