Monte Carlo Simulation Einleitung

Warum Monte-Carlo-Simulationen im Trading unverzichtbar sind

Ein klassischer Backtest zeigt nur eine einzige historische Realität: die exakt so eingetretene Reihenfolge von Trades.

Für das Risikomanagement im Trading ist das jedoch nicht ausreichend. Denn dieselbe Strategie kann – bei identischer Trefferquote und gleichem Erwartungswert – je nach Reihenfolge der Gewinne und Verluste völlig unterschiedliche Ergebnisse liefern:

• unterschiedliche Drawdowns
• unterschiedliche Erholungszeiten
• unterschiedliche Kapitalverläufe

Monte-Carlo-Simulationen beantworten daher eine zentrale Frage im Trading: Was hätte noch passieren können und was könnte künftig passieren? Statt nur eine Equity-Kurve zu betrachten, erzeugt Monte Carlo hunderte oder tausende alternative Verläufe, die statistisch auf den historischen Daten basieren. So lassen sich Risiken realistisch einschätzen – insbesondere Drawdown-Risiken und Worst-Case-Szenarien.

Am Ende haben wir für dich ein Python Skript bereit gestellt mit dem du alle vier unterschiedlichen Monte Carlo Simulationen durchführen kannt. Im Code ist ebenfalls eine Anleitung enthalten.

Die vier wichtigsten Monte-Carlo-Methoden im Überblick

In der Praxis haben sich vier Ansätze etabliert, die jeweils unterschiedliche Fragestellungen beantworten.

Ansatz 1: Reshuffle (Permutation)

Was wird gemacht?

Die historischen Trades bleiben unverändert, nur ihre Reihenfolge wird zufällig neu angeordnet.

Was misst diese Methode?

• Reines Sequence-Risk (Pfadabhängigkeit)
• Wie stark hängt das Ergebnis von der Reihenfolge der Trades ab?

Vorteile

• Keine statistischen Annahmen
• 100 % datengetreu
• Sehr gut zur Drawdown-Analyse geeignet

Einschränkung

• Keine neuen Extremereignisse möglich

Reshuffle ist die konservativste Monte-Carlo-Variante und eignet sich hervorragend als erste Robustheitsprüfung.

Was wird gemacht?

Die historischen Trades bleiben unverändert, nur ihre Reihenfolge wird zufällig neu angeordnet.

Was misst diese Methode?

• Reines Sequence-Risk (Pfadabhängigkeit)
• Wie stark hängt das Ergebnis von der Reihenfolge der Trades ab?

Vorteile

• Keine statistischen Annahmen
• 100 % datengetreu
• Sehr gut zur Drawdown-Analyse geeignet

Einschränkung

• Keine neuen Extremereignisse möglich

Reshuffle ist die konservativste Monte-Carlo-Variante und eignet sich hervorragend als erste Robustheitsprüfung.

Ansatz 2: Bootstrap (empirisches Resampling)

Was wird gemacht?

Trades werden zufällig mit Zurücklegen aus den historischen Daten gezogen. Ein Trade kann mehrfach auftreten oder gar nicht vorkommen.

Was misst diese Methode?

• Robustheit der Strategie
• Sampling-Risiken
• Streuung möglicher Kapitalverläufe

Vorteile

• Erhält die empirische Renditeverteilung
• Keine theoretische Verteilungsannahme
• Realistischere Streuung als Reshuffle

Einschränkung

• Zeitliche Abhängigkeiten zwischen Trades gehen verloren

Bootstrap ist ideal, um zu prüfen, wie stabil eine Strategie wirklich ist.

Ansatz 3: Gauß-Monte-Carlo (Normalverteilung)

Renditen werden aus einer Normalverteilung mit geschätztem Mittelwert und Standardabweichung simuliert.

Was misst diese Methode?

• Theoretischer Referenzfall
• Vergleich zu idealisierten Marktannahmen

Vorteile

• Einfach
• Mathematisch gut handhabbar

Einschränkung

• Keine Fat Tails
• Extremverluste werden massiv unterschätzt

Für echte Risikoanalysen ungeeignet, aber als Benchmark nützlich.

Ansatz 4: Monte-Carlo mit t-Verteilung (Student-t)

Was wird gemacht?

