Aufbau eines Handelssystems (Teil 4): Wie zufällige Ausstiege die Handelserwartung beeinflussen

Einführung

In Teil 3 dieser Serie haben wir untersucht, wie Händler sich realistische Gewinnziele setzen und ihre Ziele mithilfe von Systemstatistiken erreichen können. Wir haben festgestellt, dass jede Gewinnrate und jedes Reward-to-Risk-Verhältnis (RRR) eine einzigartige Kombination aus Positionsgröße und Handelsfrequenz erfordert, um langfristige Handelsziele zu erreichen. Auch wenn Strategien mit mehreren Zugängen dazu beitragen können, das Handelsvolumen zu erhöhen, gibt es ein entscheidendes Konzept, das untersucht werden muss, bevor wir weitergehen: das Management der Rate von Zufallsgewinnen.

Viele Händler haben diesen Weg schon einmal beschritten, verfolgen eine definierte Einstiegsstrategie, haben aber oft Probleme mit der Verwaltung offener Positionen. Es kommt häufig vor, dass man auf der Grundlage einer soliden Analyse in einen Handel einsteigt, um dann in Panik zu geraten, sobald der Kurs zu schwanken beginnt. Dies führt häufig dazu, dass Handelsgeschäft vorzeitig geschlossen werden, entweder bevor der Take-Profit oder der Stop-Loss erreicht ist. Im Laufe der Zeit führt dieses Verhalten zu einer Erosion der Kapitalkurve und damit zu einem stetigen Abwärtstrend.

Dies wirft wichtige Fragen auf:

• Wie können Händler dieses destruktive Muster vermeiden?
• Ist es möglich, Handelsgeschäfte vor Erreichen eines bestimmten Gewinnziels zu beenden und trotzdem das Kapital des Kontos zu erhöhen?
• Kann der Zufall bei Gewinnmitnahmen so strukturiert werden, dass die Ergebnisse verbessert werden?

In diesem Artikel gehen wir diesen Fragen nach, indem wir Monte-Carlo-Simulationen verwenden, um die Ergebnisse zu modellieren, wenn Händler ihre Handelsgeschäfte mit zufälligen Gewinnhöhen beenden. Wenn Händler diesen Ansatz verstehen, können sie Systeme entwickeln, die auch bei unregelmäßigen Gewinnmitnahmen profitabel bleiben. 

Verstehen der zufälligen Gewinnrate

Im ersten Teil dieser Serie haben wir gezeigt, dass jede feste RRR einer Mindestgewinnschwelle entspricht, die überschritten werden muss, um rentabel zu sein. Zum Beispiel:

• Bei RRR = 1,5 beträgt die Mindestgewinnrate 40 %.
• Für RRR = 2,5 sinkt die Mindestgewinnrate auf 28,6 %.
• Bei einer RRR von 3,0 erfordert die Rentabilität mindestens 25 % Gewinne.

Wenn ein Händler konsequent eine feste RRR anwendet, ist die Rechnung einfach: Die Rentabilität hängt davon ab, dass die Gewinnrate über dem Schwellenwert liegt.

In der Praxis steigen jedoch viele Händler bei zufälligen Gewinnniveaus aus, sei es aus Angst, Ungeduld oder aufgrund von Trailing-Stop-Mechanismen. Dieses Verhalten führt zu variablen RRRs, die wiederum zu variablen Gewinnraten führen.

Nehmen Sie ein Beispiel:

• Die ersten 50 Handelsgeschäfte: 45% Gewinnrate bei RRR = 1,2
• Die nächsten 50 Handelsgeschäfte: 60% Gewinnrate bei RRR = 0,3
• Die letzten 50 Handelsgeschäfte: 30% Gewinnrate bei RRR = 2,0

Insgesamt führte der Händler 150 Handelsgeschäfte aus, jedes mit unterschiedlichen Gewinnraten und RRRs. Die entscheidende Frage: Ist der Händler insgesamt profitabel?

Die Antwort liegt in der Berechnung der Erwartung des Handelssystems.

Formel für die Erwartung

Die Erwartung misst die durchschnittliche Rendite pro Handelsgeschäft und bestimmt, ob ein System profitabel ist:

• Wenn E > 0 ist, ist das System profitabel.
• Wenn E ≤ 0 ist, ist das System nicht profitabel.

