Wenn Daten die Meinung ändern: Bayesianisches Denken als Werkzeug des systematischen Traders

1. Unsicherheit als Grundzustand

Moderne Finanzmärkte sind von fundamentaler Unsicherheit geprägt:

Preise reflektieren nicht deterministische Gesetzmäßigkeiten, sondern Wahrscheinlichkeitsaussagen über zukünftige Zustände. Für Trader und Investoren ist daher weniger die exakte Vorhersage einzelner Outcomes relevant als vielmehr der systematische Umgang mit Unsicherheit.

Bayesianisches Denken bietet hierfür einen konsistenten Rahmen:

Annahmen über die Welt werden explizit als Wahrscheinlichkeiten modelliert und bei neuer Information schrittweise angepasst. Diese Perspektive ist insbesondere für systematische Händler attraktiv, da sie eng mit Konzepten wie Expected Value, Risikomanagement und adaptiven Modellen verknüpft ist.

Thomas Bayes war ein englischer Geistlicher und Mathematiker des 18. Jahrhunderts, der zu Lebzeiten kaum Bekanntheit erlangte – und dennoch heute zu den einflussreichsten Namen der Statistik zählt. Als presbyterianischer Nonkonformist wirkte er vor allem als Prediger, beschäftigte sich jedoch nebenbei intensiv mit mathematischen Fragen seiner Zeit, etwa mit der Verteidigung von Newtons Infinitesimalrechnung gegen philosophische Kritik.

Sein eigentlich bahnbrechender Beitrag erschien erst nach seinem Tod: In dem posthum veröffentlichten Essay „An Essay Towards Solving a Problem in the Doctrine of Chances“ formulierte Bayes eine Methode, wie man aus beobachteten Häufigkeiten auf zugrunde liegende Wahrscheinlichkeiten schließen kann – das, was wir heute als Bayes’schen Satz kennen. Dieser Ansatz legte den Grundstein für die Bayessche Statistik: eine systematische Art, Überzeugungen als Wahrscheinlichkeiten zu modellieren und mit neuer Evidenz zu aktualisieren. In der modernen Finanzwelt bildet genau dieses Prinzip die intellektuelle Basis dafür, wie wir Trading-Strategien bewerten, Risiken neu kalibrieren und unsere Modelle an sich verändernde Märkte anpassen.

Quelle: https://commons.wikimedia.org/wiki/File:Thomas_Bayes.gif

2. Bayesianische Perspektive auf Wahrscheinlichkeit

In der klassischen Statistik wird Wahrscheinlichkeit als Langfristfrequenz eines Ereignisses verstanden: „Die Wahrscheinlichkeit beträgt 60 %“ bedeutet, dass in einer unendlichen Folge identischer Experimente etwa 60 % der Versuche dieses Ereignis zeigen würden.

Bayesianische Statistik interpretiert Wahrscheinlichkeit hingegen als Maß für den subjektiven Grad an Überzeugung einer rationalen Person, gegeben aktuelles Wissen.

Damit wird explizit anerkannt, dass unterschiedliche Marktteilnehmer – mit unterschiedlichem Informationsstand und unterschiedlicher Erfahrung – verschiedene Wahrscheinlichkeiten für dasselbe Ereignis ansetzen können, ohne dass dies per se „falsch“ ist. Wichtig ist lediglich, dass die jeweiligen Wahrscheinlichkeiten konsistent aktualisiert werden, wenn neue Evidenz hinzukommt.

Diese Interpretation passt sehr gut zum Trading-Alltag: Ob eine Strategie robust ist, ob ein Regimewechsel bevorsteht oder ob ein Trend intakt bleibt, ist selten rein über Frequenzen definierbar, sondern beruht auf Verdichtungen von Erfahrung, heuristischen Modellen und Daten.

3. Kernbegriffe: Prior, Likelihood, Posterior

Die bayesianische Methodik operiert mit drei zentralen Bausteinen:

1. Prior

   
   

   Prior beschreibt die anfängliche Überzeugung über einen Parameter oder eine Hypothese, bevor neue Daten berücksichtigt werden.

