Backtesting von Prognosemarkt-Strategien: ehrlicher Leitfaden (2026)

Backtesting – das Anwenden einer Strategie auf historische Daten, um zu sehen, wie sie sich entwickelt hätte – ist eines der nützlichsten und am häufigsten missbrauchten Werkzeuge im Trading. Dieser Leitfaden behandelt, wie man Prediction-Market-Strategien ehrlich backtestet, was Backtests lügen lässt und wie realistische Ergebnisse aussehen.

## Was Backtesting dir verrät (und was nicht)

Backtesting kann die Frage beantworten: "Wenn ich genau diese Strategie auf die Märkte angewendet hätte, die in der Vergangenheit existierten, wie hätte ich abgeschnitten?"

Es kann nicht beantworten: - "Wird diese Strategie in der Zukunft funktionieren?" (Vergangene Performance ≠ Zukunft) - "Was ist die optimale Strategie?" (Das Overfitting-Risiko ist riesig) - "Wie viel kann ich verdienen?" (Reale Ausführungskosten fressen die Renditen) - "Ist das sicher?" (Schwarze Schwäne sind per Definition nicht in der Historie)

Ein guter Backtest ist ein Plausibilitätscheck, dass deine Strategie nicht offensichtlich kaputt ist. Ein schlechter Backtest ist eine selbstüberschätzungsfördernde Übung, die dich dazu bringt, zu viel auf etwas zu setzen, das im Echtbetrieb scheitern wird.

## Der Backtest-Workflow

### Schritt 1: Die Strategie präzise definieren

Vage Regeln: "Handle, wenn es eine gute +EV-Gelegenheit gibt"

Präzise Regeln: "Kaufe YES zum Marktpreis, wenn (1) die KI-Wahrscheinlichkeitsschätzung den Marktpreis um >5 Prozentpunkte übersteigt UND (2) das 24-Stunden-Volumen 10.000 $ übersteigt UND (3) mindestens 7 Tage bis zur Auflösung verbleiben. Positionsgröße: 3 % des Start-Bankrolls pro Trade. Stop-Loss: 25 % Drawdown vom Einstieg. Take-Profit: 40 % über Einstieg ODER Auflösung, je nachdem, was zuerst eintritt."

Die vage Version kannst du nicht backtesten. Die präzise Version kannst du backtesten. Die meisten Strategien scheitern an diesem Schritt, weil der Trader gar nicht weiß, was er tun würde.

### Schritt 2: Historische Daten beschaffen

Für Prediction-Märkte: - Historische Polymarket-Preise über deren öffentliche API - Auflösungsergebnisse aus den Markt-Metadaten - Volumen- und Liquiditäts-Snapshots über die Zeit - KI-Wahrscheinlichkeitsschätzungen (falls deine Strategie sie verwendet – die musst du ebenfalls historisch berechnen)

Hinweis: Polymarkets historische API ist ratenbegrenzt und deckt nicht alles ab. Das Predite-Backtest-Tool verwendet zwischengespeicherte Markt-Snapshots, die von unserem Scan-Cron befüllt werden – das heißt, die Historie wächst mit der Zeit. Anfängliche Backtest-Ergebnisse haben weniger Daten als Ergebnisse nach Monaten des Plattformbetriebs.

### Schritt 3: Ausführung simulieren

Gehe die historischen Daten Tag für Tag durch. Zu jedem Zeitstempel: - Prüfe, ob offene Positionen geschlossen werden sollten (Stop-Loss, Take-Profit, Auflösung) - Prüfe, ob neue Positionen eröffnet werden sollten (Strategiekriterien erfüllt) - Aktualisiere den Bankroll basierend auf Auflösungen - Protokolliere jede Aktion und das P&L

Die Simulation muss deterministisch sein – dieselben Inputs erzeugen immer dieselben Outputs. Wenn du mehrere Strategien testest, lass sie auf identischen Daten laufen.

### Schritt 4: Kennzahlen berechnen

Um zu verstehen, wie realistische Renditen aussehen, siehe unseren [Leitfaden zum +EV-Trading](/blog/what-is-positive-ev-trading) und [Leitfaden zum Risikomanagement](/blog/risk-management-prediction-markets).

Für jeden Strategielauf: - Gesamtrendite (% Zuwachs auf den Start-Bankroll) - Anzahl der ausgeführten Trades - Trefferquote (% der geschlossenen Positionen, die profitabel waren) - Durchschnittliche Rendite pro Trade - Maximaler Drawdown (größter Peak-to-Trough-Verlust) - Sharpe Ratio (Rendite pro Einheit Varianz) - Calmar Ratio (Rendite pro Einheit maximaler Drawdown)

Eine Strategie mit 10 % Jahresrendite und 50 % maximalem Drawdown ist viel schlechter als eine mit 8 % Rendite und 15 % Drawdown – auch wenn die absolute Rendite niedriger ist.

