Chance-Risiko-Verhältnis im Krypto-Trading: Trefferquote, Expectancy & echten Trading-Edge verstehen

Viele Trader beurteilen ihre Leistung anhand einer einzigen Zahl:

der Trefferquote.

70 % Gewinner klingt besser als 45 %.

80 % klingt besser als 60 %.

Und eine Strategie mit nur 35 % Gewinnern wirkt auf den ersten Blick möglicherweise schlecht.

Doch diese Betrachtung ist unvollständig.

Denn eine Trading-Strategie kann sehr häufig gewinnen und trotzdem langfristig Geld verlieren.

Umgekehrt kann ein System mehr Trades verlieren als gewinnen und trotzdem einen positiven Erwartungswert besitzen.

Der Grund:

Nicht nur die Anzahl der Gewinner zählt – sondern auch die Größe von Gewinnern und Verlusten.

Genau deshalb verbinden wir in diesem Kapitel:

• Risk/Reward Ratio,
• Chance-Risiko-Verhältnis,
• Trefferquote,
• Break-Even-Win-Rate,
• R-Multiples,
• Payoff Ratio,
• Expectancy,
• Profit Factor,
• Losing Streaks,
• Varianz,
• Drawdowns,
• Backtesting.

1. Was bedeutet Chance-Risiko-Verhältnis?

Das Chance-Risiko-Verhältnis – häufig auch:

Risk/Reward Ratio oder R:R

genannt – vergleicht den möglichen Gewinn eines Trades mit dem geplanten Verlust.

Beispiel:

• geplanter Verlust: 100 €
• möglicher Gewinn: 200 €

Daraus ergibt sich:

200 ÷ 100 = 2

Das bedeutet:

2:1 Chance zu Risiko.

In R-Multiples:

+2R potenzielles Target.

2. Was bedeutet 1R?

1R beschreibt das vorher definierte Risiko eines einzelnen Trades.

Angenommen:

• Tradingkonto: 20.000 €
• Risk per Trade: 0,5 %

Dann beträgt:

20.000 × 0,005 = 100 €

Damit gilt:

1R = 100 €.

R erlaubt damit, unterschiedliche Trades unabhängig von der Kontogröße miteinander zu vergleichen.

3. Trefferquote allein ist nicht ausreichend

Nehmen wir zwei hypothetische Systeme.

System A gewinnt:

7 von 10 Trades.

System B nur:

4 von 10 Trades.

Trotzdem kann System B statistisch überlegen sein.

Um das zu verstehen, benötigen wir:

Expectancy.

4. Was ist der Erwartungswert – Expectancy?

Expectancy beschreibt vereinfacht, welches durchschnittliche Ergebnis ein Trading-System pro Trade erwarten lässt, wenn seine historischen Eigenschaften langfristig ähnlich bleiben.

Eine vereinfachte Formel lautet:

Expectancy = (Win Rate × Average Win) − (Loss Rate × Average Loss)

Dabei sollten Gewinn und Verlust idealerweise in R ausgedrückt werden.

Wichtig:

Ein historisch positiver Erwartungswert garantiert keine zukünftigen Gewinne.

Er beschreibt lediglich die beobachteten beziehungsweise angenommenen statistischen Eigenschaften des Systems.

5. Expectancy von System A

System A:

• Win Rate: 70 %
• Average Win: +0,5R
• Loss Rate: 30 %
• Average Loss: -1R

Berechnung:

(0,70 × 0,5) − (0,30 × 1)

ergibt:

0,35 − 0,30 = +0,05R

Das System besitzt in diesem vereinfachten Beispiel:

+0,05R Expectancy pro Trade.

6. Expectancy von System B

System B:

• Win Rate: 40 %
• Average Win: +2R
• Loss Rate: 60 %
• Average Loss: -1R

Berechnung:

(0,40 × 2) − (0,60 × 1)

ergibt:

0,80 − 0,60 = +0,20R

Trotz deutlich niedrigerer Trefferquote besitzt System B in diesem Beispiel einen viermal höheren Erwartungswert als System A.

7. Warum 90 % Trefferquote trotzdem gefährlich sein kann

Nehmen wir ein extremes Beispiel.

System C:

• 90 % Gewinner
• Average Win: +0,2R
• 10 % Verlierer
• Average Loss: -3R

Expectancy:

(0,90 × 0,2) − (0,10 × 3)

ergibt:

0,18 − 0,30 = -0,12R

Obwohl 9 von 10 Trades gewinnen, besitzt das System:

negative Expectancy.

Das Problem:

Die wenigen Verluste sind wesentlich größer als die vielen kleinen Gewinne.

8. Das typische Profil eines Systems mit hoher Win Rate

Manche Strategien erzeugen bewusst:

• viele kleine Gewinner,
• seltene größere Verluste.

