Automatisierung der End-of-Day-Kursbereinigung für Portfolio-Backtests
Wenn zwei Läufe desselben Backtests zwei unterschiedliche Ergebnisse liefern, ist selten das Modell schuld. Die Daten sind es. Du hast an einem Dienstag Kurse heruntergeladen, an einem Mittwoch einen Split manuell korrigiert, eine fehlende Notierung mit dem Schlusskurs von gestern aufgefüllt und alles mit dem FX-Kurs in Euro umgerechnet, den dir der Browser an jenem Nachmittag gegeben hat. Der Optimierer hat genau das getan, was du verlangt hast – mit Zahlen, die nicht mehr zu denen passen, die du letzten Monat verwendet hast.
Die Automatisierung der End-of-Day-(EOD-)Kursbereinigung macht aus einem Backtest etwas, an dem du iterieren kannst, statt etwas, das du immer wieder neu machst. Dieser Artikel beschreibt eine Pipeline, die du einmal einrichtest: Kurse abrufen, konsistente Bereinigungsregeln anwenden, Unternehmensaktionen und Währungsumrechnung behandeln, das Ergebnis cachen und es mit minimalem Eingriff erneut ausführen.
Die versteckten Kosten der manuellen End-of-Day-Kursbereinigung
Die manuelle Schleife wirkt harmlos, bis man die Schritte zählt:
- EOD-Kurse für jeden Kandidaten über den Export-Bildschirm oder die API deines Anbieters herunterladen.
- Splits und Dividenden abgleichen, damit ein 4:1-Split nicht wie ein Drawdown von 75 % aussieht.
- Handelskalender ausrichten – verschiedene Börsen, verschiedene Feiertage, verschiedene Halbtage.
- Ausreißer finden und entfernen: veraltete Notierungen, Fat-Finger-Prints, Tage ohne Volumen.
- Währungen umrechnen, wenn deine Kandidaten in mehr als einer Währung notiert sind.
- Nächste Woche wiederholen und versuchen, genau das zu reproduzieren, was du letzte Woche getan hast.
Zwei Dinge gehen schief. Erstens verlangsamt sich die Iteration: Eine Hypothese, die du an einem Nachmittag testen könntest, wartet auf einen Daten-Nachmittag. Zweitens, und schlimmer, ist jeder manuelle Durchlauf eine kleine, undokumentierte Entscheidung. Diesen Ausreißer verwerfen oder behalten? Diese Lücke auffüllen oder die Reihe abschneiden? Diese Entscheidungen fließen direkt in Korrelationsschätzungen ein, und Korrelationsschätzungen bestimmen die Portfoliogewichte. Eine Handvoll falsch ausgerichteter Daten reicht aus, um zu ändern, welche Kandidaten schwach korreliert erscheinen – und damit, welche Kapital erhalten.
Das Ziel ist eine wiederholbare Pipeline: Rohkurse rein, bereinigte und gecachte Kurse raus, jedes Mal dieselben Regeln. RSJ Portfolio liefert dies als integrierte Kursbereinigungs-Pipeline mit lokalem Cache, sodass die oben genannten Schritte nicht mehr deine Aufgabe sind.
Einmalige Einrichtung: Konfiguration deiner Daten-Pipeline
Alles in diesem Artikel setzt einen Konfigurationsschritt voraus, der einmal durchgeführt wird. In RSJ Portfolio befinden sich diese auf der Konfigurationsseite der App (das Kapitel Konfiguration im Benutzerhandbuch behandelt jede im Detail):
- Datenanbieter – woher die EOD-Kurse kommen. Unterstützte Anbieter sind auf der Seite Daten und Währungen aufgeführt.
- Lokale Währung – die Währung, in der dein Portfolio und deine Ergebnisse ausgedrückt werden.
- Datumsbereich – die Historie, die für jede Korrelations- und Risikoschätzung verwendet wird.
- Bereinigungseinstellungen – wie die Pipeline mit Splits, Dividenden, Ausreißern und Lücken umgeht.
- Lokaler Cache – der Speicher auf der Festplatte für bereinigte Kurse, damit spätere Läufe nicht erneut abrufen, was du bereits hast.