### Schritt 5: Mit einer Baseline vergleichen

Backteste immer eine "Nichtstun"- oder "Zufalls-Trade"-Baseline parallel zu deiner Strategie. Wenn deine Strategie den Zufall nicht mit einem nennenswerten Abstand schlägt, ist sie keine echte Strategie.

## Was Backtests lügen lässt

Das ist der wichtigste Abschnitt. Die meisten Backtests sehen großartig aus und scheitern im Echtbetrieb wegen dieser Probleme:

### Survivorship Bias

Dein historischer Datensatz enthält möglicherweise nur Märkte, die sauber aufgelöst wurden. Diejenigen, die delistet, storniert oder mehrdeutig aufgelöst wurden, fehlen. Reales Trading umfasst all diese – und das sind oft die Verluste.

Gegenmaßnahme: Nimm stornierte und mehrdeutig aufgelöste Märkte in deine Daten auf. Behandle sie als Verluste (die meisten Strategien haben keinen sauberen Ausstieg, wenn ein Markt seltsam wird).

### Look-Ahead Bias

Du verwendest zum Zeitpunkt T Informationen, die zum Zeitpunkt T nicht verfügbar gewesen wären. Beispiel: das endgültige Auflösungsergebnis nutzen, um "gute Märkte" zu filtern, bevor du sie handelst. Natürlich gewinnt die Strategie – du filterst nach Gewinnern.

Gegenmaßnahme: Verwende zu jedem Simulations-Zeitstempel nur Daten, die bis zu diesem Zeitstempel existierten. Strikt chronologisch. Kein Vorausblicken.

### Overfitting

Du stimmst deine Strategieparameter so lange ab, bis sie auf deinen historischen Daten herausragend abschneiden. Die Strategie memoriert nur vergangenes Rauschen, statt echten Edge zu erfassen.

Gegenmaßnahme: Teile die Daten in Trainings- (Parameterabstimmung) und Validierungszeiträume (Out-of-Sample-Test) auf. Wenn die Validierungs-Performance schlechter ist als die Trainings-Performance, hast du überangepasst. Die meisten Strategien, die In-Sample großartig aussehen, haben einen negativen oder null Out-of-Sample-Edge.

### Ausführungsannahmen

Mehr zu realer Ausführung und Slippage findest du in unserem [CLOB-Leitfaden](/blog/understanding-clob-order-book).

Dein Backtest nimmt an, dass du zum Mid-Market-Preis gefüllt wirst. In Wirklichkeit wirst du zum Ask gefüllt (schlechter bei Käufen). Dein Backtest nimmt unendliche Liquidität an. In Wirklichkeit bewegt deine Größe den Preis. Dein Backtest ignoriert Gas-Gebühren. Sie fressen 5–10 % kleiner Profite.

Gegenmaßnahme: Füge Backtests realistische Reibung hinzu. Nimm an, dass du zum Ask gefüllt wirst, nicht zum Mid. Ziehe geschätztes Gas ab. Begrenze Positionsgrößen auf tatsächlich füllbare Beträge.

### Selektionsbias bei Strategien

Du backtestest nur Ideen, die vielversprechend aussehen. Strategien, die du ohne Backtest verwirfst, könnten die echten Gewinner gewesen sein. Du erzeugst nicht die "beste Strategie" – nur die "beste Strategie unter denen, die ich zufällig getestet habe".

Gegenmaßnahme: Backteste auch seltsame Ideen. Manchmal funktionieren kontraintuitive Strategien. Selektion in der Phase der Ideengenerierung ist schwer zu erkennen.

## Wie ein realistischer Backtest aussieht

Für eine typische Polymarket-+EV-Strategie auf 30–90 Tagen historischer Daten:

Gute Anzeichen: - 15–30 geschlossene Trades (genug Stichprobe für statistische Aussagekraft) - Trefferquote 50–65 % - Durchschnittlicher Gewinn größer als durchschnittlicher Verlust (asymmetrische Renditen) - Drawdowns unter 30 % des Bankrolls - Konsistente Performance über verschiedene Marktphasen

Warnsignale: - Weniger als 10 Trades (Stichprobe zu klein) - Trefferquote über 80 % (wahrscheinlich überangepasst) - Ein einziger riesiger Gewinner trägt den Großteil der Renditen bei - Drawdowns über 50 % (Varianz zu hoch für echtes Geld) - Renditen konzentriert auf einen einzigen Ereignis-/Nachrichtenzyklus

Eine Strategie, die nach realistischen Kosten 8–15 % Jahresrendite backtestet, ist plausibel. Eine Strategie, die 300 % Jahresrendite backtestet, ist mit ziemlicher Sicherheit kaputt oder überangepasst.

