Alphawave Glossar
Overfitting
Auch: Überanpassung
Wenn eine Strategie so stark an historische Daten angepasst wird, dass sie diese sehr gut erklärt, im Live-Betrieb jedoch versagt. Vermeidung erfolgt u. a. durch Out-of-Sample-Tests und Walk-Forward-Analysen.
Overfitting ist der Klassiker unter den Backtest-Fallen: Ein Modell passt sich so eng an historische Daten an, dass es nur diese erklärt, und in der Zukunft scheitert.
Schutz dagegen liefern Out-of-Sample-Tests, Walk-Forward-Analyse, Cross-Validation und gesunde Skepsis gegenüber zu schönen Resultaten.
Die mit Abstand häufigste Quant-Falle
Overfitting entsteht, wenn ein Modell so viele Parameter oder Varianten testet, dass es die Vergangenheit perfekt erklärt, aber keine echten Marktregelmäßigkeiten erfasst. Es ist das quant. Äquivalent zu Mustern in Wolken: alles ist erkennbar, nichts davon verlässlich.
Marcos López de Prado nennt es „den größten ungelösten Skandal der Finanzforschung“ und zeigt: Werden ausreichend Strategien getestet, taucht eine vermeintlich „signifikante“ rein zufällig auf.
Schutzmechanismen
Out-of-Sample-Tests, Walk-Forward-Analyse, k-fold Cross-Validation, Multiple-Testing-Korrekturen (Bonferroni, Deflated Sharpe Ratio) und schlicht: Demut. Eine Strategie, die nur unter sehr spezifischen Parametern funktioniert, ist meist tot.