Vollständiges Transkript von „MIT Found a Strategy With a Sharpe Ratio of 53. I Tested It.“. Klicke auf einen Zeitstempel, um das Video an dieser Stelle zu öffnen. Du brauchst ein anderes Video? Nutze den YouTube-Transkript-Generator.
0:00 Dies ist ein Forschungspapier des MIT. Und die darin enthaltene Handelsstrategie hat eine Sharpe-Ratio von 53. Ihr Backtest von 1995 ergab einen Durchschnitt von etwa 1,38%pro Tag. Das sind etwa 140 Dollar Gewinn pro Tag für jede 10.000 Dollar, die mit dieser Strategie gehandelt werden. Normalerweise werde ich misstrauisch, wenn eine Sharpe-Ratio über zwei oder drei liegt, aber das Seltsamste hier ist, dass die Regel peinlich einfach ist. Man kauft Aktien, die hinter dem Markt zurückgeblieben sind, und geht bei denen short, die ihm vorausgeeilt sind. Wenn es Ihnen also wie mir geht, fragen Sie sich sicher: Wo ist der Haken und funktioniert das heute überhaupt noch? Nun, ich habe die Regeln genommen, das System komplett von Grund auf neu programmiert und es mit Aktien und Krypto getestet. Ich wollte wissen, ob dieser Vorsprung tatsächlich bestehen bleibt, sobald man anfängt, echte Live-Trades mit der Strategie zu platzieren. Und ich muss sagen, was ich herausgefunden habe, hat mich wirklich überrascht. In diesem Video zeige ich Ihnen also genau, wie die Strategie funktioniert, was bei
0:45 meinem Test herauskam und ob man sie heute tatsächlich noch handeln kann. Das führt uns zurück in den August 2007, als mehrere Quant-Fonds zur gleichen Zeit viel Geld verloren. Dies veranlasste Cohan und Low, die dieses Papier verfassten, dazu, zu untersuchen , was in dieser Zeit tatsächlich geschah. Sie verwendeten eine sehr einfache Kontraindikator-Strategie, um zu untersuchen, wie sich Portfolios unter Verkaufsdruck verhalten könnten. Ihr Modell fiel extrem stark und erholte sich dann wieder, was ihnen half, den Ausverkauf zu untersuchen. Und das ist die Regel der Strategie, die wir heute tatsächlich testen. Die Idee dahinter ist eine querschnittliche Umkehr. Wir vergleichen Aktien miteinander und wetten darauf, dass sich die zurückgebliebenen im Verhältnis zu den vorausgeeilten erholen werden. Lassen Sie es mich Ihnen an drei imaginären Aktien zeigen , damit Sie das Prinzip verstehen. Nehmen wir an, die erste Aktie fällt um 2%, die zweite steigt um 1%und die dritte steigt um 4%. Der Durchschnitt dieser Aktien liegt bei plus 1%. Das
1:30 ist die Zahl, mit der wir jede einzelne vergleichen. Damit liegt die erste Aktie drei Prozentpunkte unter dem Durchschnitt und die letzte drei Punkte darüber. Wir würden also die erste kaufen und die letzte leerverkaufen. Die mittlere Aktie liegt genau auf dem Durchschnitt, also lassen wir sie völlig in Ruhe. Falls Sie neu im Short-Selling sind: Es ist im Grunde eine Position, die Geld verdient, wenn der Preis fällt, und verliert, wenn er steigt. Dies mit der gekauften Aktie zu kombinieren bedeutet, dass wir darauf wetten, dass sich die Lücke zwischen den beiden tatsächlich verringert. Je weiter sich eine Aktie vom Durchschnitt der Gruppe entfernt, desto größer ist ihre Position, und das wiederholen wir jeden Tag aufs Neue. Wir setzen darauf, dass sich ein Teil dieser Bewegung umkehrt, obwohl nichts sie tatsächlich daran hindert, sich fortzusetzen. Es gibt hier auch ein Detail zur Positionsgröße, das man im Hinterkopf behalten sollte. Für jeden Dollar im Konto halten wir einen Dollar long und einen Dollar short, was uns ein Gesamtrisiko in doppelter Kontogröße beschert. Diese Dollarbeträge gleichen sich zwar aus, aber die Risiken
