In Beratungsgesprächen sehen wir häufig Backtests mit beeindruckenden Trefferquoten. Maschinelle Lernverfahren — von einfachen Ensemble-Modellen bis zu tiefen Netzen — maximieren genau jene Kennzahl, die im Trainingszeitraum definiert wurde. Das ist mathematisch erwartbar und dennoch gefährlich, wenn der Zeitraum eine ruhige Volatilitätsphase oder ein einziges Zinsregime abbildet.
In-Sample ist keine Prognose
Je flexibler ein Modell, desto leichter „erklärt“ es Rauschen. Ohne strikte Trennung von Trainings-, Validierungs- und Testfenstern — und ohne echten Out-of-Sample-Lauf nach dem finalen Parameterstop — bleibt die Performance eine Beschreibung der Vergangenheit. KI ändert diese Logik nicht; sie beschleunigt sie höchstens.
Regimewechsel und Feature-Drift
Märkte wechseln Korrelationsstrukturen. Features, die 2015 bis 2019 stabil wirkten, können nach Zinswenden oder Liquiditätsschocks ihre Bedeutung verlieren. Ein Modell ohne dokumentierte Überwachung von Feature-Verteilungen und ohne klare Stop-Regel für Live-Abweichungen ist organisatorisch unvollständig — unabhängig von der Modellgüte im Labor.
Kosten fressen scheinbare Kanten
Viele KI-Signale erzeugen hohe Umschlagshäufigkeit. Nach Spreads, Slippage und Gebühren schrumpft die Nettokennzahl oft dramatisch. In unserer Methodik gehören Kostenannahmen deshalb in denselben Bogen wie die Lernarchitektur.
Was Anleger tun können
Fordern Sie schriftliche Angaben zu Trainingsfenstern, Label-Definitionen, Kostenannahmen und Eskalationsregeln. Nutzen Sie unabhängige Einordnungen — etwa unsere algorithmische Handelsberatung —, bevor Mandate vergeben werden.