Das kann beispielsweise bei bestimmten:

• Mean-Reversion-Strategien,
• Range-Strategien,
• Optionsstrategien

auftreten.

Solche Systeme können funktionieren.

Entscheidend ist jedoch, dass die seltenen Verluste nicht so groß werden, dass sie viele vorherige Gewinner auslöschen.

9. Das typische Profil eines Systems mit niedriger Win Rate

Trend-Following-Systeme können beispielsweise eine niedrigere Trefferquote besitzen.

Dafür können einzelne Gewinner:

• +3R,
• +5R,
• +8R

oder mehr erreichen.

Das System lebt dann nicht von vielen Gewinnern, sondern:

von wenigen großen Gewinnern und vielen kontrollierten kleinen Verlusten.

10. Break-Even-Win-Rate

Für ein bestimmtes durchschnittliches Gewinn-/Verlust-Verhältnis lässt sich berechnen, welche Trefferquote theoretisch mindestens benötigt wird, um vor Kosten ungefähr Break-Even zu sein.

Eine vereinfachte Formel lautet:

Break-Even Win Rate = Average Loss ÷ (Average Win + Average Loss)

Dabei werden Gewinn und Verlust als positive Größen eingesetzt.

11. Break-Even bei 1:1

Average Win:

1R

Average Loss:

1R

Berechnung:

1 ÷ (1 + 1) = 0,50

Break-Even-Win-Rate:

50 %.

Gebühren und Slippage sind dabei noch nicht berücksichtigt.

12. Break-Even bei 2:1

Average Win:

2R

Average Loss:

1R

Berechnung:

1 ÷ (2 + 1) = 33,33 %

Das bedeutet:

Bei einem tatsächlich realisierten durchschnittlichen Gewinn von 2R und durchschnittlichen Verlust von 1R benötigt ein System theoretisch etwas mehr als ein Drittel Gewinner, um nach Kosten nicht negativ zu werden.

13. Break-Even-Tabelle

Diese Werte sind:

mathematische Break-Even-Werte vor Handelskosten.

Sie sind keine Ziel-Trefferquoten und keine Garantie, dass ein System profitabel bleibt.

14. Gebühren verschieben die Break-Even-Grenze

Reales Trading besitzt Kosten.

Dazu können gehören:

• Trading Fees,
• Spread,
• Slippage,
• Funding,
• weitere produktspezifische Kosten.

Deshalb benötigt ein reales System eine etwas höhere Performance als die theoretische Break-Even-Grenze.

Besonders relevant wird dies bei:

• Scalping,
• sehr kleinen Targets,
• hoher Tradingfrequenz,
• illiquiden Assets.

15. Planned R:R vs. Realized R:R

Ein häufiger Fehler besteht darin, das geplante Chance-Risiko-Verhältnis mit dem tatsächlich realisierten Verhältnis gleichzusetzen.

Beispiel:

Vor dem Trade:

• Stop: -1R
• Target: +3R

Auf dem Papier:

3:1.

Der Trader schließt jedoch regelmäßig bereits bei:

+1,2R.

Sein tatsächliches System besitzt deshalb nicht automatisch ein durchschnittliches 3:1-Verhältnis.

Entscheidend ist:

Realized Average Win.

16. Warum ein 5R-Target nicht automatisch ein 5R-System erzeugt

Ein Chart kann jederzeit mit einem weit entfernten Target versehen werden.

Daraus entsteht jedoch noch kein statistischer Vorteil.

Wenn:

• das Target selten erreicht wird,
• Teilgewinne vorher realisiert werden,
• Stops häufig auf Break-Even gezogen werden,
• der Trader früher aussteigt,

kann der tatsächliche Average Win weit unter 5R liegen.

17. Payoff Ratio

Eine hilfreiche Kennzahl ist:

Payoff Ratio.

Sie vergleicht:

durchschnittlichen Gewinner mit durchschnittlichem Verlierer.

Vereinfachte Formel:

Payoff Ratio = Average Win ÷ Average Loss

Beispiel:

• Average Win: 2,4R
• Average Loss: 0,9R

Daraus ergibt sich:

2,4 ÷ 0,9 ≈ 2,67

Das Verhältnis beträgt damit:

ungefähr 2,67 : 1.

18. Profit Factor

Eine weitere häufig verwendete Kennzahl lautet:

Profit Factor.

Sie vergleicht:

Bruttogewinne mit Bruttoverlusten.

Formel:

Profit Factor = Gross Profit ÷ Gross Loss

Beispiel:

• Gesamtgewinn aller Gewinner: 12.000 €
• Gesamtverlust aller Verlierer: 8.000 €

Daraus ergibt sich:

12.000 ÷ 8.000 = 1,5

Profit Factor:

1,5.