2:16 verschwinden nicht zwangsläufig. Die Aktien können sich unterschiedlich entwickeln, und eine Short-Position kann weit mehr verlieren, als wir ursprünglich investiert haben. Behalten Sie das im Hinterkopf, da dies einen großen Teil dessen ausmacht, was bei Krypto passiert. Mit dieser Regel im Sinn betrachten wir nun die Zeile für 1995 aus dem Papier. Die Strategie für alle Aktien hatte eine annualisierte Sharpe-Ratio von 53,87, was beim Lesen des Papiers sofort meine Aufmerksamkeit erregte. Die Sharpe-Ratio vergleicht die durchschnittliche Rendite mit der Schwankungsbreite dieser Renditen. Hier lag der Durchschnitt bei 1,38%pro Tag, während die tägliche Schwankung bei etwa 0,4%lag. Es ist also die Kombination aus einer hohen Durchschnittsrendite und relativ geringer Schwankung, die diese außergewöhnliche Zahl hervorbringt. Nun, sie ist nicht in jedem einzelnen Jahr so hoch. Die Autoren waren jedoch sehr deutlich bezüglich eines praktischen Problems. Im Jahr 1995 handelte die Strategie durchschnittlich etwa 4.781 Aktien, was ein riesiges Portfolio ist, um es jeden Tag neu
3:02 auszubalancieren. Sie erklärten dann, dass die genannte Rendite höchstwahrscheinlich etwas unrealistisch ist, sobald man Kosten, die Beeinflussung der Preise durch Orders und die Leerverkaufbarkeit dieser Aktien berücksichtigt. Ich wollte nun sehen, was passiert, wenn ich diese Regeln nehme, realistische Kosten anwende und sie tatsächlich auf die Daten der letzten Jahre anwende. Falls Sie neu hier sind: Ich entwickle und teste algorithmische Handelsstrategien und betreibe mein eigenes Algo-Portfolio von einer halben Million Dollar. Und wenn ich ein solches Ergebnis sehe, möchte ich verstehen, wie es funktioniert und was passieren würde, wenn ich versuchen würde, es in meinem eigenen Portfolio zu handeln. Für den Aktientest habe ich US-Daten von 2008 bis Oktober 2026 verwendet. Wir übertragen die Idee in einen späteren Zeitraum, daher sollten wir nicht erwarten, exakt dieselben Zahlen aus dem Papier zu reproduzieren, aber am wichtigsten ist, ob es heute funktioniert. Ich habe das tägliche Signal und die Long-Short-Gewichtung beibehalten, ohne die einzelnen Positionen zu begrenzen. Wir werden auf diese Einschränkung zurückkommen,
3:48 wenn wir die Ergebnisse besprechen, aber zuerst müssen wir entscheiden, wann wir diese Trades tatsächlich platzieren. Ich habe zwei Varianten getestet. Bei Methode A berechnen wir das Signal aus dem letzten Schlusskurs und nehmen an, dass wir zu diesen speziellen Preisen handeln können, um dann bis zum nächsten Schlusskurs zu halten. Sie können wahrscheinlich das Problem dabei erkennen. Sobald man den endgültigen Schlusskurs kennt, kann man nicht unbedingt in die Vergangenheit zurückgehen und damit handeln. Ich betrachte dies als einen idealisierten Vergleich, da es so klingt, als hätten sie es ursprünglich in der Studie getan. Aber bei Methode B warten wir bis zum nächsten Morgen. Wir berechnen das Signal nach Börsenschluss, steigen zur nächsten Eröffnung ein und halten die Position bis zur folgenden Eröffnung. Die Informationen liegen also vor, bevor wir den Trade tatsächlich platzieren. Dies ist ein weitaus plausiblerer Ablauf. Obwohl wir immer noch davon ausgehen, dass wir zu diesen Eröffnungskursen handeln können. Wir werden auch die Haltedauer der Positionen im Vergleich zur Studie leicht anpassen, aber das liegt nur an den Änderungen in der Ausführung, die ich bereits als notwendig für diese Methode erwähnt habe. Wenn du lernen möchtest, wie man eine solche Idee in
