Die wichtigsten Arten von Handelsstrategien im algorithmischen Handel

Algorithmischer Handel beginnt nicht mit der Frage "wo soll ich kaufen?" und auch nicht mit der Auswahl eines Indikators. Er beginnt mit einer Hypothese darüber, warum sich der Markt manchmal nicht zufällig verhält: Er setzt eine Bewegung fort, kehrt zu einem Mittelwert zurück, läuft zwischen verwandten Instrumenten vorübergehend auseinander, bezahlt Liquiditätsbereitstellung oder vergütet die Verteilung von Risiko über mehrere Assets.

Deshalb ist ein Strategietyp kein fertiges Rezept, sondern eine Beschreibung der vermuteten Quelle eines Edge. Ein Ansatz lebt von Trends, ein anderer von kurzfristigen Abweichungen, ein dritter von der Mikrostruktur des Orderbuchs, ein vierter von Portfoliodiversifikation. Jeder hat seine eigene Handelsfrequenz, eigene Datenanforderungen, ein eigenes Ausführungsmodell, ein eigenes Drawdown-Profil und das Risiko, dass das Muster verschwindet.

Im Folgenden geht es um die wichtigsten Strategietypen, ohne Handelssignale und ohne Renditeversprechen. Ziel ist nicht, die "beste" Strategie auszuwählen, sondern zu verstehen, welche Markthypothese jede Gruppe testet und woran sie typischerweise scheitert.

Trend following

Trend following beruht auf der Annahme, dass eine starke Bewegung länger anhalten kann, als es einem rationalen Beobachter plausibel erscheint. Die Strategie versucht nicht, den Tiefpunkt oder den Hochpunkt zu treffen. Sie wartet auf eine Bestätigung der Richtung und steigt erst ein, nachdem ein Teil der Bewegung bereits stattgefunden hat.

In einfacher Form kann das eine Regel auf Basis von gleitenden Durchschnitten, Kanälen, Breakout-Filtern oder positiver Rendite in einer zurückliegenden Periode sein. Strenger formuliert liegt es nahe an time-series momentum: Das Instrument wird relativ zu seiner eigenen Vergangenheit bewertet, nicht relativ zu anderen Assets. Moskowitz, Ooi und Pedersen dokumentierten die Persistenz dieses Effekts über verschiedene Futures-Klassen hinweg, auch wenn daraus kein dauerhaftes Marktgesetz wird. 1

Der wichtigste Preis von trend following ist Verzögerung. Die Strategie kauft häufig nicht "billig", sondern nach einem Anstieg, und verkauft nicht am Hoch, sondern nach einer Umkehr. In einem Seitwärtsmarkt entstehen Serien falscher Einstiege: Der Preis läuft etwas aus der Spanne heraus, das Signal wird ausgelöst, dann kehrt der Markt zurück. Solche Systeme hängen deshalb oft von seltenen starken Trends ab, die viele kleine Verluste ausgleichen.

Die technische Frage lautet hier nicht "welcher Indikator ist besser", sondern ob die Strategie lange Phasen von Whipsaw aushält, Gebühren und Slippage berücksichtigt, die Positionsgröße nach einem erfolgreichen Trend nicht zu aggressiv erhöht und bei veränderter Volatilität stabil bleibt.

Mean reversion

Mean reversion geht von der entgegengesetzten Idee aus: Eine Abweichung von einem durchschnittlichen Zustand setzt sich nicht immer fort; manchmal kehrt der Markt zurück. Der Durchschnitt kann ein moving average sein, ein fairer Wert, ein Spread zwischen verwandten Instrumenten, eine Faktorschätzung, eine Intraday-Spanne oder eine statistische Volatilitätsnorm.

Solche Strategien wirken oft intuitiv: Wenn der Preis zu weit gelaufen ist, kann man eine Rückkehr erwarten. Aber das Wort "zu" ist gefährlich. Eine Abweichung kann vorübergehendes Rauschen sein, oder sie kann den Beginn eines neuen Regimes markieren. Was gestern eine Überdehnung war, kann heute eine Neubewertung von Information durch den Markt sein.