Ein Wert über 1 bedeutet, dass die Bruttogewinne in der betrachteten Stichprobe größer waren als die Bruttoverluste.

19. Profit Factor alleine reicht ebenfalls nicht

Ein Profit Factor von 2 klingt stark.

Aber wir müssen zusätzlich wissen:

• Wie viele Trades wurden ausgewertet?
• Über welchen Zeitraum?
• Welche Marktregime?
• Wie groß war der Drawdown?
• Wie stabil waren die Ergebnisse?
• Wurden Gebühren berücksichtigt?

Ein System mit:

Profit Factor 3 nach 12 Trades

kann wesentlich weniger aussagekräftig sein als ein System mit:

Profit Factor 1,5 nach mehreren hundert vergleichbaren Trades.

20. Sample Size – warum zehn Trades fast nichts beweisen

Kurzfristige Trading-Ergebnisse können stark durch Zufall beeinflusst werden.

Ein Trader kann:

• fünf Trades gewinnen,
• zehn Trades gewinnen,
• oder eine längere Verlustserie erleben,

ohne dass dadurch die langfristige Qualität seines Systems eindeutig bewiesen wird.

Je kleiner die Stichprobe, desto stärker können einzelne Ausreißer das Ergebnis verzerren.

Deshalb sollte ein System anhand möglichst vieler vergleichbarer Trades analysiert werden.

21. Nicht jeder Trade gehört in dieselbe Stichprobe

Ein häufiger Analysefehler besteht darin, völlig unterschiedliche Trades gemeinsam auszuwerten.

Beispiel:

• BTC Trend Pullback
• SOL Scalping
• ETH Range Fade
• News Breakout

Diese Trades können völlig unterschiedliche statistische Eigenschaften besitzen.

Professioneller ist:

Setups separat zu taggen und getrennt auszuwerten.

22. Marktregime verändert Expectancy

Eine Strategie kann in einem bestimmten Marktregime hervorragend funktionieren und in einem anderen deutlich schlechter.

Trendmarkt

Trend-Following kann profitieren.

Range-Markt

dieselbe Strategie kann viele Fehlsignale erzeugen.

Low Volatility

Breakouts können weniger Follow-through besitzen.

High Volatility

Stops, Slippage und Drawdowns können steigen.

Expectancy ist deshalb keine unveränderliche Naturkonstante.

23. Positive Expectancy bedeutet nicht Gewinn bei jedem Trade

Ein System kann beispielsweise eine historische Expectancy von:

+0,30R

besitzen.

Das bedeutet nicht:

Jeder neue Trade verdient 0,30R.

Einzelne Ergebnisse können sein:

-1R → -1R → +3R → -1R → +5R → -1R

Expectancy beschreibt einen Durchschnitt über viele Beobachtungen.

24. Varianz

Zwei Systeme können denselben Erwartungswert besitzen und sich trotzdem völlig unterschiedlich anfühlen.

Beispiel:

System A

viele kleine Gewinner und kleine Verluste.

System B

viele Verluste und wenige sehr große Gewinner.

Beide könnten theoretisch:

+0,2R Expectancy

besitzen.

System B kann jedoch wesentlich größere Schwankungen und längere Verlustphasen erzeugen.

Deshalb muss neben Expectancy auch:

Varianz

betrachtet werden.

25. Losing Streaks sind normal

Ein System mit 50 % Trefferquote bedeutet nicht:

Gewinn → Verlust → Gewinn → Verlust.

Die Reihenfolge ist zufällig beziehungsweise vom Marktprozess abhängig.

Eine Sequenz kann beispielsweise lauten:

L → L → L → L → W → W → L → W

Mehrere Verluste hintereinander sind deshalb selbst bei funktionierenden Systemen möglich.

Genau aus diesem Grund muss die Positionsgröße Verlustserien überleben können.

26. Wahrscheinlichkeit mehrerer Verluste direkt hintereinander

Unter der stark vereinfachenden Annahme, dass jeder Trade unabhängig ist und dieselbe Verlustwahrscheinlichkeit besitzt, kann die Wahrscheinlichkeit, dass die nächsten n Trades alle verlieren, berechnet werden als:

P = Loss Rateⁿ

Beispiel:

Loss Rate:

60 %.

Wahrscheinlichkeit, dass die nächsten fünf Trades alle verlieren:

0,60⁵ ≈ 7,78 %

Wichtig:

Das ist nicht dieselbe Frage wie:

„Wie wahrscheinlich ist es, irgendwann innerhalb von 100 Trades eine Serie von fünf Verlusten zu sehen?“

Diese Wahrscheinlichkeit wäre deutlich höher und benötigt eine andere Berechnung.