   
   

   Beispiele im Trading:

   • Einschätzung der Wahrscheinlichkeit, dass eine neue Strategie einen echten Edge besitzt.

   • Vorannahme über das aktuelle Marktregime (Trend, Seitwärtsphase, Crash).

   • 
     

2. Likelihood

   
   

   Likelihood beschreibt, wie gut ein bestimmter Parameterwert oder eine Hypothese die beobachteten Daten erklärt. Formal ist es die Wahrscheinlichkeit der beobachteten Daten unter der Annahme, dass die Hypothese wahr ist.

   
   

   Im Trading-Kontext:

   • Wie plausibel ist die beobachtete Serie von Gewinnen/Verlusten, wenn die Strategie tatsächlich die im Backtest gefundene Trefferquote besitzt?

   • Wie wahrscheinlich sind die aktuellen Preisbewegungen, wenn der Markt im angenommenen Regime verharrt?

   • 
     

3. Posterior

   
   

   Posterior ist die aktualisierte Überzeugung nach Einbezug der neuen Daten. Er verbindet Prior und Likelihood über den Satz von Bayes und bildet die Grundlage für weitere Entscheidungen.

   
   

   In der Praxis werden Posterior-Verteilungen iterativ zu neuen Priors: Jede neue Datencharge verfeinert den Wissensstand – ein natürlicher Mechanismus für adaptive Handelsmodelle.

Formal lässt sich der bayesianische Update-Schritt als

Posterior∝Prior×Likelihood

schreiben, wobei die Proportionalität über eine Normierungskonstante aufgelöst wird. Für das Verständnis des Denkansatzes ist diese Formel allerdings weniger entscheidend als die dahinterstehende Idee: Vorwissen und Daten wirken gemeinsam.

4. Bayesianisches Denken im Trading: Ein konkretes Beispiel

4.1. Setup: Neue Trendfolge-Strategie

Betrachten wir eine neu entwickelte Trendfolge-Strategie auf Index-Futures. Nach umfangreichem Backtesting über mehrere Marktphasen (Bullenmarkt, Bärenmarkt, Seitwärtsphasen) und zusätzlichen Robustheitstests (Walk-Forward, Parameter-Variationen, Out-of-Sample) schätzt der Trader die Wahrscheinlichkeit, dass die Strategie einen echten Edge besitzt, auf 70 %.

Damit lassen sich zwei konkurrierende Hypothesen formulieren:

• Hypothese A (Edge): Die wahre Trefferquote der Strategie liegt signifikant über 50 %, z.B. um 60 %.

• Hypothese B (kein Edge): Die Strategie ist im Kern zufällig oder überoptimiert; die effektive Trefferquote liegt bei 50 % oder schlechter.

Die Prior-Wahrscheinlichkeiten seien:

• P(A)=70%

• P(B)=30%

4.2. Erste Live-Daten: 10 Trades

Die Strategie wird zunächst mit reduzierter Positionsgröße live gehandelt, um reale Marktdaten zu sammeln und Modellrisiko zu kontrollieren. Nach den ersten 10 Trades ergibt sich folgende Bilanz:

• 3 Gewinntrades

• 7 Verlusttrades

Im Backtest lag die erwartete Trefferquote bei etwa 60 %, also wären 6 von 10 Gewinnen ein typischer Wert gewesen. Die Beobachtung 3/10 Gewinne weicht davon deutlich ab und stellt somit neue Evidenz dar.

Bayesianisch relevant sind nun zwei Fragen:

1. Wie wahrscheinlich ist ein Ergebnis von 3/10 Gewinnen, wenn A wahr ist (die Strategie hat tatsächlich eine Trefferquote von etwa 60 %)?

2. Wie wahrscheinlich ist dasselbe Ergebnis, wenn B wahr ist (die Strategie ist effektiv zufällig und hat etwa 50 % Trefferquote oder schlechter)?