4:34 Code umsetzt, um sie zu testen und live zu handeln, dann ist das genau das, was ich in der Crypto Mentor Group vermittle, um dir zu helfen, innerhalb eines Jahres deinen ersten eigenen Algorithmus zu erstellen. Wenn du interessiert bist, klicke gerne auf den Link in der Beschreibung für weitere Informationen. Lass uns nun sehen, was bei diesem Fall passiert ist. Vor Abzug der Kosten sehen die Ergebnisse der Aktie wirklich vielversprechend aus. Diese Grafik zeigt, wie aus 1 $ im Backtest geworden wäre, wobei die grüne Linie Methode A darstellt, bei der wir zum Schlusskurs des Signals handeln. Wenn wir bis zur nächsten Eröffnung warten, erhalten wir diese deutlich schwächere blaue Linie, obwohl sie immer noch recht profitabel ist. Beachte, dass die Skala von 1 $ auf 10 $ bis 100 $ reicht. Jeder Schritt entspricht also einer Verzehnfachung, aber beide Kurven sind noch vor Handelsgebühren. Methode A hat eine Sharpe-Ratio von etwa 1,54, was weit von 53 entfernt ist, aber es gibt immer noch genug Potenzial für weitere Untersuchungen, da ein Sharpe von 1,54 recht realistisch ist und etwas, das ich technisch gesehen live handeln würde. Aber Methode B liegt
5:21 bei etwa 0,69. Der Zeitpunkt des Handels macht also einen bedeutenden Unterschied in diesem Test. Aber keine der Zahlen verrät uns, wie viel nach den Kosten für die tatsächliche Eröffnung all dieser Positionen übrig bleiben würde. Und genau hier beginnt die Kontogröße wirklich eine Rolle zu spielen. Diese Strategie platziert durchschnittlich etwa 3.689 Orders pro Tag. Jedes Rebalancing bedeutet, Positionen über tausende von Aktien hinweg anzupassen, einschließlich vieler Trades mit sehr kleinen Geldbeträgen. Insgesamt summieren sich die Käufe und Verkäufe auf etwa das 2,94-fache des Kontokapitals pro Tag, und genau das bedeutet die Umschlagshäufigkeit hier. Und bei dieser hohen Umschlagshäufigkeit kann selbst eine kleine Gebühr pro Order bedeuten, dass wir einen Großteil der Gewinne verlieren oder sogar ins Minus rutschen. Nehmen wir zum Beispiel an, wir hätten ein Konto mit 100.000 Dollar. Die durchschnittliche Order liegt hier bei nur etwa 80 Dollar. Das klingt nach einem recht großen Konto, aber wenn man es auf so viele Ticker
6:07 verteilt, wird es in Wirklichkeit ziemlich klein. Bei einer Million Dollar beträgt die durchschnittliche Order nun etwa 800 Dollar. Die Strategie und die prozentuale Positionsgröße haben sich zwar nicht wesentlich geändert, aber diese größeren Orders machen einen kleinen Unterschied, wenn der Broker uns für die Ausführung der Trades Gebühren berechnet. Um das zu testen, habe ich eine sehr vereinfachte Provisionsformel verwendet: einen halben Cent pro Aktie bei einem Mindestbetrag von 1 Dollar und einer Obergrenze von 1%des Ordervolumens. Es gibt andere Broker mit etwas anderen Preismodellen, aber ich verwende hier das gängigste, das idealerweise von IBKR stammt. Nach dieser Formel kostet uns eine 80- Dollar-Order 80 Cent, da sie die 1%- Obergrenze erreicht. In Dollar klingt das wenig, aber wir zahlen 1%, noch bevor wir Preisunterschiede zwischen unserer Annahme und dem tatsächlichen Ausführungspreis berücksichtigen. Sehen wir uns nun an, was das für das 100.000-Dollar-Konto bedeutet. Bei Methode A liegt der Bruttogewinn im Durchschnitt bei etwa 127 Dollar pro Tag. Das entspricht in etwa dem, was
6:53 wir beim späteren Aktientest gesehen haben, der im Ergebnis von 1995 bei 140 Dollar pro Tag lag. Die modellierten Provisionen liegen bei durchschnittlich 2.000 Dollar pro Tag, was weitaus mehr ist, als die Strategie einbringt. Ich halte die Kontogröße konstant, um diese täglichen Beträge zu vergleichen, aber ein echtes Konto kann diese Verluste nicht dauerhaft verkraften. Unter diesem Gebührenmodell überlebt das kleine Konto schlichtweg nicht. Eine Erhöhung des Kapitals hilft, da die Mindestgebühren im Verhältnis zu den Orders kleiner werden. Bei einer Million Dollar machen die Provisionen jedoch immer noch etwa 93%pro Jahr aus, gegenüber einer Bruttorendite von 32%, bei gleicher Berechnung des festen Kapitals für beides. Bei 5 Millionen Dollar sind die Provisionen immer noch etwas höher als der Bruttogewinn. Erst ab etwa 10 Millionen Dollar erzielt Methode A nach Abzug der Provisionen eine kleine positive Rendite von etwa 3,8%. Und wir haben noch nicht einmal berücksichtigt, dass diese größeren Orders den Kurs gegen uns bewegen