Durch die Summierung der Erwartung über Handelsgeschäfte mit unterschiedlichen RRRs und Gewinnraten können Händler bewerten, ob ihre zufälligen Ausstiege immer noch positive Nettoergebnisse erzielen.

Zufällige Gewinnrate durch Volatilitätsstopps

Eine andere Form der zufälligen Gewinnrate tritt auf, wenn Händler volatilitätsbasierte Trailing-Stops verwenden. Werkzeuge wie:

• Average True Range (ATR)
• Standardabweichung
• Bollinger Bänder

um nur einige zu nennen, passen die Stop-Loss-Niveaus dynamisch an die Marktvolatilität an.

In Zeiten hoher Volatilität (z. B. bei 1000 Punkten) können die Handelsgeschäfte länger offen bleiben und möglicherweise Gewinne andeuten oder bei höheren RRRs aussteigen. Umgekehrt können bei geringer Volatilität (z. B. 200 Punkte) Handelsgeschäfte vorzeitig abgebrochen werden, was die RRR verringert. Dies führt natürlich zu zufälligen Ergebnissen, da die RRR je nach Marktbedingungen schwankt.

Diese Zufälligkeit birgt sowohl Risiken als auch Chancen. Einerseits können Händler zu früh kleine Gewinne sichern. Andererseits können sie in Zeiten hoher Volatilität große Schwankungen auffangen. Die Herausforderung besteht darin, diese Ergebnisse so auszubalancieren, dass die positive Erwartung erhalten bleibt.

Monte-Carlo-Simulation: Analyse zufälliger Gewinnraten

Um besser zu verstehen, wie sich zufällige Ausstiege auf die Rentabilität auswirken, werden wir im nächsten Abschnitt eine Monte-Carlo-Simulation durchführen. Durch die Modellierung von Hunderten bis Tausenden von zufälligen Handelsergebnissen können wir beobachten, wie sich die Erwartung unter verschiedenen Szenarien von zufälligen RRRs und Gewinnraten verhält.

Diese Analyse wird verwertbare Erkenntnisse liefern:

• Wie sich zufällige Ausstiege auf langfristige Kapitalkurven auswirken.
• Ob Händler ihre Ergebnisse verbessern können, indem sie den Zufall strategisch nutzen.
• Praktische Anpassungen zur Gestaltung rentabler Systeme unter realen Bedingungen.

Fallstudie: Bewertung des Handelsmanagements durch zufällige Gewinnraten

In dieser Studie untersuchen wir ein Handelssystem mit einer Gewinnrate von 30% bei einer festen RRR von 4. Drei Händler setzten dieses System ein, beschlossen aber aufgrund von 15 aufeinanderfolgenden Verlusten, ihre Ausstiegsstrategien zu ändern, indem sie bei fünf verschiedenen RRR-Niveaus Gewinne mitnahmen.

Händler 1: Profil und Erwartung

Wir werden die Performance von Händler 1, seine Kapitalkurvenergebnisse, Drawdowns und kombinierten Strategien mit Hilfe von Monte-Carlo-Simulationen analysieren. Tabelle 1 fasst die Handelsergebnisse von Händler 1 bei verschiedenen Gewinnraten und RRR-Niveaus zusammen, zusammen mit den Erwartungswerten:

Tabelle 1: Das Handelsprofil von Händler 1

Gewinnrate (%)	RRR	Erwartung
20.92%	2.61	-0.244
36.22%	2.15	0.142
51.91%	1.84	0.475
61.24%	0.55	-0.049
76.55%	0.27	-0.029

Die Analyse zeigt, dass drei Strategien (20,9 %, 61,2 % und 76,6 % Gewinnrate) eine negative Erwartung erzeugen, während zwei Strategien (36,2 % und 51,9 %) eine positive Erwartung aufweisen. Da die kumulative Summe der Erwartungen jedoch positiv ist, kann dieser Händler immer noch eine Gesamtrentabilität erzielen, wenn der Strategiemix effektiv verwaltet wird.