Intuitiv gilt:

• Unter A ist 3/10 zwar möglich, aber relativ unwahrscheinlich – eine eher schlechte Stichprobe.

• Unter B passt 3/10 deutlich besser: eine mäßige oder schwache Strategie erzeugt häufiger derartige Serien.

Damit spricht die beobachtete Datenserie eher gegen Hypothese A als gegen Hypothese B.

4.3. Qualitatives Bayesian-Update

Vor Beobachtung der Daten lag die subjektive Edge-Wahrscheinlichkeit bei 70 %. Nach Beobachtung der 10 Trades verschiebt sich diese Einschätzung. Ein plausibler qualitativer Update könnte sein:

• P(A∣Daten)≈40–50%

• P(B∣Daten)≈50–60%

Diese Zahlen dienen hier lediglich der Illustration der Richtung des Updates, nicht einer exakten Berechnung. Entscheidend ist:

• Die Überzeugung, dass ein Edge existiert, sinkt signifikant, aber nicht auf null.

• Ein rationaler Bayesianer würde die Strategie nicht sofort verwerfen, sondern die weiteren Daten mit erhöhter Skepsis beobachten und gegebenenfalls Risiko weiter begrenzen.

  
  

4.4. Weitere Daten und iteratives Lernen

Setzen wir das Beispiel fort. Angenommen, die nächsten 20 Trades verlaufen deutlich besser: 14 Gewinne und 6 Verluste, was einer Trefferquote von 70 % in dieser Teilstichprobe entspricht. Unter der Hypothese eines realen Edges (z.B. 60 % Trefferquote) wäre eine solche Sequenz gut kompatibel, wohingegen sie unter einer „kein Edge“-Hypothese deutlich unwahrscheinlicher erscheint.

In einem bayesianischen Rahmen führt dies zu einem erneuten Update der Einschätzungen:

• Die Posterior-Wahrscheinlichkeit für einen Edge steigt wieder an.

• Gleichzeitig wird der Trader sich bewusst, dass die zuvor beobachtete schwache Phase (3/10) durchaus im Rahmen der erwarteten Schwankungen liegen kann.

Dieser iterative Prozess – schwache Phase → reduzierte Überzeugung → starke Phase → wieder erhöhte Überzeugung – ist charakteristisch für bayesianisches Denken in Märkten: Meinungen sind nicht statisch, sondern folgen einem kontrollierten Anpassungsprozess.

5. Bauchgefühl vs. bayesianische Rationalität

In der Praxis neigen viele Trader zu extremen Reaktionen auf kurze Datenserien:

• Nach einer Serie von Verlusttrades werden Systeme vorschnell verworfen.

• Nach kurzen Gewinnphasen werden Strategien über hebelt und Risiken hochgefahren.

Das „Bauchgefühl“ fokussiert sich dabei oft auf die beobachtete Trefferquote in einem kleinen Sample, ohne explizit zu berücksichtigen, wie wahrscheinlich solche Abweichungen unter der ursprünglichen Hypothese waren.

Bayesianisches Denken geht systematischer vor:

1. Es berücksichtigt Base Rates (Priors): Wie plausibel war ein Edge überhaupt, angesichts Backtestqualität, ökonomischer Begründung und Modellkomplexität?

2. Es bewertet neue Daten im Kontext: Ist die beobachtete Performance im Rahmen der im Backtest gesehenen Varianz, oder deutet sie auf strukturelle Instabilität hin?

3. Es passt Überzeugungen graduell an, statt „alles oder nichts“-Entscheidungen auf Basis dünner Evidenz zu treffen.

Ein zentrales Motiv ist damit das „smoothing“ von Updates: Signale werden nicht überinterpretiert, sondern in Relation zur existierenden Evidenz gewichtet. Dies wirkt wie ein probabilistischer Tiefpassfilter auf die natürliche Rauschhaftigkeit von PnL und Kennzahlen – eine Perspektive, die speziell für Ingenieure aus der Signalverarbeitung intuitiv anschlussfähig ist.​

6. Verbindung zu Expected Value und Risikomanagement

Bayesianisches Denken entfaltet seine volle Wirkung, wenn es mit dem Konzept des Erwartungswerts (Expected Value, EV) kombiniert wird. Der EV eines Trades oder Systems lässt sich schreiben als

EV=P(Gewinn)×Gewinnbetrag−P(Verlust)×Verlustbetrag.