Mean reversion ist besonders empfindlich gegenüber dem Zeithorizont. Auf kurzen Intervallen kann Rückkehr mit Mikrostruktur, Order Flow und temporären Liquiditätsungleichgewichten zusammenhängen. Auf längeren Intervallen geht es eher um Value, fundamentale Schätzungen oder überfüllte Faktoren. Ein falscher Horizont macht aus der Strategie ein Averaging gegen den Markt: Die Position wächst genau dann, wenn die Hypothese bereits nicht mehr funktioniert.

Deshalb braucht mean reversion klare Stop-Regeln. Es reicht nicht, ein Abweichungssignal zu haben; man braucht auch ein Kriterium, wann ein Fehler anerkannt wird: wann die Abweichung aufgehört hat, Rauschen zu sein, und zu einem neuen Marktzustand geworden ist.

Momentum

Momentum ähnelt trend following, setzt aber einen anderen Schwerpunkt. Trend following betrachtet häufiger die Dynamik eines Instruments relativ zu sich selbst: Gibt es eine stabile Richtung? Momentum vergleicht Instrumente oft miteinander: Welche Assets waren in der Vergangenheit stärker oder schwächer, und bleibt diese relative Stärke bestehen?

Die klassische Arbeit von Jegadeesh und Titman zeigte, dass der Kauf vergangener "Gewinner" und der Verkauf vergangener "Verlierer" über Horizonte von 3 bis 12 Monaten in der untersuchten Stichprobe amerikanischer Aktien statistisch signifikante Ergebnisse lieferte. 2 Für die Praxis ist nicht eine konkrete historische Rendite entscheidend, sondern der Punkt: Momentum ist keine Trader-Stimmung, sondern ein erforschter Markteffekt mit umfangreicher Literatur und ebenso großen Grenzen.

Die Schwäche von Momentum sind crowded trades und abrupte Umkehrungen. Wenn viele Teilnehmer ähnliche Positionen halten, kann ihr Ausstieg zu einer sich selbst verstärkenden Bewegung in die Gegenrichtung werden. Außerdem kommt Momentum schlecht mit Phasen zurecht, in denen der Markt schnell zwischen Gewinnern und Verlierern wechselt.

In der algorithmischen Umsetzung braucht Momentum fast immer eine Portfoliosicht: wie Instrumente gerankt werden, wie häufig rebalanciert wird, wie viel Turnover die Strategie erzeugt, ob das Signal nach Gebühren bestehen bleibt und ob das Ergebnis nicht aus survivorship bias entsteht.

Breakout strategies

Breakout strategies arbeiten mit dem Moment, in dem der Preis eine Spanne, ein Level, einen Kanal oder ein Regime niedriger Volatilität verlässt. Die Hypothese ist einfach: Wenn der Markt lange komprimiert war oder innerhalb von Grenzen gehalten wurde, kann ein Ausbruch darüber hinaus neue Information, ein Order-Ungleichgewicht oder den Beginn einer Bewegung anzeigen.

Das Problem ist, dass alle den Breakout sehen. Hochs, Tiefs und runde Zahlen werden oft zu Zonen erhöhten Rauschens: Dort werden Stop Orders ausgelöst, aggressive Orders erscheinen, Market Maker passen Quotes an, und kurzfristige Teilnehmer versuchen, den Impuls zu erwischen. Ein falscher Ausbruch ist deshalb keine Ausnahme, sondern ein normaler Teil dieser Strategieklasse.

Für Breakout-Ansätze ist das Ausführungsmodell besonders wichtig. Auf dem Chart sieht der Einstieg wie ein sauberes Überschreiten eines Levels aus. In der Realität weitet sich nach einem Breakout der Spread, verfügbare Liquidität kann verschwinden, und eine Market Order erhält möglicherweise einen schlechteren Preis, als der Backtest annimmt. Börsendokumentation zu Market Data und Order Book zeigt, dass der Markt als Strom von Orders, Trades und Tiefenaktualisierungen existiert, nicht als saubere Preislinie. 3

Deshalb ist im Test nicht nur der Breakout selbst wichtig. Man muss verstehen, was innerhalb der Kerze passiert ist, mit welcher Verzögerung das Signal erschien, zu welchem Preis die Order realistisch ausgeführt werden konnte und wie die Strategie eine Serie falscher Einstiege übersteht.