7:39 könnten, wir verwenden also eine idealisierte „Same-Close“-Version. Eine Erhöhung des Kapitals hat den Handel also nicht zwangsläufig einfacher oder besser gemacht. Den Unterschied zwischen dem angenommenen Preis und dem tatsächlichen Preis nennen wir Slippage. Vor Abzug der Provisionen kann Methode A etwa 4,32 Basispunkte Slippage pro Seite verkraften, bevor der durchschnittliche Gewinn vollständig verschwindet. Bei Methode B sinkt dieser Wert auf etwa 1,71 Basispunkte, wobei ein Basispunkt lediglich 0,01%entspricht. Dies sind die Niveaus, die den durchschnittlichen Gewinn des Backtests zunichtemachen, und denken Sie daran, dass Provisionen diesen Spielraum ebenfalls verringern würden. Ich habe also versucht, den Test auf liquidere Aktien zu beschränken, bei denen mehr gekauft und verkauft wird. Die Idee dahinter ist, dass unsere Aufträge einfacher ausführbar sein sollten, ohne den Preis so stark zu beeinflussen, und wir handeln weniger Aktien. Ich habe die gleiche Regel auf 1.000 Ticker mit dem höchsten kürzlichen Dollarvolumen erneut angewendet, um zu sehen, ob das
8:25 Portfolio dadurch leichter zu handeln ist oder die interessanten Ergebnisse erhalten bleiben. Bei Methode A sinkt die Brutto-Sharpe-Ratio von 1,54 auf 0,22. Wenn wir den Test also auf diese liquideren Aktien beschränken, verschwindet der Großteil dieses attraktiven Ergebnisses tatsächlich. Bei Methode B sinkt sie von 0,69 auf 0,53, was eine geringere Veränderung ist, aber wir betrachten hier immer noch die Renditen vor Kosten. Die einfachere Ausführung der Aufträge hilft jedoch nicht unbedingt vollständig, wenn wir immer noch einen Großteil des Signals aufgeben. Zusammenfassend lässt sich sagen, dass wir beim Aktientest vor Kosten ein positives Ergebnis sehen, das jedoch schwächer wird, wenn wir bis zur nächsten Öffnung warten, und die Provisionen bei diesem Gebührenmodell jede kleinere Kontogröße komplett zunichtemachen. Die Beschränkung auf liquidere Aktien schwächt das Bruttoergebnis insgesamt ab. Es steckt also etwas Interessantes im Modell, aber ich habe nicht gezeigt, dass wir daraus eine Strategie machen können, die nach der Ausführung dieser Trades und der Berücksichtigung aller
9:11 Provisionen, Slippage usw. zuverlässig Geld verdient. Mein Test hat hier tatsächlich einige Grenzen. Die Datenbereinigung hat so viele extreme Preise herausgefiltert, wie ich finden konnte, die entweder anormale Fehler meines Datenanbieters waren, und ich konnte alle delisteten Ticker nachverfolgen. Wenn Sie dies jedoch selbst mit einer Datenstichprobe testen , die diese delisteten Ticker nicht enthält, könnten Sie zu ganz anderen Ergebnissen kommen. Wir haben auch nicht die vollen Kosten für das Ausleihen von Aktien berücksichtigt und ob jeder Short für den jeweiligen Ticker verfügbar ist. Und wie ich bereits erwähnt habe, oder wie diese Aufträge bei einigen dieser liquideren Ticker die Preise selbst bewegen würden. Letztendlich betrachte ich dies als Forschung, um sie dann weiter zu untersuchen. Und wenn es diese ersten Testrunden nicht einmal übersteht, dann ist es nicht unbedingt etwas, das ich weiterverfolgen und in meinem eigenen Portfolio live umsetzen würde. Vor diesem Hintergrund wollte ich diese Idee bei Kryptowährungen ausprobieren. Vielleicht funktioniert es bei Aktien nicht mehr, aber lassen Sie uns sehen, ob es bei Kryptowährungen tatsächlich funktionieren könnte. Dazu habe ich die Top 50 Coins nach aktuellem