27. Warum Losing Streaks psychologisch gefährlich sind

Nach mehreren Verlusten beginnen Trader häufig:

• Positionsgrößen zu verändern,
• Setups auszulassen,
• Regeln zu ändern,
• Stops enger zu setzen,
• Gewinne früher zu nehmen,
• Revenge Trades zu eröffnen.

Dadurch wird das ursprünglich getestete System nicht mehr ausgeführt.

Die statistische Aussage des Backtests verliert dadurch zusätzlich an Relevanz.

28. Drawdown gehört zur Systembewertung

Ein System sollte nicht nur danach beurteilt werden, wie viel es verdient.

Wir müssen auch wissen:

Welche Verlustphasen waren dafür notwendig?

Zwei Systeme können denselben Endgewinn besitzen.

Das Risiko- und Belastungsprofil dieser Systeme ist offensichtlich sehr unterschiedlich.

29. Warum große Drawdowns mathematisch problematisch sind

Genau deshalb ist Kapitalerhalt ein zentraler Bestandteil professionellen Tradings.

30. Expectancy vs. Risk of Ruin

Ein positiver Erwartungswert allein schützt nicht vor einem katastrophalen Drawdown.

Wenn die Positionsgröße zu aggressiv gewählt wird, können:

• Varianz,
• Losing Streaks,
• Slippage,
• ungewöhnliche Marktbewegungen

zu so großen Verlusten führen, dass der Trader seinen möglichen Edge nicht lange genug ausspielen kann.

Deshalb gehören zusammen:

EXPECTANCY + POSITION SIZING + DRAWDOWN CONTROL

31. Expectancy in Geld umrechnen

Angenommen:

• Expectancy: +0,25R
• 1R: 100 €

Dann entspricht der theoretische historische Durchschnitt:

0,25 × 100 € = 25 € pro Trade.

Bei 100 vergleichbaren Trades wäre der theoretische Erwartungswert:

100 × 25 € = 2.500 €

vor Abweichungen, sich verändernden Marktbedingungen und nicht bereits berücksichtigten Kosten.

Das ist keine Gewinnprognose.

Es ist eine mathematische Projektion auf Basis der angenommenen Kennzahlen.

32. Warum Tradingfrequenz allein keinen Edge erzeugt

Ein Trader mit negativer Expectancy verbessert sein System nicht, indem er mehr Trades eröffnet.

Angenommen:

Expectancy:

-0,10R.

Je häufiger das gleiche negative System ausgeführt wird, desto mehr Möglichkeiten entstehen, den negativen Erwartungswert zu realisieren.

Mehr Trades sind deshalb nur sinnvoll, wenn die zugrunde liegende Strategie tatsächlich einen belastbaren Edge besitzt.

33. Der Unterschied zwischen Edge und guter Analyse

Eine gute Marktanalyse kann einen einzelnen Trade hervorragend erklären.

Ein:

Edge

bedeutet jedoch, dass eine wiederholbare Entscheidung über eine ausreichend große Stichprobe einen positiven Erwartungswert besitzt.

Beispiel:

„Bitcoin bounced am Support.“

ist noch kein Edge.

Ein analysierbares Setup wäre eher:

Daily Trend bullish, Pullback an definierten Support, Sell-Side Sweep, 1H Structure Shift, Entry nach Retest, Stop unter Invalidierung, Exit nach festgelegtem Management.

Erst wenn dieses Setup wiederholt dokumentiert wurde, können seine statistischen Eigenschaften untersucht werden.

34. Setup Quality und Expectancy

Nicht jeder Trade innerhalb eines Systems besitzt zwangsläufig dieselbe Qualität.

Eine Möglichkeit besteht darin, Setups zu klassifizieren.

Zum Beispiel:

• A-Setup
• B-Setup
• C-Setup

Anschließend können die Gruppen getrennt ausgewertet werden.

Vielleicht zeigt sich:

Dann entsteht eine wertvolle Frage:

Warum wird C überhaupt noch gehandelt?

35. Segmentiere nach Marktregime

Dasselbe Prinzip gilt für Marktregime.

Ein Journal könnte unterscheiden:

• Trend Up
• Trend Down
• Range
• High Volatility
• Low Volatility
• Event Day

Dadurch kann sichtbar werden, dass ein Setup beispielsweise:

in Trends positiv, aber in Ranges negativ

ist.

Genau hier entsteht aus Tradingdaten:

Intelligence.

36. Backtesting

Backtesting bedeutet, eine klar definierte Tradinglogik auf historischen Daten anzuwenden und deren Ergebnisse auszuwerten.

Ein sinnvoller Backtest kann helfen, Kennzahlen zu untersuchen wie:

• Win Rate,
• Average Win,
• Average Loss,
• Expectancy,
• Profit Factor,
• Drawdown,
• Losing Streaks,
• MAE,
• MFE.