Arbitrage

Arbitrage im strengen Sinn ist der Versuch, an einer Preisdifferenz zwischen verwandten Instrumenten oder Handelsplätzen zu verdienen. Das einfachste Beispiel: Dasselbe Asset wird auf zwei Börsen zu unterschiedlichen Preisen gehandelt. Komplexere Varianten umfassen cash-and-carry, funding arbitrage, Dreiecksketten, Unterschiede zwischen Spot und Derivaten oder zwischen einem ETF und seinem zugrunde liegenden Korb.

Auf dem Papier wirkt Arbitrage fast risikolos: billiger kaufen, teurer verkaufen. In einem Handelssystem wird daraus schnell ein Infrastrukturproblem. Das System muss Preise gleichzeitig sehen, Gebühren, Funding, Auszahlungsbeschränkungen, Verwahr- oder Transferrisiken, Latenz, Teilausführungen, API-Limits und die Möglichkeit berücksichtigen, dass ein Leg ausgeführt wird und das andere nicht.

Im Kryptomarkt kommt die Fragmentierung der Venues hinzu. Dasselbe Symbol kann unterschiedliche Tiefe, unterschiedliche Gebühren, unterschiedliche Margin-Regeln und unterschiedliche Verzögerungen bei Datenupdates haben. Eine Kursdifferenz ist nicht immer eine Chance; manchmal ist sie nur eine Kompensation für Transferrisiko, geringe Liquidität oder eingeschränkten Zugang.

Arbitrage-Strategien bewertet man deshalb nicht nach einer attraktiven Preisdifferenz auf dem Bildschirm, sondern danach, ob der gesamte Zyklus ausführbar ist: Daten, Ausführung, alle Kosten, Bestandskontrolle, Fehlerbehandlung und Notfalllogik, wenn Positionen auseinanderlaufen.

Market making

Market making ist Liquiditätsbereitstellung durch gleichzeitige Bid- und Ask-Quotes. Die Idee ist nicht, die Richtung vorherzusagen, sondern den Markt systematisch zu quotieren und eine Vergütung für den Spread zu erhalten, während inventory risk und adverse selection risk übernommen werden.

Inventory risk entsteht, wenn die Strategie eine zu große Position in eine Richtung aufbaut. Wenn der Markt weiter dagegenläuft, verwandelt die angesammelte Position das "Verdienen am Spread" in eine gerichtete Wette. Adverse selection bedeutet, dass der Market Maker häufig genau dann ausgeführt wird, wenn die Gegenseite mehr Information hat: Sein Bid wird vor einem Fall getroffen, sein Ask vor einem Anstieg.

Avellaneda und Stoikov formalisierten market making als Quotierungsproblem in einem limit order book unter Berücksichtigung von Inventory und der Intensität eintreffender Orders. 4 Die praktische Lehre aus solchen Modellen ist nicht, dass es eine universelle Quote-Formel gibt, sondern dass market making vor allem Management von Positionsrisiko, Queue-Position und Ausführungswahrscheinlichkeit ist.

Dieser Strategietyp stellt besonders hohe Anforderungen an die Infrastruktur. Er braucht schnelle Orderbuchdaten, stabile Verbindung zur Börse, Limitkontrollen, Logik für Stornierung und Neusetzen von Orders, Schutz vor stale quotes und Monitoring von Abweichungen. Ohne das kann eine Strategie in der Simulation stabil aussehen und in der Live-Ausführung Geld verlieren.

Pairs trading

Pairs trading ist ein Spezialfall des relativen Handels. Die Strategie wählt zwei verwandte Instrumente, beobachtet ihren Spread und nimmt an, dass eine vorübergehende Divergenz sich schließen kann. Ein klassisches Beispiel sind zwei Aktien aus derselben Branche, zwei ETFs mit ähnlicher Exponierung oder Spot und ein Derivat auf dasselbe Underlying.