Ähnlich zur Normalverteilung, jedoch mit dicken Verteilungsschwänzen (Fat Tails). Die Freiheitsgrade steuern die Häufigkeit extremer Ereignisse.

Was misst diese Methode?

• Tail-Risiken
• Worst-Case-Szenarien
• Stress-Tests

Vorteile

• Realistischer für Finanzmärkte
• Ermöglicht Extremereignisse jenseits historischer Beobachtungen

Einschränkung

• Parametrische Annahme
• Freiheitsgrade müssen sinnvoll gewählt werden

Die t-Verteilung ist besonders wertvoll für institutionelle Risiko-Analysen.

Zusammenfassung

Ein Backtest beantwortet nur eine einzige Frage: Hat eine Strategie in der Vergangenheit funktioniert?

Für eine fundierte Trading-Entscheidung reicht das jedoch nicht aus. Denn Kapital wird nicht an der durchschnittlichen Rendite gemessen, sondern daran, wie stark es zwischendurch schwanken darf, ohne dass man gezwungen ist auszusteigen.

Genau hier setzt die Monte-Carlo-Simulation an. Sie erweitert den Backtest um eine zweite, entscheidende Dimension:

mögliche alternative Verläufe, die statistisch zur gleichen Strategie gehören, aber historisch nicht eingetreten sind.

Ein pratisches Beispiel

Stellen wir uns eine typische Situation aus dem Algo-Trading vor. Du analysierst eine Strategie, die in einem klassischen Backtest auf den ersten Blick sehr überzeugend wirkt. Über einen Zeitraum von 15 Jahren wurden rund 1.200 Trades ausgeführt. Die Trefferquote liegt bei 52 Prozent, der durchschnittliche Trade bringt etwa +0,18 Prozent, der maximale historische Drawdown beträgt −22 Prozent und die jährliche Wachstumsrate (CAGR) liegt bei rund +14 Prozent pro Jahr. Für viele Trader wäre das bereits ausreichend, um die Strategie live zu handeln oder sogar die Positionsgröße zu erhöhen.

Das Problem dabei ist jedoch, dass dieser Backtest nur eine einzige Abfolge von Gewinnen und Verlusten zeigt – genau so, wie sie historisch aufgetreten ist. In der Praxis ist das jedoch nicht die entscheidende Frage. Viel relevanter ist, was passiert, wenn dieselben Trades in einer ungünstigeren Reihenfolge auftreten. Hält das Kapital auch längere Verlustphasen aus? Ist der historische Drawdown tatsächlich repräsentativ? Und wie schlimm kann es realistisch werden, ohne dass die Strategie an sich fehlerhaft ist?

Um diese Fragen zu beantworten, wird zunächst eine Reshuffle-Monte-Carlo-Simulation durchgeführt. Dabei bleiben alle historischen Trades unverändert, lediglich ihre Reihenfolge wird zufällig neu angeordnet. Das Ergebnis zeigt, dass der Median-Drawdown bei etwa −24 Prozent liegt, das 95-Prozent-Quantil bereits bei rund −32 Prozent und einzelne Verläufe sogar Drawdowns von bis zu −38 Prozent erreichen. Die zentrale Erkenntnis daraus ist, dass der historische Drawdown von −22 Prozent eher ein günstiger Verlauf war. Allein durch eine andere Reihenfolge derselben Trades wären deutlich tiefere Drawdowns möglich gewesen – ohne dass sich die Strategie selbst verändert hätte. Der praktische Nutzen liegt hier vor allem in einer realistischeren Erwartungshaltung, einer angepassten Positionsgröße und der ehrlichen Beantwortung der Frage, ob man mental und finanziell einen Drawdown von 35 Prozent oder mehr tatsächlich aushalten kann.

Im nächsten Schritt folgt eine Bootstrap-Simulation. Hier werden Trades zufällig mit Zurücklegen aus den historischen Daten gezogen, sodass einzelne Trades mehrfach auftreten können, während andere gar nicht vorkommen.