Händler 1: Visuelle Inspektion der Kapitalkurven

Bei 100 Handelsgeschäften pro System haben wir Folgendes beobachtet:

• Strategien mit einer negative Erwartung (20,9 %, 61,2 %, 76,6 % Gewinnrate) führten zu fallenden Kapitalkurven.
• Strategien mit einer positiver Erwartung (36,2 % und 51,9 % Gewinnrate) führten zu steigenden Kapitalkurven.

Abbildung 1: Das Handelssystem von Händler 1

Um die Performance zu quantifizieren, führten wir 100 Simulationen pro Strategie durch und analysierten die Equity- und Drawdown-Ergebnisse anhand von Box-Plots.

Drawdown-Analyse für Händler 1

Für Händler 1 zeigt die Analyse der Risiko- und Ertragsprofile, dass die potenziellen Drawdowns in Abhängigkeit von der Gewinnrate und der RRR erheblich variieren. Der maximale Drawdown wird bei einer Gewinnrate von 51,9 % und einem RRR von 1,84 verzeichnet, wobei die Verluste 55 % des Kontokapitals übersteigen können. Umgekehrt tritt der minimale Drawdown bei einer Gewinnrate von 76,5 % mit einer RRR von 0,27 auf, bei der die Verluste auf unter 5 % begrenzt sind.

Alle anderen Kombinationen von Gewinnraten und die entsprechenden RRR-Werte für Händler 1 liegen zwischen diesen beiden Extremen, was darauf hindeutet, dass das Risiko zwischen einer sehr geringen Verringerung des Kapitals und einem potenziell hohen Kapitalverlust liegt.

Abbildung 2: Drawdown% von Händler 1 für jedes System

Kapitalkurvenanalyse für Händler 1

Die Bewertung der Leistung von Händler 1 erstreckt sich auch auf das Verhalten der Kapitalkurve bei unterschiedlichen Gewinnraten und RRR. Die beste Kapitalkurve ist mit einer Gewinnrate von 51,9 % und einer RRR von 1,84 verbunden, wobei das Kontowachstum auf etwas über 2.000 $ ansteigt. Andererseits wird die schlechteste Kapitalkurve bei einer Gewinnrate von 20,9 % mit einer RRR von 2,61 beobachtet, bei der der Kontowert unter 500 $ fällt.

Alle anderen potenziellen Kapitalkurven, die unter verschiedenen Kombinationen von Gewinnraten und RRR generiert werden, liegen zwischen diesen beiden Extremen, was die große Variabilität der Performance-Ergebnisse unterstreicht, die von den zugrunde liegenden Handelsparametern abhängen.

Abbildung 3: Die Kapitalkurven von Händler 1 für jedes System

Tabelle 2 gibt einen zusammenfassenden Überblick über die Abbildungen 2 und 3.

Tabelle 2: Mittelwert und Median des Kapitals und Median des Drawdowns für Händler 1

Gewinnrate (%)	RRR	Mittelwert des Kapitals ($)	Median des Kapitals ($)	Median des Drawdown (%)
20.92%	2.61	$789.00	$777.00	26.99%
36.22%	2.15	$1130.00	$1132.00	21.57%
51.91%	1.84	$1601.00	$1596.00	39.03%
61.24%	0.55	$950.00	$946.00	10.29%
76.55%	0.27	$978.00	$988.00	7.77%

Zentrale Erkenntnis:

• Der höchste Medianwert ($1.595) wird bei einer Gewinnrate von 51,9 % und einer RRR von 1,84 erreicht, allerdings geht dies mit dem höchsten Median-Drawdown (39 %) einher.
• Der geringste Drawdown (7,8 %) tritt bei einer Gewinnrate von 76,5 % mit RRR = 0,27 auf, aber das Kapital ist auf unter 1.000 $ begrenzt.
• Am schwächsten ist die Gewinnrate von 20,9 % mit einer RRR von 2,61, bei der sowohl das Kapital als auch die Erwartung negativ sind, was die Gesamtperformance beeinträchtigt.

Kombinierte Handelsmanagement-Strategie –> Händler 1

Um reale Handelsbedingungen zu simulieren, führten wir 500 Monte-Carlo-Simulationen durch, bei denen jede der fünf Strategien nach dem Zufallsprinzip auf 100 Handelsgeschäfte angewendet werden konnte. 