Lege diese vor dem ersten Lauf fest, nicht erst, nachdem du die Ergebnisse gesehen hast. Es ist verlockend, den Datumsbereich anzupassen, sobald dir auffällt, dass ein kürzeres Fenster den Backtest verbessert – so endest du damit, dein Datenfenster zu curve-fitten statt deine Strategie.
Eine nützliche Gewohnheit: Schreibe deine Einstellungen auf. Nicht weil die App sie vergisst, sondern weil du sie vergessen wirst, und weil ein Ergebnis, das du nicht reproduzieren kannst, kein Ergebnis ist.
# run-manifest.yaml - keep this next to every result you keep
run: 2026-10-19_lowcorr_v3
data:
provider: <provider configured in the app>
local_currency: EUR
date_range: [2015-01-01, 2026-09-30]
cleaning: <cleaning settings as configured>
universe:
- <candidate 1>
- <candidate 2>
optimizer:
objective: minimum volatility
risk_model: <one of the eight risk models>
constraints:
max_weight: 0.10
Bewahre das Manifest als reinen Text auf. Wenn du den Lauf in sechs Monaten erneut aufgreifst, ist „Ich glaube, ich habe ein Fünfjahresfenster verwendet" keine Reproduzierbarkeitsstrategie.
Die automatisierte Pipeline: Von Rohkursen zu backtest-fähigen Daten
Nach der Konfiguration lautet der Ablauf: EOD-Kurse abrufen → Bereinigungsregeln anwenden → Währungen umrechnen → die bereinigte Reihe cachen → das Ergebnis an den Optimierer übergeben. Du steuerst diese Abfolge nicht jedes Mal von Hand; du löst eine Aktualisierung aus, und die Pipeline erledigt den Rest.
Die Bereinigungsphase ist der Punkt, an dem der größte Teil der manuellen Arbeit verschwindet. Splits und Dividenden werden angepasst, damit Renditereihen kontinuierlich sind und keine künstlichen Sprünge zeigen. Ausreißer und fehlende Werte werden nach Regel behandelt statt nach Improvisation, was wichtiger ist als die konkrete Regel – eine konsistente Behandlung, die du beschreiben kannst, schlägt eine clevere Behandlung, die du einmal angewendet hast. Wenn ein Portfolio in mehreren Währungen notiert ist, führt der Umrechnungspfad die Reihe im selben Durchgang in deine konfigurierte lokale Währung über.
Aktualisierungen erfolgen inkrementell. Kurse, die bereits im lokalen Cache liegen, müssen nicht erneut abgerufen werden, sodass eine routinemäßige Aktualisierung die neuen Daten holt und den Rest unangetastet lässt. Das hat einen Nebeneffekt: Der Cache ist auch dein Fallback. Wenn ein Anbieter ausgefallen ist, arbeitest du weiter mit den zuletzt bereinigten Kursen, statt anzuhalten.
Vergleiche das mit dem harten Weg – einem Skript pro Anbieter, das die Split-Behandlung jedes Mal neu schreibt, wenn dein Datenanbieter sein Schema ändert:
# The hard way: fragile provider glue, rewritten every few months.
import requests, pandas as pd
raw = requests.get(f"{PROVIDER}/eod", params={
"symbols": ",".join(tickers), "from": start, "to": end
}).json()
df = pd.DataFrame(raw).set_index("date").sort_index()
df = df[~df.index.duplicated()]
df = df.dropna(how="all")
# splits? dividends? currency? calendar alignment? Good luck.
Dieses Snippet ist kein Strohmann – es ist das, was die meisten zuerst bauen. Es funktioniert so lange, bis es stillschweigend nicht mehr funktioniert. Die Liste der unterstützten Anbieter und der Multi-Währungs-Umrechnungspfad sind auf der Seite Daten und Währungen dokumentiert; prüfe sie, bevor du annimmst, dass dein Anbieter abgedeckt ist.
Überwachung und Fehlerbehandlung
Automatisierung ohne Überwachung ist nur aufgeschobenes Debugging. Die realistischen Fehlerarten:
- Anbieterausfall oder Rate-Limiting – der Abruf liefert nichts oder eine unvollständige Historie.
- Veraltete Daten – die Aktualisierung „gelingt", aber das neueste gecachte Datum ist eine Woche alt.
- Symboländerungen – ein Ticker wird umbenannt oder delistet, und die Reihe endet dort, wo das alte Symbol endet.