Aber:

Ein Backtest ist keine Garantie für zukünftige Ergebnisse.

37. Die Grenzen hypothetischer Performance

Hypothetische Ergebnisse besitzen fundamentale Einschränkungen.

Ein historischer Test kann beispielsweise nicht vollständig abbilden:

• psychologischen Druck realer Verluste,
• reale Ausführungsprobleme,
• veränderte Liquidität,
• Slippage,
• technische Probleme,
• menschliche Abweichungen vom System.

Die National Futures Association weist bei hypothetischer Performance ausdrücklich darauf hin, dass solche Ergebnisse häufig mit dem Vorteil rückblickender Informationen erstellt werden und tatsächliches finanzielles Risiko nicht vollständig simulieren können.

38. Hindsight Bias

Im Nachhinein wirkt ein Chart häufig offensichtlich.

Der Trader sieht:

„Hier hätte ich gekauft und dort verkauft.“

Das Problem:

Zum damaligen Zeitpunkt war die zukünftige Kursentwicklung nicht sichtbar.

Deshalb muss ein Backtest darauf achten, ausschließlich Informationen zu verwenden, die zum jeweiligen historischen Zeitpunkt tatsächlich verfügbar gewesen wären.

39. Overfitting

Ein weiteres Risiko besteht darin, eine Strategie immer stärker an historische Daten anzupassen.

Beispiel:

Nach jedem Verlust wird eine neue Regel ergänzt, bis der historische Backtest nahezu perfekt aussieht.

Dann kann die Strategie weniger ein echtes Marktverhalten und stärker:

historische Zufälligkeiten

modellieren.

Ein extrem guter Backtest sollte deshalb nicht automatisch als Beweis für einen starken zukünftigen Edge interpretiert werden.

40. In-Sample und Out-of-Sample

Eine fortgeschrittene Möglichkeit besteht darin, historische Daten in unterschiedliche Bereiche aufzuteilen.

In-Sample

Daten, mit denen eine Strategie entwickelt beziehungsweise kalibriert wird.

Out-of-Sample

Daten, die bei der Entwicklung nicht verwendet wurden und anschließend als zusätzlicher Test dienen.

Dadurch wird untersucht, ob eine Strategie auch außerhalb ihrer Entwicklungsdaten ähnliche Eigenschaften zeigt.

41. Forward Testing

Nach einem historischen Backtest kann eine Strategie unter aktuellen Bedingungen weiter beobachtet werden, ohne sofort relevantes Kapital einzusetzen.

Dies wird häufig bezeichnet als:

Forward Testing

beziehungsweise:

Paper Trading.

Auch dabei fehlen jedoch Teile des psychologischen Drucks, der mit echtem Kapital entsteht.

Deshalb bleibt selbst ein erfolgreicher Forward Test keine Garantie zukünftiger Performance.

42. Gebühren müssen in den Backtest

Eine Strategie kann theoretisch positive Expectancy besitzen und nach Kosten negativ werden.

Beispiel:

Brutto-Expectancy:

+0,08R pro Trade.

durchschnittliche Kosten:

0,10R pro Trade.

Netto:

-0,02R.

Deshalb sollten möglichst berücksichtigt werden:

• Maker Fees,
• Taker Fees,
• Spread,
• Slippage,
• Funding.

43. Slippage kann eine Strategie komplett verändern

Besonders Strategien mit sehr kleinen Targets sind empfindlich gegenüber schlechter Ausführung.

Beispiel:

Durchschnittlicher Gewinner:

+0,30R.

Wenn reale Ausführungskosten regelmäßig:

0,10R

betragen, wird ein Drittel des durchschnittlichen Gewinners bereits durch Kosten verbraucht.

Je kleiner der Edge, desto wichtiger wird Execution Quality.

44. Das Problem des Survivorship Bias

Datenanalysen können verzerrt werden, wenn nur Assets, Strategien oder Marktteilnehmer betrachtet werden, die bis heute überlebt haben.

Im Kryptomarkt ist dies besonders relevant, weil zahlreiche Projekte:

• illiquide wurden,
• delistet wurden,
• oder praktisch verschwunden sind.

Ein historischer Backtest, der ausschließlich heutige erfolgreiche Coins verwendet, kann deshalb ein zu positives Bild erzeugen.

45. Expectancy Drift

Ein Edge kann sich mit der Zeit verändern.

Ursachen können sein:

• andere Marktteilnehmer,
• veränderte Volatilität,
• höhere Konkurrenz,
• Marktstrukturänderungen,
• andere Gebühren,
• neue Produkte,
• Regimewechsel.

Deshalb sollte Expectancy nicht einmal berechnet und anschließend für immer als konstant betrachtet werden.

Ein Trading-System benötigt:

laufende Performanceüberwachung.