Abbildung 4: Der integrierte Ansatz von Händler 1 für das Handelsmanagement

Ein Tortendiagramm der Performance von Händler 1 zeigt, wie verschiedene Handelsmanagementstrategien während seiner Handelsreise angewandt wurden. Die Verteilung auf die fünf Ansätze war relativ ausgewogen:

• System mit 20,9 % Gewinnrate → 18,6 % der Abschlüsse
• System mit 36,2 % Gewinnrate → 18,4 % der Abschlüsse
• System mit 51,9 % Gewinnrate → 20,8 % der Abschlüsse
• System mit 61,2 % Gewinnrate → 21,4 % der Abschlüsse
• System mit 76,5 % Gewinnrate → 20,8 % der Abschlüsse

Diese nahezu gleichmäßige Verteilung zeigt, dass Händler 1 sich nicht übermäßig auf einen einzigen Ansatz verließ, sondern die Ausführung auf mehrere Systeme verteilte.

Die kombinierte Wirkung dieser Strategien ist in Abbildung 5 sowohl für den Kapitalzuwachs als auch für den Drawdown dargestellt. Diese Visualisierungen verdeutlichen die Bandbreite möglicher Ergebnisse, wenn die Systeme miteinander kombiniert werden, und zeigen, wie die Diversifizierung das Risiko reduziert und gleichzeitig die maximalen Kapitalgewinne moderiert.

Abbildung 5: Kombinierte Strategie Ergebnis von Händler 1 

Tabelle 3: Kombinierte Ergebnisse für Händler 1

Mittelwert des Kapitals ($)	Median des Kapitals ($)	Median des Drawdown (%)
$1092.00	$991.00	18.38%

Zentrale Erkenntnis:

• Die Drawdowns reichten von unter 5 % (76,5 % Einfluss des Gewinnsatzsystems) bis über 55 % (51,9 % Einfluss des Gewinnsatzsystems).
• Die Kapitalkurven reichten von einem Minimum bei 500 Dollar bis zu einem Maximum bei 1.750 Dollar.
• Die Wahrscheinlichkeit, die 2.000-Dollar-Marke zu erreichen, wurde im Vergleich zur alleinigen Verwendung des 51,9 %igen Gewinnsatzsystems verringert.
• Der Mittelwert des Kapitals (1.091 $) und der Medianwert des Kapitals (990 $) deuten auf ein stabiles, aber moderates Kontowachstum hin.
• Der mittlere Drawdown (18,4 %) ist deutlich niedriger als bei einem einzelnen System im ungünstigsten Fall (39-55 %), was das geringere Risiko durch Diversifizierung verdeutlicht.

Optimierung der Strategie : Händler 1

Um die Rentabilität zu steigern, sollte Händler 1:

1. Das Vertrauen in die Gewinnrate von 36,2 % bei RRR = 2,15 erhöhen, die eine hohe Erwartung, einen kontrollierten Drawdown (~21,6 %) und ein Kapitalpotenzial von fast 1.500 $ aufweist.
2. Die Gewinnrate von 20,9 % bei RRR = 2,61 verringern oder abschaffen, die durchweg zu negativen Erwartungen und schwachen Kapitalergebnissen führt.
3. Eine gewichtete Zuteilung zugunsten von Systemen mit höheren Erwartungen in Erwägung ziehen, anstelle einer gleichmäßigen Verteilung, um das Gleichgewicht zwischen Wachstum und Risiko zu verbessern.

Händler 2: Profil und Erwartung

Das Handelsprofil von Händler 2 basiert auf fünf verschiedenen Risiko-Ertrags-Verhältnissen (RRR) und den entsprechenden Gewinnraten. Die zugehörigen Erwartungswerte sind in Tabelle 4 aufgeführt:

Tabelle 4: Das Handelsprofil von Händler 2

Gewinnrate (%)	RRR	Erwartung
21.46%	2.98	-0.147
36.65%	1.80	0.026
55.09%	1.28	0.256
56.41%	1.11	0.188
77.38%	0.78	0.379

Aus Tabelle 4 ist ersichtlich, dass nur ein System – die 21,5 %ige Gewinnrate mit RRR=2,98 – einen negativen Erwartungswert aufweist. Die verbleibenden vier Methoden haben alle eine positive Erwartung, mit einem besonders hohen Potenzial von 55,1 % und 77,4 % Gewinnrate. Dies deutet darauf hin, dass Händler 2 bei Anwendung dieses diversifizierten Plans eine hohe Wahrscheinlichkeit hat, langfristig positive Ergebnisse zu erzielen.

