Überoptimierung (Curve Fitting) vermeiden

„Im Backtest erzielte der EA 50 % Jahresrendite – kaum im Echtbetrieb gestartet, ging es nur noch bergab." Der häufigste Misserfolg beim EA-Trading hat fast immer dieselbe Wurzel: Curve Fitting (Überoptimierung / Overfitting).

Dieser Artikel erklärt, warum Curve Fitting entsteht, wie man es erkennt und wie man es bereits in der Designphase verhindert.

Was ist Curve Fitting?

Curve Fitting bezeichnet das Phänomen, bei dem Parameter oder Logik eines EA ausschließlich auf vergangene, spezifische Kursbewegungen zugeschnitten werden. Historische Daten enthalten stets zufällige Ausschläge, die sich nie genau wiederholen. Parameter, die diese Zufälligkeiten perfekt abbilden, scheitern zwangsläufig an künftigen, neuen Zufälligkeiten.

In der Sprache des maschinellen Lernens: Das Modell ist auf Trainingsdaten überangepasst und bricht auf Testdaten ein.

Warum entsteht Curve Fitting?

Die Hauptursachen sind:

Zu viele Parameter

Mit zehn oder zwanzig Parametern lässt sich nahezu jede vergangene Kursbewegung annähernd perfekt nachzeichnen. Das ist jedoch kein Marktverständnis – es ist bloßes Nachzeichnen.

Wiederholte Optimierungsläufe

Wird derselbe Datensatz immer wieder optimiert, passt sich das Modell schrittweise den Besonderheiten genau dieses Datensatzes an. Je mehr Iterationen, desto geringer die Wahrscheinlichkeit, dass das Ergebnis auf künftigen Märkten funktioniert.

Falsche Bewertungsmetriken

Wer ausschließlich auf „maximaler Gesamtgewinn" optimiert, wählt extreme Parameter, die Risiken ignorieren. Strategien, die mit wenigen großen Gewinntrades brillieren, wiederholen sich in der Praxis selten.

Erkennungsmerkmale

Folgende Warnsignale deuten auf Curve Fitting hin:

1. Zahlen, die zu schön aussehen

PF über 3,0, Trefferquote über 80 %, Jahresrendite über 100 % – bei solchen Werten ist Curve Fitting fast sicher. EAs, die diese Niveaus langfristig im Echtbetrieb halten, sind äußerst selten.

2. Zu wenige Trades

Ein PF von 2,0 auf Basis von einigen Dutzend Trades hat keine statistische Aussagekraft. Mindestens 200 Trades, besser 500 oder mehr, sind erforderlich, damit eine Auswertung überhaupt vertrauenswürdig ist.

3. Stark schwankende Jahresergebnisse

Analysiert man die jährliche Gewinnkurve, fällt manchmal auf, dass einzelne Jahre extrem gut und andere extrem schlecht laufen. Solche Schwankungen deuten auf starke Abhängigkeit von bestimmten Marktphasen hin.

4. Schlechtere Ergebnisse im jüngsten Zeitraum

Wenn ein EA in den letzten ein bis zwei Jahren eines sonst positiven Zehnjahres-Backtests deutlich schlechter abschneidet, stimmt die Logik mit dem aktuellen Markt möglicherweise nicht mehr überein.

5. Hohe Parametersensitivität

Verschlechtert sich das Ergebnis erheblich, wenn man den optimalen Parameter um ±10 % verändert, ist das ein Warnsignal. Der EA sitzt auf einem spitzen Gipfel – schon geringe Marktveränderungen lassen ihn abstürzen.

Gegenmaßnahmen in der Designphase

Curve Fitting ist leichter zu verhindern als nachträglich zu beheben.

1. Parameterzahl minimieren

Nur Parameter, die logisch begründet sind, sollten ins EA-Design einfließen. „Den Parameter einbauen, weil man ihn anpassen kann" ist ein Fehler. Als Faustregel gilt: maximal 3 bis 5 Optimierungsparameter.

2. Out-of-Sample-Validierung konsequent durchführen

Bei zehn Jahren Daten: Die ersten sieben Jahre für die Optimierung nutzen, die letzten drei Jahre ausschließlich zur Validierung. Nur Parameter, die in beiden Zeiträumen ähnlich gut abschneiden, werden übernommen.

3. Tests auf mehreren Instrumenten und Zeitrahmen

Ein EA, der „nur auf XAUUSD H1 funktioniert", könnte bereits an diese spezifische Kombination überangepasst sein. Zeigt die Logik auch auf EURUSD oder USDJPY eine konsistente Tendenz, ist das ein Zeichen für echte Robustheit.

4. Logik erklärbar machen

Es muss möglich sein, mit Marktmechanismen zu begründen, warum ein bestimmter Parameter mit einer bestimmten Logik funktioniert. „Weil es im Backtest Gewinne erzielt hat" ist keine Begründung – es fehlt die Basis für zukünftigen Erfolg.

5. Optimierung bewusst begrenzen

Nicht zu viele Generationen laufen lassen, Bewertungsmetriken um Filter für „Mindestanzahl Trades" und „maximalen DD" ergänzen, den Medianwert aus den besten Ergebnissen wählen – solche Maßnahmen erhöhen die Curve-Fitting-Resistenz.

Den Mut haben, „durchschnittliche Zahlen" zu wählen

Es liegt in der menschlichen Natur, aus Optimierungsergebnissen den besten Wert herauszugreifen. Erfahrene EA-Trader wählen jedoch bewusst den Parameter mit durchschnittlichen, nicht optimalen Werten.

Der Grund ist einfach: Parameter, die mittelmäßige Ergebnisse liefern, bleiben auch dann stabil, wenn sich der Markt leicht verändert. Parameter, die Spitzenergebnisse liefern, sind nur unter genau jenen Bedingungen optimal.

Unser Ansatz auf dieser Website

Der GOLD_EMA_ATR_EA (XAUUSD H1) wurde nach folgenden Grundsätzen entwickelt:

• Nur drei Optimierungsparameter (EMA kurz / EMA lang / ATR-Faktor)
• Sieben Jahre Optimierungsdaten, drei Jahre Out-of-Sample-Validierung (aus zehn Jahren Gesamtdaten)
• Übernahme des Medianwerts aus Lösungen, die im Bereich „1–3 % Jahresrendite, maximaler DD 5–10 %" liegen
• Ergebnis: konservative Kennzahlen von PF 1,30 und Jahresrendite 1,7 %

Gerade weil die Zahlen nicht spektakulär sind, ist das Design widerstandsfähig gegenüber Marktveränderungen.

Zusammenfassung

Curve Fitting ist die größte Falle im EA-Trading. Je „traumhafter" die Backtest-Ergebnisse aussehen, desto größer sollte die Skepsis sein.

„Durchschnittliche Zahlen – langfristig und zuverlässig" – das ist der stille, aber solide Weg zum Erfolg im EA-Trading.

Kostenloser EA-Download

Der GOLD_EMA_ATR_EA ist ein EA, der gezielt auf Überoptimierung verzichtet, und steht kostenlos zum Download bereit. Ein ausführlicher Validierungsbericht ist enthalten.

Kostenlosen EA herunterladen

Empfohlene Broker

Um im Echtbetrieb Ergebnisse zu erzielen, die dem Backtest möglichst nahekommen, ist die Wahl eines Brokers mit hoher Ausführungsqualität entscheidend.

Empfohlene Broker ansehen