46. Rolling Expectancy

Eine mögliche Methode besteht darin, den Erwartungswert über ein rollierendes Fenster zu beobachten.

Beispielsweise:

• letzte 20 Trades,
• letzte 50 Trades,
• letzte 100 Trades.

Dadurch kann sichtbar werden, ob:

die aktuelle Performance deutlich von der historischen Performance abweicht.

Ein kurzfristiger Rückgang bedeutet jedoch nicht automatisch, dass ein Edge verschwunden ist.

Varianz muss weiterhin berücksichtigt werden.

47. Ein vollständiges Beispiel mit 100 Trades

Nehmen wir ein hypothetisches System:

• 100 Trades
• 45 Gewinner
• 55 Verlierer
• Average Win: +2,2R
• Average Loss: -1R

Win Rate:

45 %.

Gross Profit:

45 × 2,2R = 99R

Gross Loss:

55 × 1R = 55R

Netto:

+44R

vor Kosten.

48. Expectancy des Beispiels

Formel:

(0,45 × 2,2) − (0,55 × 1)

ergibt:

0,99 − 0,55 = +0,44R

Expectancy:

+0,44R pro Trade.

Über 100 Trades:

100 × 0,44R = +44R

Damit stimmen beide Berechnungswege überein.

49. Profit Factor des Beispiels

Gross Profit:

99R.

Gross Loss:

55R.

Profit Factor:

99 ÷ 55 = 1,8

Das System besitzt damit in der betrachteten hypothetischen Stichprobe einen Profit Factor von:

1,8.

50. Was passiert nach Handelskosten?

Angenommen, durchschnittliche Gesamtkosten betragen:

0,08R pro Trade.

Bei 100 Trades:

100 × 0,08R = 8R

Nettoergebnis:

44R − 8R = 36R

Netto-Expectancy:

+0,36R pro Trade.

Dieses Beispiel zeigt, warum Kosten in einer realistischen Systemanalyse zwingend berücksichtigt werden sollten.

51. Was passiert bei 1R = 100 €?

Nettoergebnis:

36R.

Bei:

1R = 100 €

entspräche dies:

36 × 100 € = 3.600 €

im hypothetischen Beispiel.

Das bedeutet nicht, dass die nächsten 100 Trades dasselbe Ergebnis erzeugen werden.

Es zeigt lediglich, wie R-Multiples in Geldwerte übersetzt werden können.

52. Warum Risk per Trade die Schwankungen beeinflusst

Nehmen wir dasselbe System.

Variante A:

0,5 % Risk per Trade.

Variante B:

3 % Risk per Trade.

Die Signalqualität ist identisch.

Aber:

Drawdowns, absolute Verluste und psychologische Belastung können bei Variante B wesentlich größer sein.

Deshalb ist:

Position Sizing Teil der Systemqualität.

53. Expectancy und Compounding

Wird ein fester Prozentsatz des aktuellen Kontos riskiert, verändert sich der absolute R-Wert mit der Kontogröße.

Steigt das Konto:

1R wird größer.

Fällt das Konto:

1R wird kleiner.

Dadurch entsteht:

Compounding.

Die tatsächliche Kontokurve ist deshalb nicht einfach die lineare Addition aller R-Multiples.

54. Die häufigsten Fehler bei Risk/Reward und Expectancy

Fehler 1: Nur Win Rate betrachten

Die Größe von Gewinnern und Verlusten wird ignoriert.

Fehler 2: Geplantes R:R statt realisiertes R:R verwenden

Das System sieht auf dem Papier besser aus als in der Realität.

Fehler 3: Target künstlich weit setzen

Ein theoretisches 5R-Target erzeugt noch keinen 5R-Average-Win.

Fehler 4: Stop künstlich enger setzen

Das optische R:R verbessert sich, die Marktlogik aber möglicherweise nicht.

Fehler 5: Gebühren ignorieren

Bruttoedge wird mit Nettoedge verwechselt.

Fehler 6: Zu kleine Stichprobe

Zufall wird als Edge interpretiert.

Fehler 7: Unterschiedliche Setups mischen

Schlechte und gute Systeme werden miteinander vermischt.

Fehler 8: Marktregime ignorieren

Expectancy kann sich je nach Marktumfeld verändern.

Fehler 9: Backtest für Wahrheit halten

Hypothetische Ergebnisse sind keine Garantie.

Fehler 10: System nach jedem Verlust verändern

Varianz wird mit Systemfehler verwechselt.