Händler 2: Visuelle Inspektion der Kapitalkurven

Eine visuelle Inspektion der Kapitalkurven von 100 Handelsgeschäften zeigt deutliche Muster:

• Das System mit einer Gewinnrate von 21,5 % weist vorhersehbar eine abnehmende Kurve auf, was der negativen Erwartung entspricht.
• Die Systeme mit einer Gewinnrate von 36,7 % und 56,4 % weisen ein langsames Wachstum auf und bewegen sich um den Breakeven-Bereich von 1.000 bis 1.100 $.
• Die Systeme mit den Gewinnraten von 55,1 % und 77,4 % weisen eine robust steigende Kapitalkurve auf und tragen damit am stärksten zur Rentabilität bei.

Abbildung 6: Das Handelssystem von Händler 2

Um die statistische Zuverlässigkeit zu bewerten, wurden für jedes System 100 Simulationen durchgeführt und ihre Leistung anhand von Kapital- und Drawdown-Boxplots analysiert.

Drawdown-Analyse für Händler 2

Ähnlich wie bei Händler 1 weist jedes Handelssystem eine eigene Bandbreite von Drawdowns auf, die von der Interaktion zwischen Gewinnrate und RRR abhängen. Für Händler 2 wird der maximale Drawdown bei einer Gewinnrate von 77,4 % und einer RRR von 0,78 beobachtet, wobei die Verluste 45 % des Kontokapitals erreichen. Der minimale Drawdown tritt bei einer Gewinnrate von 56,4 % und einem RRR von 1,11 auf, wobei die Verluste auf etwa 5 % begrenzt sind.

Alle anderen Kombinationen von Gewinnraten und RRR für Händler 2 führen zu Drawdowns, die zwischen diesen Ober- und Untergrenzen liegen, was das Muster unterstreicht, dass die systemspezifischen Risikopositionen sehr empfindlich auf Parameteränderungen reagieren.

Abbildung 7:  Drawdown% für jedes System von Händler 2

Kapitalkurvenanalyse für Händler 2

Beim Handelsansatz von Händler 2 wird die beste Kapitalkurve bei einer Gewinnrate von 77,4 % und einer RRR von 0,78 erreicht, wobei das Kontowachstum auf etwas über 1.700 $ ansteigt. Umgekehrt wird die schlechteste Kapitalkurve bei einer Gewinnrate von 21,5 % mit einer RRR von 2,98 beobachtet, bei der das Kapital auf unter 600 $ sinkt.

Alle anderen Kapitalkurven, die unter den übrigen Kombinationen aus Gewinnrate und RRR erstellt wurden, liegen innerhalb dieser beiden Grenzen, was die Sensibilität der Leistungsergebnisse für das Gleichgewicht zwischen Erfolgswahrscheinlichkeit und Risiko-Ertrags-Abwägungen verdeutlicht.

Abbildung 8: Kapitalkurven von Händler 2 für jedes System

Tabelle 5 fasst die wichtigsten Ergebnisse der Abbildungen 7 und 8 zusammen.

Tabelle 5: Mittelwert und Median des Kapitals und Median des Drawdowns für Händler 2

Gewinnrate (%)	RRR	Mittelwert des Kapitals ($)	Median des Kapitals ($)	Median des Drawdown (%)
21.46%	2.98	$858.00	$837.00	23.11%
36.65%	1.80	$1008.00	$999.00	17.11%
55.09%	1.28	$1295.00	$1295.00	25.62%
56.41%	0.11	$1214.00	$1202.00	20.76%
77.38%	0.78	$1442.00	$1445.00	31.66%

Zentrale Erkenntnis:

• Der höchste Kapitalzuwachs wird mit dem 77,4%igen Gewinnsatzsystem erzielt (Kapitalmittelwert ≈ 1.443 $).
• Die niedrigste Performance weist das System mit einer Gewinnrate von 21,5 % auf (Mittelwert des Kapitals ≈ 858 $).
• Die durchschnittlichen Drawdowns variieren beträchtlich und reichen von einem Tiefstand von etwa 17 % (36,7 % Gewinnrate) bis zu Höchstwerten von über 30 % (77,4 % Gewinnrate).
• Strategien mit höherer Gewinnrate liefern zwar ein stärkeres Wachstum, haben aber auch tendenziell höhere Drawdowns.

