Backtest-Kennzahlen gemeinsam einordnen
Keine einzelne Kennzahl kann die Aussage eines historischen Backtests vollständig zusammenfassen.
Rendite, Drawdown, Volatilität, Trefferquote, Testdauer und Modellannahmen müssen gemeinsam betrachtet werden.
Bei LearnTestInvest beschreiben Kennzahlen historische Eigenschaften eines Referenzmodells, nicht dessen zukünftige Qualität oder Eignung für eine konkrete Anlageentscheidung.
Auf den Punkt gebracht
Welche Kennzahlen sind bei einem Backtest wichtig?
Wichtige historische Backtest-Kennzahlen sind unter anderem Rendite, maximaler Drawdown, Volatilität, Trefferquote, Gewinn-Verlust-Verhältnis und Anzahl der Beobachtungen. Keine dieser Kennzahlen sollte isoliert als Qualitätsurteil verwendet werden. Erst die gemeinsame Betrachtung mit Datenbasis, Testzeitraum, Modellannahmen und tatsächlichem Entscheidungsverhalten ermöglicht eine nachvollziehbare Einordnung.
Definition: Was sind Backtest-Kennzahlen?
Backtest-Kennzahlen fassen bestimmte historische Eigenschaften eines Regelmodells numerisch zusammen.
Sie können beispielsweise beschreiben, wie sich der simulierte Wert verändert hat, welche historischen Rückgänge aufgetreten sind, wie stark die Ergebnisse geschwankt haben, wie häufig positive oder negative Einzelbeobachtungen vorkamen und wie viele Beobachtungen im Datensatz enthalten waren.
Eine Kennzahl bildet immer nur einen Ausschnitt ab.
Die wichtigsten Kennzahlen und ihre Grenzen
| Kennzahl | Was sie historisch beschreibt | Was sie nicht beschreibt |
|---|---|---|
| Gesamtrendite | Die Wertveränderung über den vollständigen Testzeitraum | Wie gleichmäßig, stabil oder wiederholbar dieses Ergebnis war |
| Annualisierte Rendite | Eine rechnerisch auf ein Jahr umgelegte historische Wertveränderung | Den tatsächlichen Verlauf einzelner Jahre |
| Maximaler Drawdown | Den größten historischen Rückgang von einem vorherigen Höchststand | Die Höhe eines möglichen zukünftigen Rückgangs |
| Volatilität | Die Stärke historischer Schwankungen | Alle Formen von Unsicherheit oder persönlicher Verlustwahrnehmung |
| Trefferquote | Den Anteil historisch positiver Einzelbeobachtungen | Die Höhe positiver und negativer Einzelwerte |
| Gewinn-Verlust-Verhältnis | Das Verhältnis durchschnittlich positiver zu durchschnittlich negativer Einzelwerte | Wie häufig diese Werte auftreten |
| Anzahl der Beobachtungen | Den Umfang der untersuchten historischen Fälle | Ob die Fälle unabhängig, vollständig oder repräsentativ sind |
| Sharpe Ratio oder ähnliche Verhältniskennzahlen | Eine rechnerische Beziehung zwischen historischem Mehrertrag und Schwankung | Alle Risiken, Annahmen oder zukünftigen Ergebnisverteilungen |
Welche Kennzahlen sollten gemeinsam betrachtet werden?
- historische Rendite und maximaler Drawdown;
- Trefferquote und durchschnittliche Höhe positiver und negativer Beobachtungen;
- Volatilität und Länge des Testzeitraums;
- Gesamtergebnis und einzelne historische Marktphasen;
- Ergebnis vor Kosten und Ergebnis nach modellierten Kosten;
- Anzahl der Beobachtungen und Datenqualität;
- Modellkennzahl und einfache regelbasierte Referenz;
- Kennzahl und zugrunde liegende Annahme.
Warum ist die höchste historische Rendite kein Qualitätsbeweis?
Eine hohe historische Rendite kann unterschiedliche Ursachen haben:
- eine bestimmte historische Marktphase;
- hohe Schwankungen;
- einzelne außergewöhnliche Beobachtungen;
- eine starke Anpassung an den Datensatz;
- ausgelassene Gebühren oder Ausführungsannahmen;
- selektiv ausgewählte Märkte;
- eine geringe Zahl an Beobachtungen.