55. KryptoPath Expectancy Checklist

• Wie viele Trades enthält meine Stichprobe?
• Sind die Trades wirklich vergleichbar?
• Wie hoch ist meine Win Rate?
• Wie hoch ist mein Average Win in R?
• Wie hoch ist mein Average Loss in R?
• Wie hoch ist meine Payoff Ratio?
• Wie hoch ist meine Brutto-Expectancy?
• Wie hoch ist meine Netto-Expectancy nach Kosten?
• Wie hoch ist mein Profit Factor?
• Wie groß war mein Maximum Drawdown?
• Wie lang war meine größte Losing Streak?
• Wie stark schwanken meine Ergebnisse?
• Welche Setups erzeugen die beste Expectancy?
• Welche Setups erzeugen negative Expectancy?
• Wie unterscheiden sich verschiedene Marktregime?
• Sind Gebühren realistisch berücksichtigt?
• Ist Slippage enthalten?
• Sind Funding-Kosten enthalten?
• Wurde das System Out-of-Sample geprüft?
• Wird die aktuelle Performance regelmäßig überprüft?

56. Das KryptoPath Statistical Trading Framework

1. DEFINE
   Setup exakt definieren.
2. TAG
   Setup-Typ und Marktregime dokumentieren.
3. RISK
   einheitliche Risikologik verwenden.
4. EXECUTE
   Regeln konsistent umsetzen.
5. RECORD
   jeden Trade in R dokumentieren.
6. WIN RATE
   Gewinnerquote berechnen.
7. AVERAGE WIN
   durchschnittlichen Gewinner ermitteln.
8. AVERAGE LOSS
   durchschnittlichen Verlust ermitteln.
9. EXPECTANCY
   statistischen Erwartungswert berechnen.
10. PROFIT FACTOR
    Bruttogewinne und Bruttoverluste vergleichen.
11. DRAWDOWN
    Verlustphasen untersuchen.
12. COSTS
    Fees, Spread, Slippage und Funding integrieren.
13. SEGMENT
    Setups und Marktregime getrennt analysieren.
14. VALIDATE
    Backtest, Out-of-Sample und Forward Test vergleichen.
15. MONITOR
    prüfen, ob sich die statistischen Eigenschaften verändern.

57. Was du aus Kapitel 5 mitnehmen solltest

1. Eine hohe Trefferquote bedeutet nicht automatisch ein profitables System.
2. 1R beschreibt das vorher definierte Risiko eines Trades.
3. Chance-Risiko-Verhältnis und Trefferquote müssen gemeinsam betrachtet werden.
4. Expectancy verbindet Win Rate, Average Win und Average Loss.
5. Ein System kann mit weniger als 50 % Gewinnern profitabel sein.
6. Ein System kann mit über 80 % Gewinnern unprofitabel sein.
7. Die Break-Even-Win-Rate hängt vom realisierten Gewinn-/Verlust-Verhältnis ab.
8. Handelskosten erhöhen die tatsächlich notwendige Performance.
9. Geplantes R:R ist nicht dasselbe wie realisiertes R:R.
10. Payoff Ratio vergleicht Average Win mit Average Loss.
11. Profit Factor vergleicht Bruttogewinne und Bruttoverluste.
12. Keine einzelne Kennzahl sollte isoliert betrachtet werden.
13. Kleine Stichproben können stark durch Zufall verzerrt werden.
14. Unterschiedliche Setups sollten getrennt analysiert werden.
15. Marktregime können Expectancy verändern.
16. Positive Expectancy verhindert keine Losing Streaks.
17. Drawdown und Varianz gehören zur Systembewertung.
18. Ein positiver Edge kann durch zu aggressives Position Sizing zerstört werden.
19. Hypothetische Backtests besitzen inhärente Grenzen.
20. Gebühren, Slippage und Funding müssen möglichst realistisch berücksichtigt werden.
21. Die statistischen Eigenschaften eines Systems müssen laufend überprüft werden.

Fazit: Nicht Recht haben – sondern mathematisch bestehen

Professionelles Trading ist kein Wettbewerb darum, wer die meisten Marktbewegungen richtig vorhersagt.

Entscheidend ist:

Was verdient dein System, wenn es richtig liegt?

Was verliert es, wenn es falsch liegt?

Und wie häufig tritt beides auf?

Genau daraus entsteht:

EXPECTANCY.

Die vollständige Logik lautet:

WIN RATE + PAYOFF RATIO + COSTS + VARIANCE + RISK MANAGEMENT = SYSTEM QUALITY

Nicht:

„Ich hatte bei den letzten fünf Trades recht.“

Ein einzelner Trade ist ein Ergebnis.

Viele sauber dokumentierte Trades werden zu Daten.

Und erst aus diesen Daten können wir beurteilen, ob eine wiederholbare Tradinglogik tatsächlich einen Edge besitzt.

Im nächsten Kapitel gehen wir deshalb genau dort weiter:

Trading Journal professionell führen – welche Daten du dokumentieren musst, um deinen echten Edge, deine Fehler und deine stärksten Setups sichtbar zu machen.