## Backtesting-Tools

### Predite Backtest-Widget

Die Predite-Plattform hat eine integrierte Backtest-Funktion für Bot-Konfigurationen. Du definierst Einstiegs-/Ausstiegsregeln und das System simuliert gegen zwischengespeicherte Marktdaten. Ehrlich bezüglich der Datenbeschränkungen – es zeigt klar an, ob der historische Zeitraum genug Abdeckung für aussagekräftige Ergebnisse hat.

Einschränkungen: Deckt nur Polymarket-Daten ab, die wir zwischengespeichert haben (typischerweise 7–90 Tage, je nachdem, wann du startest). Simuliert keine Gas-Gebühren explizit (du solltest für realistische Schätzungen 1–3 % von den Rohergebnissen abziehen).

### Eigene Python-Backtests

Für erfahrene Entwickler bietet der Bau eines eigenen Backtests in Python volle Kontrolle. Bibliotheken, die man kennen sollte: - pandas (Datenmanipulation) - numpy (numerische Berechnung) - requests (Polymarket-API-Aufrufe) - matplotlib (Visualisierung)

Zeitinvestition: 1–2 Wochen zum Bauen, plus laufende Wartung, wenn sich APIs ändern.

### Tabellenkalkulations-Backtests

Für einfache Strategien funktionieren Excel/Google Sheets. Gib historische Marktdaten manuell ein, definiere Formeln für Ein-/Ausstieg, berechne das P&L.

Mühsam, aber transparent – du siehst genau, was bei jedem Schritt passiert. Gut zum Lernen.

## Der Forward-Test

Der richtige Weg, einen Forward-Test durchzuführen, ist Paper Trading. Unser [Leitfaden zum Paper Trading](/blog/paper-trading-prediction-markets) behandelt, wie man es richtig macht.

Selbst ein perfekter Backtest beweist nicht, dass eine Strategie in der Zukunft funktioniert. Die einzige ehrliche Validierung ist der Forward-Test: Paper-Trade die Strategie 30–60 Tage lang auf Live-Märkten, mit denselben Regeln wie in deinem Backtest.

Vergleiche das P&L des Forward-Tests mit dem des Backtests. Wenn sie nahe beieinanderliegen, ist dein Backtest realistisch. Wenn der Forward-Test deutlich schlechter ist, hatte dein Backtest versteckte Fehler (Survivorship, Look-Ahead usw.).

Die meisten Strategien, die im Backtest großartig aussehen, schneiden im Forward-Test 30–50 % schlechter ab. Das ist der Preis für all die realistische Reibung, die du nicht berücksichtigt hast.

## Ein realistischer Workflow

1. Strategie präzise definieren (Regeln aufschreiben) 2. Einfachen Backtest gegen 30–60 Tage Daten bauen 3. Auf offensichtliche Fehler prüfen (Look-Ahead usw.) 4. Wenn die Ergebnisse gut aussehen, 30 Tage live Paper-Trading betreiben 5. Paper-Trading-Ergebnisse mit der Backtest-Projektion vergleichen 6. Wenn nah beieinander, mit kleinen echten Positionsgrößen ausrollen 7. Weiter tracken und basierend auf der realen Performance anpassen

Dieser Workflow dauert insgesamt 2–3 Monate. Die meisten Trader überspringen die Schritte 4–5 und gehen direkt vom Backtest zu großen echten Positionen über. Sie verlieren Geld.

## Fazit

Backtests sind nützlich, um offensichtlich kaputte Strategien auszuschließen und grobe Performance-Schätzungen zu erhalten. Sie sind KEIN Beweis dafür, dass deine Strategie funktioniert. Der einzige Beweis ist echtes Trading über Monate mit echtem Geld zu echten Preisen.

Baue Backtests sorgfältig. Berücksichtige Gebühren, Slippage und Survivorship. Validiere mit Forward-Tests, bevor du skalierst. Tracke alles.

Die besten Strategien in Prediction-Märkten sind typischerweise einfach. Unser [Leitfaden, wie man +EV-Märkte findet](/blog/how-to-find-ev-markets-polymarket) führt durch einen solchen Workflow: Identifiziere eine Kategorie, in der du einen Informations-Edge hast, dimensioniere Positionen konservativ, führe konsequent aus. Keine noch so große Menge an Backtesting gleicht einen fehlenden echten Edge aus.