Walk-Forward-Testing: Eine Schritt-für-Schritt-Anleitung für Trader

Wichtigste Punkte:

• Walk-Forward-Tests prüfen, ob eine Handelsstrategie auch mit Daten funktioniert, die sie noch nie „gesehen“ hat – nicht nur in der Vergangenheit, auf die sie eingestellt wurde.
• Dafür werden die Daten in ein In-Sample-Fenster (Teil zur Einstellung/Optimierung) und ein Out-of-Sample-Fenster (Teil zur Kontrolle/Überprüfung) geteilt. Danach wird das Zeitfenster schrittweise nach vorn verschoben.
• Der wichtigste Zweck ist, Überanpassung („Overfitting“, auch „Curve Fitting“: zu starkes Anpassen an Zufallsschwankungen) zu entlarven, bevor echtes Geld riskiert wird.
• Die Walk-Forward-Effizienz fasst die Ergebnisse zu einer Kennzahl zusammen und zeigt, wie gut ein Vorteil aus dem In-Sample-Teil unter realistischeren Bedingungen bestehen bleibt.

Viele Trader lernen es auf die harte Tour: Eine Strategie, die in der Vergangenheit perfekt aussieht, kann live sofort scheitern. Der Grund: Wird ein System zu eng auf alte Kursdaten eingestellt, lernt es oft Zufall statt echtes Marktverhalten.

Walk-Forward-Tests sollen genau das früh erkennen. Dabei werden Regeln immer wieder auf einem Datenabschnitt optimiert und anschließend auf einem späteren, zuvor unbekannten Abschnitt geprüft.

Dieser Leitfaden zeigt eine praktische Walk-Forward-Test-Strategie Schritt für Schritt. So lassen sich Ideen mit mehr Sicherheit prüfen, bevor Kapital eingesetzt wird.

Walk-Forward-Tests erklärt

Ein Walk-Forward-Test ist eine Prüfmethode, die nachbildet, wie sich eine Strategie im Zeitverlauf anpasst. Statt einmal über die gesamte Historie zu optimieren, wird in Etappen optimiert. Jede Etappe wird danach mit neuen Daten getestet, die das Modell nicht kennt.

In-Sample- und Out-of-Sample-Daten

Jeder Walk-Forward-Test nutzt zwei Datenblöcke. In-Sample-Daten sind der Teil, mit dem die besten Einstellungen gesucht werden. Out-of-Sample-Daten werden zurückgehalten und nur genutzt, um diese Einstellungen zu prüfen – wie bei einer Prüfung.

• In-Sample-Daten: Übungsaufgaben zum Einstellen der Strategie.
• Out-of-Sample-Daten: der eigentliche Test mit unbekannten Aufgaben.
• Glänzt eine Strategie nur im In-Sample-Teil, hat sie eher Zufall gelernt als ein stabiles Muster.

Gute In-Sample-Ergebnisse reichen nicht. Erst die Out-of-Sample-Performance zeigt, ob ein Vorteil am Markt wahrscheinlich echt ist.

Wie das Optimierungsfenster nach vorn „rollt“

„Walk-forward“ beschreibt die Bewegung: Sie optimieren auf einem frühen Zeitfenster, testen danach auf dem nächsten Abschnitt. Dann wird das gesamte Fenster nach vorn verschoben und wiederholt.

So entsteht eine Kette von Out-of-Sample-Ergebnissen, die aneinandergereiht werden. Das zeigt realistischer, wie die Regeln mit veränderten Marktphasen zurechtkommen – statt nur in einem einzelnen, zufällig passenden Zeitraum.

Welches Problem Walk-Forward-Tests lösen: Überanpassung (Overfitting/Curve Fitting)

Der Kernnutzen von Walk-Forward-Tests ist das Aufdecken von Überanpassung (Overfitting, auch Curve Fitting): Die Strategie wird so genau auf alte Kurse eingestellt, dass sie Zufallsschwankungen trifft, nicht ein wiederkehrendes Muster. Typische Warnzeichen:

• Sehr viele fein abgestimmte Parameter (Einstellungen)
• Extrem starke Backtest-Renditen mit kaum Verlusttrades
• Einbruch der Ergebnisse, sobald neue Daten kommen

Eine überangepasste Strategie wirkt im Test wie ein Volltreffer und scheitert dann im echten Markt. Walk-Forward-Tests zwingen die Regeln, sich an Daten zu beweisen, für die sie nicht optimiert wurden.

So funktionieren Walk-Forward-Tests Schritt für Schritt

Walk-Forward-Tests laufen als wiederholte Schleife. Jede Runde hat vier Schritte. Wer einen Zyklus versteht, versteht die Methode.