- Probleme bei der Währungsumrechnung – ein fehlender FX-Kurs an einem Datum verzerrt stillschweigend eine währungsübergreifende Reihe.
Eine Zehn-Minuten-Routine fängt fast alles davon ab:
- Prüfe die Aktualität, bevor du einem Lauf vertraust. Vergleiche das neueste Datum in deiner gecachten Reihe mit dem letzten Handelstag, den du erwarten würdest. Wenn sie abweichen, aktualisiere vor dem Optimieren.
- Stichprobenartige Prüfung einiger Kurse. Exportiere die bereinigte Reihe und vergleiche eine Handvoll Daten mit den Zahlen des Anbieters selbst. Wenn du Exporte in einem Ordner aufbewahrst, sagt dir ein einziger Befehl, ob etwas veraltet ist:
# Anything in my export folder older than a week?
find ./exports -name "*.csv" -mtime +7 -print
- Fehlgeschlagene Abrufe erneut ausführen. Die meisten vorübergehenden Anbieterfehler verschwinden beim zweiten Versuch. Aktualisiere erneut und prüfe das neueste Datum noch einmal.
- Achte auf Diskontinuitäten. Ein unerklärlicher Sprung in einer Reihe bedeutet meist eine Unternehmensaktion, die die Pipeline nicht gesehen hat, oder ein Symbol, das sich unter dir geändert hat.
# Spot-check: find the largest day-over-day moves in the cleaned export
import pandas as pd
clean = pd.read_csv("exports/prices_clean.csv", parse_dates=["date"], index_col="date")
col = clean.columns[0]
moves = clean[col].pct_change().abs().sort_values(ascending=False)
print(moves.head(10))
Alles oben in dieser Liste, das du nicht aus öffentlichen Nachrichten erklären kannst, ist eine Untersuchung wert, bevor es den Optimierer erreicht.
Wenn ein Abruf fehlschlägt, hält der lokale Cache den Nachmittag produktiv: Du backtestest mit den letzten bekannt guten bereinigten Kursen und aktualisierst, wenn der Anbieter sich erholt.
Best Practices für zuverlässige automatisierte Bereinigung
- Halte Datumsbereich und Bereinigungseinstellungen über vergleichbare Läufe hinweg konstant. Das Ändern des Fensters zwischen Läufen ist der einfachste Weg, unbemerkt einen Look-Ahead-Bias einzuführen, weil das Modell immer das Fenster sieht, das du ihm gegeben hast.
- Aktualisiere nach Zeitplan, nicht nach Impuls. Regelmäßige Aktualisierungen halten den Cache aktuell; Ad-hoc-Aktualisierungen mitten in einer Studie ändern deine Eingaben mitten in einem Vergleich.
- Verifiziere Unternehmensaktionen bei den Namen, die zählen. Splits und Dividenden werden von der Pipeline behandelt, aber es lohnt sich zu bestätigen, dass ein großer historischer Drawdown in deiner Kandidatenliste eine echte Kursbewegung ist und kein unbereinigtes Ereignis.
- Verwende für jeden Kandidaten denselben Anbieter und dieselben Währungseinstellungen. Quellen innerhalb eines Universums zu mischen bedeutet, Anpassungskonventionen zu mischen, und Korrelationsschätzungen reagieren genau darauf empfindlich.
- Dokumentiere die Konfiguration zusammen mit dem Ergebnis. RSJ Portfolio speichert deine Einstellungen, sodass wiederholte Läufe konsistent bleiben – aber das Manifest, das du selbst schreibst, macht ein Ergebnis Monate später verteidigbar.
Wie RSJ Portfolio in deinen Automatisierungs-Workflow passt
RSJ Portfolio ist eine Windows-Desktop-Anwendung, die aus historischen End-of-Day-Kursen ein statistisch optimiertes Aktienportfolio erstellt. Sie analysiert die Renditekorrelation zwischen Aktien und weist Kapital Kandidaten zu, die schwach korrelieren – oder deren Abwärtsseite schwach korreliert –, wodurch die Volatilität des resultierenden Portfolios sinkt. Die Allokation nutzt die moderne Portfoliotheorie, und das Ziel, der Risikoschätzer und die Gewichtsbeschränkungen sind alle auswählbar.
