Curve Fitting beim Backtesting erkennen und begrenzen
Curve Fitting entsteht, wenn ein Regelmodell so stark an historische Daten angepasst wird, dass zufällige Besonderheiten wie wiederholbare Zusammenhänge erscheinen.
Ein solches Modell kann im verwendeten Datensatz ein auffälliges historisches Ergebnis zeigen und sich in getrennten historischen Daten deutlich anders verhalten.
Ziel ist deshalb nicht, Überanpassung vollständig auszuschließen, sondern sie durch klare Annahmen, begrenzte Parameter und getrennte Daten sichtbar zu machen.
Auf den Punkt gebracht
Was ist Curve Fitting beim Backtesting?
Curve Fitting ist die zu starke Anpassung eines Regelmodells an historische Daten. Dabei werden möglicherweise zufällige Besonderheiten eines Datensatzes als wiederholbare Zusammenhänge interpretiert. Ein solches Modell kann im ursprünglichen Datensatz auffällig erscheinen und in getrennten historischen Daten ein deutlich anderes Verhalten zeigen.
Definition: Was ist Curve Fitting?
Curve Fitting, auch Überanpassung oder Backtest Overfitting genannt, bezeichnet die zu starke Anpassung eines Modells an einen bestimmten historischen Datensatz.
Das Modell bildet dann möglicherweise nicht nur die formulierte Annahme ab. Es übernimmt zusätzlich zufällige Besonderheiten, Ausnahmen und Rauschen aus den verwendeten Daten.
Woran lässt sich mögliche Überanpassung erkennen?
| Hinweis | Mögliche Bedeutung | Sinnvolle Untersuchung |
|---|---|---|
| Sehr viele einstellbare Parameter | Das Modell besitzt zahlreiche Möglichkeiten, historische Besonderheiten nachzubilden. | Prüfen, ob jeder Parameter aus der ursprünglichen Annahme ableitbar ist. |
| Ungewöhnlich auffälliges historisches Ergebnis | Das Ergebnis kann stärker durch Anpassung als durch einen stabilen Zusammenhang geprägt sein. | Getrennte Zeiträume und unverwendete Daten untersuchen. |
| Kleine Parameteränderungen verändern das Ergebnis stark | Das Modell hängt möglicherweise von einer sehr engen Einstellung ab. | Benachbarte Parameterwerte und Ergebnisbereiche vergleichen. |
| Regeln werden nach jedem ungünstigen Ergebnis verändert | Bereits bekannte Ergebnisse beeinflussen die nachträgliche Modellbildung. | Annahmen, Regeln und Änderungskriterien vorab dokumentieren. |
| Das Modell zeigt nur in einem Markt oder Zeitraum das erwartete Verhalten | Das Ergebnis kann von besonderen historischen Bedingungen abhängen. | Andere historische Marktbedingungen als Vergleich heranziehen. |
| Sehr komplizierte Sonderregeln | Zusätzliche Regeln können vor allem einzelne historische Ausnahmen erklären. | Mit einem einfacheren regelbasierten Referenzmodell vergleichen. |
Wie lässt sich Überanpassung begrenzen?
- Die Annahme vor der historischen Untersuchung schriftlich formulieren.
- Regeln aus der Annahme ableiten, statt sie allein aus Ergebnissen rückwärts zu entwickeln.
- Die Zahl der Parameter und getesteten Varianten dokumentieren.
- Entwicklungsdaten und getrennte historische Prüfdaten verwenden.
- Auch nicht ausgewählte Varianten und Änderungen nachvollziehbar festhalten.
- Benachbarte Parameterwerte statt nur einer optimal erscheinenden Einstellung untersuchen.
- Gebühren, Spreads und weitere Modellannahmen transparent machen.
- Ein komplexes Modell mit einer einfacheren Referenz vergleichen.
- Nicht nur das Gesamtergebnis, sondern auch einzelne Zeiträume und Marktbedingungen betrachten.
- Nachträgliche Änderungen als neue Modellversion behandeln.
Warum ist ein komplexeres Modell nicht automatisch aussagekräftiger?
Ein komplexeres Modell kann mehr historische Besonderheiten abbilden. Dadurch steigt jedoch auch die Zahl möglicher Anpassungen.
Zusätzliche Regeln sind nur dann fachlich begründet, wenn sie aus einer vorher formulierten Annahme hervorgehen und nicht ausschließlich ein bekanntes Ergebnis erklären.
Ein einfacheres Modell ist nicht automatisch richtiger. Es ist jedoch häufig leichter nachzuvollziehen, zu verändern und mit alternativen historischen Bedingungen zu vergleichen.
Curve Fitting im LTI-Kontext
Bei LearnTestInvest ist Curve Fitting nicht nur ein technisches Problem.
Eine starke Anpassung kann auch die spätere Selbstbeobachtung beeinflussen. Wenn ein Modell im Nachhinein immer weiter verändert wird, lässt sich schwerer unterscheiden:
- welche Annahme ursprünglich bestand;
- welche Regel vor dem Ergebnis formuliert war;
- welche Änderungen erst nach Betrachtung des Ergebnisses entstanden;
- welche Entscheidung der Nutzer tatsächlich getroffen hätte;
- ob die spätere Bewertung durch Outcome Bias beeinflusst wurde.
LTI soll deshalb die Entwicklung einer Annahme und ihrer Regelversionen nachvollziehbar machen.
Aussagekraft und Grenzen
- Überanpassung lässt sich begrenzen und untersuchen, aber nicht vollständig ausschließen.
- Ein auffälliges historisches Ergebnis ist kein Beweis, sondern nur ein Anlass für genauere Prüfung.
- Auch einfache Modelle können zufällige historische Beziehungen abbilden.
Häufige Fragen
Was ist Curve Fitting beim Backtesting?
Curve Fitting bezeichnet die zu starke Anpassung eines Regelmodells an historische Daten. Dabei können zufällige Besonderheiten des Datensatzes wie wiederholbare Zusammenhänge erscheinen.
Beweist ein auffälliges historisches Ergebnis Curve Fitting?
Nein. Ein auffälliges Ergebnis ist kein Beweis für Überanpassung. Es ist jedoch ein Anlass, Datenwahl, Parameterzahl, Modelländerungen und getrennte historische Zeiträume genauer zu untersuchen.
Sind einfache Modelle automatisch weniger überangepasst?
Nein. Auch ein einfaches Modell kann auf einer zufälligen historischen Beziehung beruhen. Einfache Modelle sind jedoch häufig leichter zu erklären und mit alternativen Daten zu vergleichen.
Lässt sich Curve Fitting vollständig ausschließen?
Nein. Überanpassung lässt sich untersuchen und begrenzen, aber nicht mit vollständiger Sicherheit ausschließen.
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.
Interne Weiterleitungen
Backtesting verstehen
Der zentrale Überblick zur Rolle historischer Referenzmodelle bei LearnTestInvest.
Aussagekraft und Grenzen von Backtests
Welche Aussagen sich aus historischen Simulationen ableiten lassen und wo ihre Aussagekraft endet.
Out-of-Sample-Test und Walk-Forward-Analyse
Wie getrennte historische Daten die Datenabhängigkeit eines Modells sichtbarer machen.