1. Daten in Optimierungs- und Testsegmente teilen

Zuerst werden die historischen Daten in Segmente geteilt. Jedes Segment enthält einen größeren Block zum Optimieren und einen kleineren Block zum Testen.

• Etwa 70% bis 80% je Fenster für die In-Sample-Optimierung
• Die restlichen 20% bis 30% für den Out-of-Sample-Test

Beispiel: 12 Monate optimieren, danach 3 Monate testen. Das passende Verhältnis hängt von Strategie und Datenmenge ab.

2. Parameter im In-Sample-Fenster optimieren

Dann folgt die Parameter-Optimierung (systematisches Durchprobieren von Einstellungen) nur im In-Sample-Block. Die Software testet Kombinationen, etwa Längen von gleitenden Durchschnitten oder Stop-Abstände (Stop-Loss-Distanz), und wählt die besten Varianten aus.

Ziel ist nicht die maximal mögliche Rendite, sondern ein stabiles, plausibles Set an Einstellungen. Besser sind robuste Bereiche statt extremer Werte, die nur in einem engen Zeitraum funktionieren.

3. Prüfung im unbekannten Out-of-Sample-Fenster

Jetzt werden die ausgewählten Einstellungen auf den Out-of-Sample-Block angewendet. Hier wird nicht erneut optimiert. Die Strategie läuft so, als würde sie live gehandelt.

Das ist der entscheidende Schritt: Funktioniert die Strategie auch mit Daten, die sie nicht „kennt“, spricht das für einen echten Vorteil. Bricht sie stark ein, war das In-Sample-Ergebnis vermutlich Zufall.

4. Fenster nach vorn schieben und wiederholen

Zum Schluss wird das gesamte Zeitfenster nach vorn verschoben und der Ablauf wiederholt. Jede Runde optimiert mit neuen In-Sample-Daten und testet im nächsten unbekannten Block. Einfaches Beispiel mit 12 Monaten Optimierung und 3 Monaten Test:

Wer die vier Out-of-Sample-Phasen zusammenfügt, erhält eine durchgehende Performance-Reihe aus zuvor unbekannten Daten.

Anchored und Rolling Walk-Forward-Analyse

Es gibt zwei gängige Arten, das Fenster durch die Zeit zu bewegen. Welche besser passt, hängt davon ab, wie die Strategie auf wechselnde Marktphasen reagiert.

1. Anchored Walk-Forward mit festem Startdatum

Beim Anchored Walk-Forward (Start bleibt „verankert“) bleibt das Startdatum gleich. Nur das Ende des In-Sample-Fensters wandert nach vorn, der Optimierungsblock wird also immer größer. Das passt zu Strategien, die von langer Historie profitieren.

• Nutzen möglichst viel Historie in jedem Schritt.
• Setzt voraus, dass ältere Daten noch hilfreich sind.
• Gut für langsame, langfristige Systeme.

Nachteil: Sehr alte Daten können aktuelle Marktbedingungen verwässern.

2. Rolling Walk-Forward mit gleitendem Fenster

Beim Rolling Walk-Forward bleibt die Fensterlänge konstant und gleitet nach vorn. Alte Daten fallen hinten heraus, neue kommen vorn hinzu.

• Fokussiert die Optimierung auf jüngere Marktphasen.
• Reagiert schneller auf wechselnde Schwankungen und Trends.
• Geeignet für kurzfristige, reaktivere Systeme.

Weil weit zurückliegende Daten „vergessen“ werden, reagiert das Fenster schneller auf Regimewechsel (neue Marktphase). Die Ergebnisse können dadurch von Runde zu Runde stärker schwanken.

Anchored oder Rolling: was passt zur Strategie?

Keine Variante ist immer besser. Entscheidend sind Zeithorizont und wie relevant ältere Daten für die Strategie sind.

Walk-Forward-Effizienz und wie man die Ergebnisse liest

Nach allen Durchläufen braucht es eine Bewertung. Die Walk-Forward-Effizienz ist eine verbreitete Kennzahl. Sie macht aus vielen Einzelergebnissen eine Zahl, die sich zwischen Strategien vergleichen lässt.

Walk-Forward-Effizienz berechnen

Die Walk-Forward-Effizienz vergleicht Out-of-Sample- mit In-Sample-Performance. Die Formel:

Walk-Forward-Effizienz = (Out-of-Sample-Rendite ÷ In-Sample-Rendite) × 100

Beispiel mit annualisierten Renditen (aufs Jahr umgerechnet):

• In-Sample-Rendite: 40%
• Out-of-Sample-Rendite: 24%

Walk-Forward-Effizienz = (24 ÷ 40) × 100 = 60%

60% bedeutet: Im Out-of-Sample-Teil blieb etwa 60% des In-Sample-Ergebnisses übrig. Je näher an 100%, desto besser hält der Vorteil unter realistischeren Bedingungen.