Kombinierte Handelsmanagement-Strategie → Händler 2

Es wurde eine Monte-Carlo-Simulation mit 500 Versuchen durchgeführt, bei der die fünf Strategien nach dem Zufallsprinzip über 100 Handelsgeschäfte gemischt wurden.

Abbildung 9: Der integrierte Ansatz von Händler 2 für das Handelsmanagement

Die Ergebnisse zeigen die Verteilung der Methoden, die Händler 2 anwendet:

• System mit 21,5 % Gewinnrate → 22,0 % der Abschlüsse
• System mit 36,7 % Gewinnrate → 20,4 % der Abschlüsse
• System mit 55,1 % Gewinnrate → 18,0 % der Abschlüsse
• System mit 56,4 % Gewinnrate → 20,2 % der Abschlüsse
• System mit 77,4 % Gewinnrate → 19,4 % der Abschlüsse

Diese Verteilung spiegelt einen diversifizierten Ansatz wider, der sicherstellt, dass keine einzelne Strategie die Gesamtergebnisse dominiert.

Die kombinierten Ergebnisse dieser Strategien sind in Abbildung 10 sowohl für das Kapitalwachstum als auch für den Drawdown dargestellt.

Abbildung 10: Kombiniertes Ergebnis der Strategie von Händler 2

 

Tabelle 6: Kombinierte Ergebnisse für Händler 1

Mittelwert des Kapitals ($)	Median des Kapitals ($)	Median des Drawdown (%)
$1167.00	$1169.00	23.14%

Zentrale Erkenntnis:

• Die Drawdowns reichten von 5 % bis 45 % und spiegelten damit die Extreme der besten und schlechtesten Systeme wider.
• Die Kapitalkurven lagen zwischen 600 und 1.800 Dollar, wobei das maximale Kapital durch Diversifizierung im Vergleich zu schwächeren Einzelsystemen erhöht wurde.
• Die Systeme mit 36,7 % und 56,4 % sorgen für Stabilität, tragen aber nur wenig zur Erhöhung des Kapitals bei.
• Das Erreichen von 2.000 $ Kapital nach 100 Handelsgeschäften war statistisch unwahrscheinlich, da dies außerhalb der beobachteten Maximalwerte lag.

Optimierung der Strategie : Händler 2

Um die Rentabilität strategisch zu verbessern, könnte Händler 2 in Betracht ziehen:

1. Stärkere Gewichtung des Systems mit einer Gewinnrate von 55,1% (RRR=1,28), das ein günstiges Gleichgewicht zwischen Wachstum und überschaubaren Drawdowns bietet,
2. Verringerung der Abhängigkeit von der 21,5 %igen Gewinnraten-Strategie (RRR=2,98), die die Performance ständig nach unten zieht.

Händler 3: Profil und Erwartung

Das Handelsprofil von Händler 3 besteht aus fünf verschiedenen Handelsmanagementstrategien, die jeweils durch ihre Gewinnrate, RRR und Erwartung definiert sind:

Tabelle 7: Das Handelsprofil von Händler 3

Gewinnrate (%)	RRR	Erwartung
39.64%	2.93	0.556
41.55%	1.58	0.074
52.51%	1.53	0.331
58.29%	1.24	0.305
60.36%	0.43	-0.139

Aus dieser Aufschlüsselung geht hervor, dass vier Strategien einen positiven Erwartungswert generieren, während nur eine – die 60,4%ige Gewinnrate mit RRR=0,43 – einen negativen Erwartungswert aufweist. Da die kumulierte Erwartung über alle Strategien hinweg positiv ist, hat der gesamte Handelsplan von Händler 3 eine hohe Chance, profitable Ergebnisse zu erzielen.