Quellen & Methodik

• CME Group – Trade and Risk Management
  CME behandelt Kapitalallokation, Positionsgröße, Verlustkontrolle und diszipliniertes Money Management als zentrale Bestandteile eines systematischen Tradingprozesses.
  CME Group – Trade and Risk Management
• CME Group – Controlling Risk
  CME vergleicht unterschiedliche prozentuale Risikogrenzen und zeigt, wie Verlustserien und Drawdowns die Kontokurve beeinflussen und warum größere Verluste überproportional hohe Erholungsrenditen benötigen.
  CME Group – Controlling Risk
• CME Group – The 2% Rule
  Lehrbeispiel für feste Risikogrenzen relativ zum Kontowert. Die konkrete Prozentgrenze wird in dieser KryptoPath-Serie nicht als universelle Empfehlung verstanden.
  CME Group – The 2% Rule
• CME Group – Position and Risk Management
  CME erläutert die Bedeutung vorher definierter Verlustgrenzen und von Stops innerhalb des individuellen Risikomanagements.
  CME Group – Position and Risk Management
• CME Group – System-Based vs. Discretionary Trading
  CME beschreibt, wie systembasierte Ansätze disziplinierte Entry- und Exit-Regeln unterstützen können.
  CME Group – System-Based vs. Discretionary Trading
• CME Group – Trading Strategies in Your Trade Plan
  Grundlage für klar definierte Setups, Triggerpunkte und strukturierte Trading-Pläne.
  CME Group – Trading Strategies in Your Trade Plan
• National Futures Association – Compliance Rule 2-29
  Die NFA weist ausdrücklich auf die Grenzen hypothetischer Performance-Ergebnisse hin. Backtests können unter anderem Hindsight, reales finanzielles Risiko, Verlusttoleranz und die tatsächliche Einhaltung eines Tradingprogramms nicht vollständig abbilden.
  NFA – Compliance Rule 2-29
• NFA – Interpretive Notice 9025
  Weiterführende regulatorische Hinweise zu hypothetischer Performance, Hindsight, Liquidität, Slippage und den Grenzen historischer Simulationen.
  NFA – Hypothetical Performance Results

Methodischer Hinweis

Kennzahlen wie:

• Win Rate,
• Average Win,
• Average Loss,
• Payoff Ratio,
• Expectancy,
• Profit Factor,
• Maximum Drawdown

beschreiben unterschiedliche Eigenschaften einer historischen beziehungsweise hypothetischen Trading-Stichprobe.

Keine einzelne Kennzahl kann allein beweisen, dass eine Strategie zukünftig profitabel sein wird.

Die in diesem Kapitel verwendete vereinfachte Expectancy-Formel:

EV = (Win Rate × Average Win) − (Loss Rate × Average Loss)

dient der verständlichen Darstellung eines durchschnittlichen Trade-Erwartungswerts.

Sie berücksichtigt nur jene Faktoren, die tatsächlich in Average Win und Average Loss beziehungsweise separat in Kosten eingerechnet wurden.

Historische Ergebnisse können beeinflusst werden durch:

• Auswahl der Daten,
• Hindsight Bias,
• Overfitting,
• Survivorship Bias,
• veränderte Marktregime,
• Gebühren,
• Slippage,
• Liquidität,
• Funding,
• menschliche Execution.

Die Begriffe:

• KryptoPath Rule,
• KryptoPath Expectancy Checklist,
• KryptoPath Statistical Trading Framework

sind redaktionelle Modelle der KryptoPath-Lernserie.

Sie stellen keine wissenschaftlich standardisierten Finanzmarktmodelle und keine automatischen Handelssignale dar.

Ziel dieses Kapitels ist:

Trading nicht anhand einzelner Gewinner oder einer möglichst hohen Trefferquote zu beurteilen, sondern anhand der statistischen Eigenschaften eines wiederholbaren Prozesses.

Risikohinweis

Dieser Artikel dient ausschließlich Bildungs- und Informationszwecken und stellt keine Anlage-, Finanz- oder Tradingberatung dar.

Historische, simulierte und hypothetische Trading-Ergebnisse garantieren keine zukünftige Performance.

Ein positiver historischer Erwartungswert kann sich verändern oder vollständig verschwinden.

Reale Ergebnisse können durch:

• Marktveränderungen,
• Volatilität,
• Liquidität,
• Slippage,
• Gebühren,
• Funding,
• menschliche Entscheidungen

erheblich von Backtests beziehungsweise theoretischen Berechnungen abweichen.

Kryptowährungen und insbesondere gehebelte Produkte können erhebliche Verluste verursachen.

Verwende niemals Kapital, dessen Verlust du finanziell nicht tragen kannst.