Bayesianische Updates ändern dabei nicht nur die subjektiven Wahrscheinlichkeiten der Hypothesen („Edge“ vs. „kein Edge“), sondern auch die daraus abgeleiteten EVs:

• Sinkt die Posterior-Wahrscheinlichkeit für einen Edge, reduziert sich der erwartete Wert zukünftiger Trades; konsequente Umsetzung bedeutet Positionsgrößenreduktion oder Aussetzung des Systems.

• Steigt sie, kann – im Rahmen eines übergeordneten Risikomanagements und etwaiger Kelly-orientierter Überlegungen – eine moderate Risikoadjustierung nach oben sinnvoll sein.

In aggregierter Form führt dies zu einer Sicht auf Trading als „professionelles Unsicherheitsmanagement“: Der Trader verwaltet einen Strom von Hypothesen und Wahrscheinlichkeiten, statt sich an deterministische Prognosen zu klammern.

7. Praktische Implikationen für systematische Trader

Für systematische Händler ergeben sich aus bayesianischem Denken mehrere konkrete Handlungsprinzipien:

• Explizite Priors formulieren: Schon vor dem ersten Live-Trade sollten Annahmen über die Robustheit einer Strategie und die Bandbreite realistischer Performanceszenarien festgehalten werden.

• Backtests als Prior-Generator verstehen: Backtests liefern keine Wahrheit, sondern strukturierte Vorannahmen über Trefferquoten, Drawdowns und Regimeverhalten, die später durch Live-Daten aktualisiert werden.

• Kontinuierliche Posterior-Updates: Performance-Metriken, Regimeindikatoren (z.B. Volatilitätsstruktur, Korrelationen) und Marktmikrostruktur-Signale können genutzt werden, um Wahrscheinlichkeiten laufend zu adjustieren.

• Entscheidungen an Posterioren koppeln: Positionsgrößen, Kapitalallokation zwischen Strategien und Deaktivierungsregeln sollten explizit an posteriori Wahrscheinlichkeiten oder abgeleitete Kenngrößen wie EV geknüpft werden.

  
  

Zahlreiche moderne Ansätze in der quantitativen Finanzforschung – von Kalman-Filtern über Bayes’sche Regressionsmodelle bis hin zu Black-Litterman-Portfoliomodellen – sind letztlich technische Ausprägungen dieses grundlegenden Prinzips, Wissen sequentiell mit Daten zu verschmelzen.

Bayesianisches Denken transformiert Trading von einem Versuch der punktgenauen Vorhersage in ein strukturiertes Management von Unsicherheit. Anstatt Strategien nach wenigen Trades als „gut“ oder „schlecht“ zu etikettieren, werden Überzeugungen in Form von Wahrscheinlichkeiten formuliert und bei neuer Evidenz kontrolliert angepasst.

Für den praktischen Systementwickler bedeutet dies: Backtests liefern Priors, Live-Daten liefern Likelihoods, und die eigentliche Kunst besteht darin, daraus konsistente Posterior-Überzeugungen abzuleiten, die wiederum in konkrete Entscheidungen zu Positionsgrößen, Risiko und Strategieallokation überführt werden. In einer Welt, in der Märkte permanent neue Informationen generieren, ist diese Art des Denkens weniger ein theoretischer Luxus als eine notwendige Voraussetzung für langfristig robustes, systematisches Trading.

Denkt bitte immer daran: Das einzige, was ihr kontrollieren könnt, ist das Risiko!

Dem Markt ist es völlig egal, was/wie euer Entry war !