Das wichtige Wort ist "verwandt". Eine einfache Korrelation der Renditen garantiert nicht, dass Preise zu einem stabilen Verhältnis zurückkehren. Bei pairs trading betrachtet man häufig Cointegration, Stabilität des Spreads, gemeinsame Faktoren, Liquidität beider Legs und die Historie zerbrochener Beziehungen. Gatev, Goetzmann und Rouwenhorst untersuchten pairs trading als relative-value-Regel auf einer langen Historie amerikanischer Aktien, aber auch diese Formulierung ersetzt nicht die Berücksichtigung von Kosten und Instabilität des Effekts. 5

Das Hauptrisiko bei pairs trading ist, dass der Spread nicht konvergieren muss. Unternehmen können sich fundamental auseinanderentwickeln, ein Asset kann Liquidität verlieren, ein regulatorisches Ereignis kann die Beziehung verändern, und in Krisen verhalten sich Korrelationen oft anders als in einer ruhigen Stichprobe.

Pairs trading ist deshalb nicht "eine Position gleicht die andere aus", sondern eine doppelte Aufgabe: prüfen, ob die Beziehung stabil ist, und den Schaden im Voraus begrenzen, falls diese Beziehung nicht mehr existiert.

Statistical arbitrage

Statistical arbitrage ist breiter als pairs trading. Es ist eine Familie von Strategien, bei der der Edge aus vielen schwachen statistischen Abweichungen zusammengesetzt wird: Faktorresiduen, cross-sectional Rankings, PCA-Komponenten, sector-neutral Portfolios, kurzfristige Reversal-Signale, Imbalance-Merkmale und andere Modelle.

Der Name kann zu selbstsicher klingen. "Arbitrage" bedeutet hier normalerweise keinen risikolosen Trade. Häufiger ist es eine Wette darauf, dass viele kleine Muster, diversifiziert über Instrumente und Zeit, eine stabile Ergebnisverteilung erzeugen. Avellaneda und Lee untersuchten statistical arbitrage in amerikanischen Aktien über PCA- und ETF-Faktormodelle und zeigten dabei nicht nur die Methodik, sondern auch eine Verschlechterung der Ergebnisse in bestimmten Perioden. 6

Das größte Risiko bei statistical arbitrage ist Overfitting. Je mehr Merkmale, Instrumente, Filter und Parameter ein Forscher ausprobiert, desto höher ist die Chance, eine schöne historische Illusion zu finden. Im Backtest sieht sie wie ein sauberer Edge aus; im Live-Handel kann sie nach Gebühren, Slippage und Regimewechsel verschwinden.

Deshalb sind out-of-sample, walk-forward, Kontrolle von data snooping, ehrliche Modellierung von transaction costs und die Analyse, ob das Signal bei benachbarten Parametern stabil bleibt, hier besonders wichtig. Wenn eine Strategie nur in einer engen Konfiguration funktioniert, ist das meist ein Zeichen von Fragilität, nicht von Präzision.

Portfolio strategies

Portfolio strategies sind kein einzelnes Signal, sondern eine Ebene zur Verteilung von Kapital zwischen Assets, Faktoren und den Strategien selbst. Manchmal bestimmt diese Portfolioebene das endgültige Verhalten des Systems stärker als die einzelnen Ein- und Ausstiege.

Der klassische Rahmen beginnt mit der Modern Portfolio Theory: Das Risiko eines Portfolios hängt nicht nur vom Risiko einzelner Assets ab, sondern auch von ihrer Kovarianz. 7 Im algorithmischen Handel erweitert sich diese Idee: Man kann nicht nur Assets diversifizieren, sondern auch Horizonte, Alpha-Quellen, Marktregime, Ausführungsarten und Risikobudgets.

Praktische Portfolio-Strategien umfassen risk parity, volatility targeting, factor allocation, periodisches Rebalancing, Konzentrationslimits, drawdown-based de-risking und Kapitalverteilung über mehrere unabhängige Systeme. Ihr Ziel ist nicht, den nächsten Tick zu erraten, sondern zu verhindern, dass eine einzelne Risikoquelle über das gesamte Kapital entscheidet.

