Überanpassung entsteht, wenn ein Modell die Eigenheiten einer historischen Stichprobe lernt statt wiederkehrende Marktstrukturen. In KI-Anlagemodellen tritt das besonders dann auf, wenn Feature-Auswahl, Hyperparameter und Labels wiederholt auf demselben Zeitfenster justiert werden.
Warnsignale in der Kurve
Sehr glatte Equity-Linien ohne erkennbare Drawdowns in turbulenten Monaten sind ein erstes Warnsignal. Ebenso verdächtig: stark unterschiedliche Robustheit, sobald das Testfenster um wenige Monate verschoben wird, oder eine Feature-Liste, die nach jedem Durchlauf wächst.
Gegenproben, die wenig Aufwand brauchen
- Ein unberührtes Hold-out-Fenster, das erst nach finaler Parameterwahl geöffnet wird
- Permutation der Labels innerhalb von Sektoren, um Zufallstreffer zu prüfen
- Kosten- und Slippage-Szenarien, die bewusst unfreundlich kalibriert sind
Was im Komitee zählt
Statt einer einzelnen Sharpe-Zahl sollten Teams die Bandbreite der Ergebnisse und die Gründe für Ausreißer dokumentieren. Genau dort setzt unsere Modellprüfung an: Wir fragen, welche Entscheidungen die Historie schon „gesehen“ hat, bevor Kapital folgt.