Ergebnis:

• Median-CAGR: +13 %
• 10 %-Quantil: +7 %
• 5 %-Quantil: +3 %
• Einige Pfade enden nahezu seitwärts

Erkenntnis: Die Ergebnisse zeigen einen Median-CAGR von etwa +13 Prozent, ein 10-Prozent-Quantil von rund +7 Prozent und ein 5-Prozent-Quantil von nur noch etwa +3 Prozent. Einige simulierte Pfade verlaufen nahezu seitwärts. Die Erkenntnis daraus ist klar: Die Strategie besitzt zwar einen positiven Erwartungswert, aber nicht jeder plausible Verlauf führt zu komfortablen Renditen. Praktisch bedeutet das, dass ein guter Erwartungswert keine Garantie für eine angenehme Performance darstellt. Bootstrap hilft dabei, die Kapitalplanung realistischer zu gestalten und die Strategie gegenüber Investoren oder Kunden auf einer soliden, statistischen Basis zu kommunizieren.

Anschließend wird die Strategie mithilfe einer Monte-Carlo-Simulation auf Basis einer t-Verteilung analysiert. Dieser Ansatz erlaubt Extremereignisse, die historisch noch nicht aufgetreten sind, statistisch aber durchaus möglich wären.

Ergebnis:

• Einzelne Pfade mit Drawdowns > −45 %
• Lange Erholungsphasen nach extremen Verlustserien
• Teilweise mehrere Verlusttrades hintereinander, deutlich mehr als historisch beobachtet

Erkenntnis: In den Ergebnissen zeigen sich einzelne Pfade mit Drawdowns von mehr als −45 Prozent, sehr lange Erholungsphasen nach extremen Verlustserien und teilweise deutlich längere Verlustsequenzen als im historischen Backtest. Die zentrale Erkenntnis lautet, dass eine Strategie auch dann in extreme Stressphasen geraten kann, wenn sie diese bisher nie erlebt hat. Der praktische Nutzen liegt hier im echten Stress-Test des Gesamtkapitals und in fundierten Entscheidungen über geringere Positionsgrößen, zusätzliche Diversifikation oder klar definierte Drawdown-Limits und Stop-Trading-Regeln.

Zum Vergleich wird häufig auch eine Monte-Carlo-Simulation auf Basis einer Normalverteilung durchgeführt. Diese zeigt in der Regel deutlich geringere Drawdowns und kaum extreme Verlustpfade. Genau darin liegt jedoch das Problem: Die Normalverteilung vermittelt eine trügerische Sicherheit und unterschätzt die Risiken realer Finanzmärkte erheblich. Aus diesem Grund eignet sich die Gauß-Monte-Carlo höchstens als theoretischer Vergleich, nicht aber als Entscheidungsgrundlage für echtes Kapital.

Die zentrale Erkenntnis aus der Praxis ist damit eindeutig. Monte-Carlo-Simulationen beantworten nicht die Frage, ob eine Strategie profitabel ist – das leistet bereits der Backtest. Sie beantworten jedoch eine viel wichtigere Frage: Ob man die Strategie emotional, finanziell und strukturell überleben kann. Oder noch klarer formuliert: Der Backtest zeigt, was war. Monte Carlo zeigt, was realistisch passieren kann.

Eine Strategie mit +14 Prozent CAGR und einem historischen Drawdown von −22 Prozent kann in der Realität sehr wohl Drawdowns von −35 Prozent, −40 Prozent oder mehr erleben, ohne dass sie „kaputt“ ist. Monte-Carlo-Simulationen sorgen dafür, dass Kapital richtig dimensioniert wird, Erwartungen realistisch bleiben und funktionierende Strategien nicht im falschen Moment abgebrochen werden. Am Ende gewinnt nicht die Strategie mit dem schönsten Backtest, sondern diejenige, deren Risiken vorher verstanden und akzeptiert wurden.

Falls du mal ein kokretes Beispiel ausprobieren willst, dann habe ich hier für dich den Python Code sowie eine Input Datei bereitgestellt. Beides einfach herunterladen und in einem Ordner speichern. Den Python Code öffnest du am besten mit Visual Studio Code. Damit er fehlerfrei läuft, musst du dir natürlich die entsprechenden Pakete herunterladen.

Alternativ haben wir in diesem Beitrag >Link< hier auch noch ein interaktives Tool mit dem du ebenfalls Monte Carlo Simulationen durchführen kannst.

Python Monte Carlo Simulations Tool

Beispiel InputFile.xlsx

Download Beispieldatei InputFile.xlsx