9:57 Dollarvolumen verwendet. Ich habe Spotpreise und Perpetual Futures getestet, das sind Kontrakte, die Long- oder Short-Positionen ohne festes Verfallsdatum ermöglichen. Beide nutzen dabei Annahmen, die auf Schlusskursen basieren. Da Krypto rund um die Uhr gehandelt wird, ist dies sehr einfach umsetzbar. Bei den Spotpreisen ist das Ergebnis vor Gebühren negativ, mit einer Sharpe-Ratio von etwa minus 0,32. Die Kurve verliert fast ihren gesamten Anfangswert. Die Handelskosten haben die Situation hier also nur noch weiter verschlechtert. Dies setzt außerdem voraus, dass wir an jedem dieser Punkte eine Short-Position eingehen können, selbst beim Spot, was teils gar nicht möglich gewesen wäre, da der Perpetual-Kontrakt noch gar nicht existierte. Der Testlauf mit Perpetual Futures stieß auf ein weitaus größeres Problem. Am 8. September 2025 verliert das Modell an einem einzigen Tag etwa 290%des Kontokapitals . Dies schließt Finanzierungskosten und Ähnliches ein, was letztlich dazu führte, dass das Konto komplett ausgelöscht wurde und es keinen Grund
10:42 mehr gab, dies weiter zu testen. Das Problem ist hier ziemlich offensichtlich. Wenn man sich die Positionen ansieht, erkennt man, dass eine einzige Short-Position den Großteil dieses Verlusts erklärt. Der Short war MYX USDT, das an dem Tag, als wir das Signal berechneten, um 167% gestiegen war. Denken Sie daran: Diese Regel wettet gegen die stärksten relativen Gewinner. Ein so großer Kursanstieg führt also zu einer sehr großen Position. Ohne Positionslimit steckt das Modell etwa 97%des Kontokapitals in diesen einen Short, wodurch die gesamte Short-Seite etwa 100%des Kapitals ausmacht. Fast alles ist also auf einen einzigen Token konzentriert. Dann steigt der Preis, während wir die Position halten, um weitere 298%. Statt sich umzukehren, stieg er einfach weiter an. Der Short verliert ein Vielfaches seines ursprünglichen Betrags. Und obwohl wir vielleicht viele Coins im eigentlichen Portfolio haben, konzentriert sich das meiste Kapital auf diesen einen speziellen Token. Aktien und Kryptowährungen stoßen also auf unterschiedliche Probleme. Bei Aktien
11:28 hängen die besser aussehenden Ergebnisse davon ab, ob wir annehmen können, zu diesem bestimmten Zeitpunkt handeln zu können. Und davon, ob wir die Kosten senken könnten, damit das Rebalancing nicht so teuer ist. Selbst der Wechsel zu liquideren Aktien schwächt die Ergebnisse ab, die wir eigentlich erreichen wollten. Bei Krypto können die größten Gewinner weiter steigen, und aufgrund unserer Positionsgrößen setzt uns das bei diesen Ausreißern den größten Wetten entgegen. Nun, es gibt einige Möglichkeiten, wie man das vielleicht hätte weiter testen können. Sie hätten vielleicht Positionslimits für Krypto hinzufügen und die Art und Weise, wie Sie die Positionsgrößen insgesamt strukturieren, tatsächlich ändern können. Aber um auf die Frage zurückzukommen, mit der wir begonnen haben: Ich habe hier aus diesen Tests nicht unbedingt eine Strategie gefunden , die ich sofort live einsetzen würde. Die Aktienversion hat zwar ein positives Bruttosignal, aber ich denke, sie bedarf noch einiger Arbeit und Optimierung der Kostenstruktur, damit wir nicht durch das häufige Rebalancing regelrecht ausgenommen werden. Und genau deshalb würde ich immer empfehlen, jede dieser Strategien
12:13 selbst zu testen und sich nicht nur auf die Aussagen im Papier zu verlassen. Normalerweise haben diese Papiere eine Schlagzeile, die Ihre Aufmerksamkeit erregt, aber wie wir bei diesem speziellen Bericht gesehen haben, gibt es hier viele interessante Ideen, die Sie weiter erforschen können. Einige meiner besten Strategien, die ich tatsächlich live einsetze, stammen aus Ideen früherer Forschungsarbeiten. Wenn Sie lernen möchten, wie man das macht und selbst an besseren Strategien arbeitet, ist das genau das, was wir in der Crypto Momentum Group behandeln. Neben der Verwaltung meines eigenen 500 k-Algo-Portfolios arbeiten wir den Code , den Backtest und die Entscheidungsfindung durch, um ein algorithmisches Portfolio live zu betreiben. Den Link finden Sie unten, falls Sie sich uns anschließen möchten, und lassen Sie mich wissen, welches Forschungspapier ich als Nächstes testen soll.