Händler 3: Visuelle Inspektion der Kapitalkurven

Um die Leistung zu bewerten, haben wir für jede Strategie 100 Handelsgeschäfte simuliert. Eine visuelle Inspektion der Kapitalkurven ist in Abbildung 11 dargestellt:

• Strategie mit einer negative Erwartung (60,4% Gewinnrate, RRR=0,43): Erzeugt eine mit der Zeit stetig abnehmende Kapitalkurve.
• Mäßig positive Erwartungsstrategien (41,6%, 52,5%, 58,3% Gewinnrate): Stetiges Kapitalwachstum, wenn auch mit unterschiedlicher Volatilität.
• Hohe RRR-Strategie (39,6% Gewinnrate, RRR=2,93): Weist das stärkste Kapitalwachstum auf, aber auch die stärksten Schwankungen, mit großen Ausschlägen nach oben und unten.

Abbildung 11: Das Handelssystem von Händler 3

Um die statistische Zuverlässigkeit zu bewerten, wurden für jedes System 100 Simulationen durchgeführt und ihre Leistung anhand von Kapital- und Drawdown-Boxplots analysiert.

Drawdown-Analyse für Händler 3

Wie in den Fällen von Händler 1 und Händler 2 gezeigt, erzeugt jedes Handelssystem ein einzigartiges Drawdown-Profil, das durch das Verhältnis zwischen Gewinnrate und RRR geprägt ist. Für Händler 3 tritt der maximale Drawdown bei einer Gewinnrate von 39,6 % und einem RRR von 2,93 auf, wobei die Verluste etwa 65 % des Kontokapitals erreichen. Im Gegensatz dazu wird der minimale Drawdown bei einer Gewinnrate von 60,4 % und einer RRR von 0,43 verzeichnet, wobei die Kapitalreduzierung auf etwa 5 % begrenzt ist.

Alle anderen Gewinnraten- und RRR-Kombinationen für Händler 3 liegen zwischen diesen beiden Extremen, was bestätigt, dass die Systemleistung eng an das Zusammenspiel von Wahrscheinlichkeit und Risiko-Rendite-Dynamik gebunden ist.

Abbildung 12: Drawdown% von Händler 3 für jedes System

Kapitalkurvenanalyse für Händler 3

Bei der Handelsmethode von Händler 3 wird die beste Kapitalkurve bei einer Gewinnrate von 39,6 % und einem RRR von 2,93 erreicht, wobei das Kontowachstum auf etwa 2.700 $ ansteigt. Andererseits wird die schlechteste Kapitalkurve bei einer Gewinnrate von 60,4 % und einer RRR von 0,43 beobachtet, bei der das Kapital auf etwa 750 $ fällt.

Die Kapitalkurven aller verbleibenden Gewinnraten- und RRR-Kombinationen bleiben innerhalb dieser beiden Grenzen, was die Variabilität der Ergebnisse verdeutlicht, die von der gewählten Balance zwischen Erfolgswahrscheinlichkeit und Rendite-Risiko-Abwägungen abhängen.

Abbildung 13: Die Kapitalkurven von Händler 3 für jedes System

Tabelle 8 gibt einen zusammenfassenden Überblick über die Abbildungen 12 und 13.

Tabelle 8: Mittelwert und Median des Kapitals und Median des Drawdown für Händler 3

Gewinnrate (%)	RRR	Mittelwert des Kapitals ($)	Median des Kapitals ($)	Median des Drawdown (%)
39.64%	2.93	$1775.00	$1768.00	45.41%
41.55%	1.58	$1080.00	$1053.00	16.34%
52.51%	1.53	$1387.00	$1363.00	28.93%
58.29%	1.24	$1353.00	$1369.00	28.55%
60.36%	0.43	$861.00	$852.00	16.03%

Zentrale Erkenntnis:

• Das System mit einer Gewinnrate von 39,6 % bietet die höchste mittlere und mediane Kapitalentwicklung, aber auch die größten Drawdowns.
• Die Systeme mit einer Gewinnrate von 52,5 % und 58,3 % erzielen ein solides Kapitalwachstum und halten gleichzeitig die Drawdowns unter 50 %, wodurch sie nachhaltiger sind.
• Die Strategie mit einer Gewinnrate von 60,4 % verschlechtert die Performance aufgrund der negativen Erwartung.