Walk-Forward-Ergebnisse mit Equity-Kurve und Drawdown prüfen

Eine einzelne Zahl reicht nicht. Die Walk-Forward-Effizienz sollte zusammen mit weiteren Kennzahlen betrachtet werden:

• Die zusammengefügte Equity-Kurve (Kapitalverlauf): idealerweise gleichmäßig steigend, nicht nur ein kurzer Sprung.
• Der maximale Drawdown (maximaler Rückgang): der größte Verlust vom Hoch bis zum folgenden Tief.
• Die Stabilität der Ergebnisse über alle Durchläufe, nicht nur der Durchschnitt.

Eine Strategie kann eine ordentliche Effizienz haben und trotzdem wegen eines sehr hohen Drawdowns praktisch nicht handelbar sein. Wichtig sind ein ruhiger Verlauf und verlässliche Ergebnisse.

So setzt man einen Walk-Forward-Test auf

Beim Aufsetzen geht es vor allem um sinnvolle Entscheidungen, bevor der Test startet. Gute Walk-Forward-Optimierung hängt von drei Punkten ab: Fensterlängen, Anzahl der Durchläufe und der Plattform.

1. Länge von In-Sample- und Out-of-Sample-Perioden

Die Fenster sollten zur Handelsfrequenz passen. Wer täglich handelt, braucht pro Fenster weniger Zeit als jemand mit wenigen Trades pro Monat. Praktische Startwerte:

• Verhältnis etwa 3:1 oder 4:1 (In-Sample zu Out-of-Sample).
• Genug Out-of-Sample-Daten für viele Trades, nicht nur wenige.
• Fenster sollten verschiedene Marktphasen abdecken.

2. Wie viele Walk-Forward-Durchläufe?

Mehr Durchläufe liefern mehr Out-of-Sample-Belege. Ziel ist, das Verhalten in unterschiedlichen Marktphasen zu sehen:

• Wenn möglich, mindestens 8 bis 10 Durchläufe.
• Jeder Out-of-Sample-Block sollte genug Trades enthalten.
• Über den gesamten Test sowohl Trend- als auch Seitwärtsphasen abdecken.

3. Walk-Forward-Optimierung in MT5, Python und Amibroker

Vieles lässt sich mit passenden Tools umsetzen:

• MetaTrader 5 (MT5) bietet im Strategy Tester einen Walk-Forward-Modus für Expert Advisors (automatische Handelsprogramme).
• MetaTrader 4 (MT4) kann schrittweise Optimierung, erfordert aber mehr manuelle Verwaltung der Zeitfenster.
• Python-Bibliotheken erlauben eigene Skripte für Walk-Forward-Schleifen (automatisierte Abläufe).
• Amibroker hat eine Walk-Forward-Funktion mit automatischem Weiterschieben der Fenster.

Wer über einen Broker wie VT Markets handelt, kann algorithmische Handelssysteme (automatisierte Strategien) sowohl in MT4 als auch MT5 testen, bevor es live geht.

Walk-Forward-Tests im Vergleich zu ähnlichen Methoden

Ein Vergleich zeigt, wofür Walk-Forward-Tests stehen. Jede Methode prüft Strategien anders. Wer die Unterschiede kennt, testet gezielter.

1. Walk-Forward vs. klassischer Backtest

Ein klassischer Backtest optimiert und testet oft auf demselben Datenblock – Überanpassung lässt sich so leicht übersehen. Walk-Forward-Tests trennen beides und prüfen immer mit unbekannten Daten.

• Backtest: Wie hätten diese Einstellungen in dieser Historie funktioniert?
• Walk-Forward: Wie hätten sie mit Daten funktioniert, auf die sie nicht angepasst wurden?

Die zweite Frage liegt näher am Live-Handel. Deshalb sind Walk-Forward-Ergebnisse meist belastbarer.

2. Walk-Forward vs. Cross-Validation

Cross-Validation ist im maschinellen Lernen verbreitet. Dabei wird der Datensatz in mehrere Teile („Folds“) geteilt und rotiert, welcher Teil zum Testen zurückgehalten wird. Der Unterschied ist die Zeitachse.

• Cross-Validation mischt Daten oft, die zeitliche Reihenfolge wird weniger beachtet.
• Walk-Forward-Tests halten die zeitliche Reihenfolge strikt ein.