Der Automatisierungsaspekt ist unkompliziert: Die Kursbereinigungs-Pipeline und der lokale Cache ersetzen die Schleife aus Herunterladen-Anpassen-Ausrichten-Umrechnen, und der Optimierer konsumiert die bereinigte Reihe direkt. Es gibt keinen separaten Data-Engineering-Schritt zwischen „Ich habe Kurse aktualisiert" und „Ich habe Gewichte".
Ein paar praktische Konsequenzen:
- Es läuft lokal. Die Anwendung ist auf deinem Rechner installiert und der Cache liegt dort ebenfalls, sodass deine Kurshistorie und deine Bestandsannahmen den Desktop nicht verlassen.
- Die Methoden sind auswählbar. Minimum Volatility, Maximum Sharpe Ratio, Minimum Semi Variance, Hierarchical Risk Parity und Conditional Value at Risk sind alle verfügbar, mit acht Risikomodellen, Renditemodellen, Gewichtsbeschränkungen und Exporten. (Wenn Hierarchical Risk Parity neu für dich ist, ist die Erklärung in einfacher Sprache der richtige Einstieg.)
- Die Startparameter sind aus gutem Grund meinungsstark. Der Leitfaden Erste Schritte listet die Konfiguration auf, die vor deinem ersten Lauf festgelegt werden sollte, sowie empfohlene Startparameter, damit du nicht am ersten Tag acht Risikomodelle nach Gefühl auswählst.
Die Lizenzierung ist eine Einzelnutzerlizenz; die Downloads-Seite enthält den Windows-Installer mit einer SHA-512-Prüfsumme, die neben einem versionierten Dateinamen veröffentlicht ist, sowie das Benutzerhandbuch in Englisch und Deutsch.
FAQ
Welche Datenanbieter unterstützt RSJ Portfolio für End-of-Day-Kurse? RSJ Portfolio unterstützt mehrere Datenanbieter; die genaue Liste ist auf der Seite Daten und Währungen verfügbar. Du kannst deinen bevorzugten Anbieter in den Anwendungseinstellungen konfigurieren.
Wie funktioniert der lokale Cache und wann wird er aktualisiert? Der lokale Cache speichert bereinigte End-of-Day-Kurse auf deinem Rechner. Er wird aktualisiert, wenn du Daten aktualisierst oder einen neuen Backtest ausführst, und er ermöglicht dir, offline zu arbeiten und nachfolgende Läufe zu beschleunigen.
Kann ich die Bereinigung für mehrere Währungen automatisieren? Ja. RSJ Portfolio enthält einen Umrechnungspfad für Portfolios, die in mehreren Währungen notiert sind. Du kannst deine lokale Währung festlegen, und das Tool übernimmt die Umrechnungen während des Bereinigungsprozesses automatisch.
Was passiert, wenn ein Datenanbieter vorübergehend nicht verfügbar ist? Da die Kurse lokal gecacht werden, kannst du mit den zuletzt gecachten Daten weiter backtesten. Wenn der Anbieter wieder online ist, kannst du aktualisieren, um den Cache zu erneuern.
Fazit
Manuelle EOD-Bereinigung ist eine Steuer, die du bei jedem Backtest zahlst, und sie summiert sich: langsamere Iteration, inkonsistente Eingaben und Ergebnisse, die du nicht reproduzieren kannst. Sie zu automatisieren ist keine glamouröse Arbeit, aber es ist der Unterschied zwischen einer Pipeline, der du vertraust, und einer Tabellenkalkulation, von der du hoffst, dass sie richtig ist.
Die Einrichtung ist eine einmalige Konfiguration: Anbieter, lokale Währung, Datumsbereich, Bereinigungseinstellungen. Danach aktualisieren Aktualisierungen den Cache inkrementell, die Währungsumrechnung erfolgt im selben Durchgang, und der Optimierer läuft auf Daten, die genauso bereinigt wurden wie letzte Woche.
Installiere den Windows-Build, arbeite die Kapitel Konfiguration und Erste Schritte einmal durch und lass die manuelle Schleife hinter dir. Dein nächster Backtest sollte eine Entscheidung über die Allokation sein – kein Datenprojekt.
Verwandte Beiträge
- Was ist Hierarchical Risk Parity? Eine Erklärung in einfacher Sprache
- Die besten Portfolio-Optimierungs-Tools 2026: Ein Käuferleitfaden
- Portfolio-Optimierungssoftware für Privatanleger