Diversifikation wird jedoch häufig überschätzt. Zehn Strategien auf einem Markt können sich als eine einzige Wette auf Liquidität oder ein einziges Volatilitätsregime erweisen. In einer ruhigen Historie sehen Korrelationen niedrig aus; in Stressphasen laufen sie zusammen. Ein Portfolioansatz braucht deshalb Stresstests, Szenarien und die ehrliche Frage: Wie viele wirklich unabhängige Risikoquellen hat das System?

In Werkzeugen wie ai-trader ist diese Ebene nicht als Schaufenster für "viele Strategien" nützlich, sondern als Disziplin: Expositionslimits, Korrelationskontrolle, Rebalancing-Journal, Drawdown-Monitoring und reproduzierbarer Vergleich von Strategien über risk-adjusted Kennzahlen.

Wie man Strategietypen vergleicht

Strategien lassen sich nicht ehrlich nur nach historischer Rendite vergleichen. Verschiedene Klassen verdienen in verschiedenen Bedingungen und scheitern auf unterschiedliche Weise.

Für eine erste Bewertung sind technische Fragen hilfreicher:

• welche Daten die Strategie braucht: OHLCV, Tick Data, Orderbuch, Funding, Corporate Actions, On-chain-Metriken oder Nachrichten;
• welcher Entscheidungshorizont vorliegt: Sekunden, Minuten, Tage, Wochen oder Monate;
• wie stark das Ergebnis von Gebühren, Spread, Slippage, Funding und Borrow Costs abhängt;
• ob das Signal in realer Größe ohne merklichen Market Impact ausführbar ist;
• wie sich die Strategie in Trend, Seitwärtsmarkt, Liquiditätskrise und starkem Volatilitätsanstieg verhält;
• ob Capacity vorhanden ist: wie viel Kapital eingesetzt werden kann, bevor der Edge verschwindet;
• wie Tail Risk aussieht: seltene Verluste, Gap Risk, Liquidation Risk, ein festhängendes Leg;
• ob die Strategie bei benachbarten Parametern und anderen Datenstichproben stabil bleibt;
• welche pre-trade und post-trade controls vor dem Live-Start nötig sind.

Der letzte Punkt wird häufig unterschätzt. Regulatoren betrachten automated trading nicht als "Signal plus API", sondern als System mit Tests, Limits, Monitoring, Zugriffskontrolle, Resilienz und Verfahren für Störungen. Die ESMA-Guidelines zu automated trading beschreiben ausdrücklich Anforderungen an Systeme und Kontrollen für Handelsplattformen und Investmentfirmen. 8

Der praktische Schluss lautet: Der Strategietyp definiert nicht nur die Einstiegsidee, sondern den gesamten Prüfrahmen. Trend following kann auf gröberen Daten getestet werden, verlangt aber Toleranz für lange Whipsaw-Phasen. Market making braucht Orderbuchdaten und Infrastruktur. Statistical arbitrage braucht strengen Schutz vor Overfitting. Portfolio strategies brauchen Korrelationsanalyse und Denken in Stressregimen.

Fazit

Im algorithmischen Handel gibt es keinen besten Strategietyp außerhalb des Kontexts. Trend following und momentum leben von Fortsetzung. Mean reversion und pairs trading suchen nach dem Schließen von Abweichungen. Breakout strategies versuchen, den Übergang von Kompression zu Bewegung zu erfassen. Arbitrage und market making hängen von Mikrostruktur, Geschwindigkeit und Ausführung ab. Statistical arbitrage bündelt schwache Muster in einem Portfolio. Portfolio strategies steuern, wie Kapital über all diese Risikoquellen verteilt wird.

Der gemeinsame Nenner ist einfach: Eine Strategie muss eine überprüfbare Hypothese sein, keine schöne Beschreibung eines Charts. Sie braucht passende Daten, einen ehrlichen Backtest, ein Kostenmodell, Ausführungskontrolle, Risikolimits und ein Verständnis dafür, in welchem Marktregime sie aufhört zu funktionieren.

Genau das trennt algorithmischen Handel als technische Praxis vom Versuch, den nächsten Marktschritt zu erraten.