An Märkten ist die Reihenfolge entscheidend. Regeln, die indirekt Informationen aus der Zukunft enthalten, verfälschen Tests. Walk-Forward ist daher meist die realistischere Wahl.

3. Walk-Forward vs. ein einzelner Out-of-Sample-Test

Ein einzelner Out-of-Sample-Test hält nur einen Block aktueller Daten zurück. Das ist besser als nichts, prüft aber nur eine Phase. Walk-Forward ist stärker, weil:

• über viele Out-of-Sample-Blöcke getestet wird,
• mehrere Marktumfelder abgedeckt werden,
• ein „Glückszeitraum“ weniger leicht das Ergebnis verzerrt.

Mehr Out-of-Sample-Fenster bedeuten mehr Belege – und weniger böse Überraschungen später.

Zuverlässigkeit, Grenzen und typische Fehler

Walk-Forward-Tests sind hilfreich, aber keine Garantie. Wer die Grenzen kennt, setzt Erwartungen richtig, wenn es vom Test zur echten Kontogröße geht.

Was Walk-Forward-Tests bestätigen – und was nicht

Walk-Forward-Tests zeigen, ob die Logik einer Strategie in unbekannten historischen Daten funktioniert hat. Das ist wertvoll. Sie garantieren aber keine künftigen Gewinne.

• Auch unbekannte Daten sind Vergangenheit.
• Märkte können in neue Phasen wechseln, die es im Datensatz nicht gab.
• Kosten wie Slippage (schlechterer Ausführungspreis als erwartet) und Spread (Differenz zwischen Kauf- und Verkaufskurs) können Ergebnisse deutlich verschlechtern.

Ein starkes Walk-Forward-Ergebnis ist ein Hinweis, kein Versprechen.

Häufige Fehler bei Fenstern und Interpretation

Fehler entstehen meist durch schlechte Einstellungen oder falsches Lesen der Zahlen. Diese Punkte untergraben Tests:

• Fenster so kurz, dass zu wenige Trades enthalten sind.
• Nach dem Out-of-Sample-Ergebnis erneut optimieren – damit wird die Prüfung entwertet.
• Handelskosten im Test ignorieren (Spread, Gebühren, Slippage).
• Nur Durchschnittsrenditen beachten und Drawdown sowie Stabilität ignorieren.
• Nur den einen besten Durchlauf herauspicken.

Saubere Walk-Forward-Tests bedeuten, Ergebnisse zu akzeptieren – auch wenn sie enttäuschen.

Häufige Fragen (FAQs)

Q1: Was ist Walk-Forward-Testing?

Walk-Forward-Testing ist eine Prüfmethode: Eine Handelsstrategie wird auf einem Block historischer Daten optimiert und danach auf einem späteren, zuvor unbekannten Block getestet. Das wird wiederholt, während das Fenster nach vorn wandert. So entsteht ein realistischeres Bild für mögliche Live-Ergebnisse.

Q2: Was ist der Unterschied zwischen Anchored und Rolling Walk-Forward?

Beim Anchored Walk-Forward bleibt das Startdatum fest, das Optimierungsfenster wächst. Beim Rolling Walk-Forward bleibt die Fensterlänge gleich und wandert nach vorn, alte Daten fallen heraus. Anchored passt eher zu langfristigen Systemen, Rolling reagiert schneller auf jüngere Marktbedingungen.

Q3: Wie wählt man In-Sample- und Out-of-Sample-Perioden?

Die Fenster sollten zur Handelsfrequenz passen. Ein Startpunkt ist oft ein Verhältnis von 3:1 oder 4:1 (In-Sample zu Out-of-Sample). Jeder Out-of-Sample-Block sollte genug Trades enthalten, um aussagekräftig zu sein.

Q4: Was ist der Unterschied zwischen Walk-Forward-Testing und Backtesting?

Beim Backtest werden Einstellungen häufig auf denselben Daten optimiert und geprüft – Überanpassung bleibt leicht verborgen. Walk-Forward-Testing prüft konsequent auf Daten, auf die nicht optimiert wurde. Das ist näher am Live-Handel als ein einfacher Backtest.

Walk-Forward-Tests mit VT Markets üben

Eine Strategie ist erst dann interessant, wenn sie auch mit Daten besteht, die sie nicht kennt. Genau dafür sind Walk-Forward-Tests da: Sie ersetzen Hoffnung durch Belege und machen aus einem gut aussehenden Backtest eine belastbarere Grundlage für echtes Kapital.

Mit VT Markets lässt sich eine Walk-Forward-Test-Strategie in MetaTrader 4 (MT4) und MetaTrader 5 (MT5) umsetzen.