Die Kennzahl zeigt deshalb nicht automatisch, dass die ursprüngliche Annahme überzeugend begründet war.
Kennzahlen und Entscheidungsqualität
Bei LearnTestInvest wird Entscheidungsqualität nicht mit Rendite gleichgesetzt.
Eine nachvollziehbare Entscheidung kann zu einem ungünstigen Ergebnis führen. Eine unklar begründete Entscheidung kann zufällig ein günstiges Ergebnis erzeugen.
Kennzahlen sollen deshalb gemeinsam mit folgenden Fragen betrachtet werden:
- Welche Annahme bestand vor der Entscheidung?
- Welche Informationen waren damals verfügbar?
- Welche Regel war formuliert?
- Welche Entscheidung wurde tatsächlich getroffen?
- Gab es eine Abweichung vom Regelmodell?
- Wodurch wurde die Abweichung ausgelöst?
- Hat das spätere Ergebnis die Bewertung der Entscheidung verändert?
Historischer Drawdown und subjektive Risikowahrnehmung
Der maximale Drawdown beschreibt einen historischen Rückgang im verwendeten Datensatz.
Er sagt nicht automatisch aus, wie ein Nutzer diesen Rückgang erlebt hätte. Zwei Personen können denselben historischen Verlauf unterschiedlich wahrnehmen und unterschiedlich darauf reagieren.
LTI kann deshalb die historische Kennzahl mit dem dokumentierten Entscheidungsverhalten vergleichen, ohne eine emotionale Reaktion pauschal als richtig oder falsch zu bewerten.
Aussagekraft und Grenzen
- Keine einzelne Kennzahl bildet die Aussage eines Regelmodells vollständig ab.
- Kennzahlen beschreiben historische Eigenschaften und keine verlässliche zukünftige Ergebnisverteilung.
- Kennzahlen ersetzen weder die Prüfung der Datenqualität noch die Reflexion des tatsächlichen Entscheidungsverhaltens.
Häufige Fragen
Welche Kennzahl ist bei einem Backtest am wichtigsten?
Es gibt keine einzelne wichtigste Kennzahl. Historische Rendite, Drawdown, Volatilität, Trefferquote, Testdauer, Datenqualität und Modellannahmen müssen gemeinsam betrachtet werden.
Ist eine hohe Trefferquote automatisch positiv?
Nein. Ein Modell kann häufig kleine positive und selten sehr große negative Einzelwerte zeigen. Die Trefferquote muss deshalb gemeinsam mit der Höhe und Verteilung der Ergebnisse betrachtet werden.
Zeigt der maximale Drawdown das größtmögliche zukünftige Risiko?
Nein. Der maximale Drawdown beschreibt nur den größten Rückgang innerhalb der verwendeten historischen Daten. Ein zukünftiger Rückgang kann anders oder größer ausfallen.
Kann eine Kennzahl zeigen, ob eine Entscheidung gut war?
Nein. Eine Kennzahl beschreibt ein historisches Ergebnis oder eine Eigenschaft des Regelmodells. Sie zeigt nicht allein, ob die Entscheidung mit den damals verfügbaren Informationen nachvollziehbar war.
Autor und Veröffentlichung
Jorge Leyria
31.07.2026
31.07.2026
Methodik-Hinweis
Die dargestellten Beispiele und Kennzahlen dienen der Erklärung historischer Untersuchungsmethoden. Sie stellen keine Prognose, Empfehlung oder Bewertung einer konkreten Anlageentscheidung dar. Historische Ergebnisse hängen von Datenbasis, Zeitraum, Modellannahmen und Berechnungsmethode ab.
Bildungshinweis
Die Inhalte und Funktionen von LearnTestInvest dienen der Bildung, Simulation, Selbstbeobachtung und Analyse von Investitionsentscheidungen. Sie stellen keine individuelle Anlageberatung, Finanzberatung, Kaufempfehlung, Verkaufsempfehlung oder Aufforderung zum Handel dar. Historische Daten, Simulationen, Regelmodelle und Kennzahlen erlauben keine verlässlichen Aussagen über zukünftige Entwicklungen oder Ergebnisse.