Kombinierte Handelsmanagement-Strategie → Händler 3

Es wurde eine Monte-Carlo-Simulation mit 500 Versuchen durchgeführt, bei der die fünf Strategien nach dem Zufallsprinzip über 100 Handelsgeschäfte gemischt wurden.

Abbildung 14: Der integrierte Ansatz von Händler 3 für das Handelsmanagement

Die Strategien wurden wie folgt aufgeteilt:

• 19,4 % → 39,6 % Gewinnraten-System
• 19,6 % → 41,6 % Gewinnraten-System
• 25,4 % → 52,5 % Gewinnraten-System
• 14,4 % → 58,3 % Gewinnraten-System
• 21,2 % → 60,4 % Gewinnraten-System

Diese Verteilung stellt einen diversifizierten Ansatz dar, der ein gewisses absichtliches Ungleichgewicht in der Strategiezuweisung einführt, um die Gesamtperformance zu verbessern.

Die kombinierten Ergebnisse dieser Strategien – die sowohl das Kapitalwachstum als auch die Absenkungsmuster abdecken – sind in Abbildung 15 dargestellt.

Abbildung 15: Kombiniertes Ergebnis der Strategie von Händler 3

Tabelle 9: Kombinierte Ergebnisse für Händler 3

Mittelwert des Kapitals ($)	Median des Kapitals ($)	Median des Drawdown (%)
$1291.00	$1263.00	25.48%

Zentrale Erkenntnis:

• Drawdowns: Die Spanne reicht von 5 % bis 65 % und spiegelt die Extreme der Einzelsystemleistung wider. Der Medianwert der Inanspruchnahme von 25,48 % weist auf ein moderates, aber überschaubares Risikoprofil hin und verdeutlicht die stärkere Kontrolle im Vergleich zu risikoreicheren Einzelsystemen.
• Kapitalkurven: Schwankung zwischen einem Tief von $400 und einem Hoch von $2.250. Der Mittelwert des Kapitals ($1.290,77) und der Medianwert des Kapitals ($1.263,45) liegen eng beieinander, was auf eine konsistente Rentabilität über alle Simulationen hinweg hindeutet, wobei die Performance eher durch stabile Ergebnisse als durch Ausreißer geprägt ist.
• Kombinierte Strategie Auswirkungen: Das maximale Kapital ist zwar niedriger als beim stärksten Einzelsystem (2.700 $ bei einer Gewinnrate von 39,6 %), aber der kombinierte Ansatz glättet das Wachstum, reduziert die Volatilität und liefert ein ausgewogenes Ergebnis, das immer noch über 2.000 $ liegt.

Optimierung der Strategie : Händler 3

1. Erhöhung der Allokation in die Systeme mit 52,5 % und 58,3 % Gewinnrate, die ein nachhaltiges Kapitalwachstum mit Drawdowns unter 50 % bieten.
2. Verringerung oder Abschaffung des Systems der 60,4 %igen Gewinnrate, da die negative Erwartung die Rentabilität untergräbt.
3. Reduzieren Sie die Strategie mit einer Gewinnrate von 39,6 % – sie ist zwar hochprofitabel, aber ihre extremen Drawdowns stellen ein erhebliches Risiko dar, wenn sie nicht durch eine strenge Positionsgröße gesteuert wird.

Code-Struktur

Die folgenden Codezeilen dienen als Input für die Erstellung weiterer Handelsszenarien. 

# Initial parameters
initial_equity = 1000
risk_per_trade = 0.01  # 1% risk
trades_per_run = 100

# Step 1: Generate 5 random win-rates (10%-95%) and 5 random RRR (0.1 - 5)
np.random.seed(94)
win_rates = np.random.uniform(0.10, 0.80, 5)
rrr = np.random.uniform(0.1, 3, 5)

• Ausgangsparameter
• initial_equity= 1000 :  Damit wird der Anfangskontostand auf 1.000 $ festgelegt. Alle nachfolgenden Handelsgeschäfte bauen auf diesem Basiswert auf und ermöglichen es uns, Wachstum, Verluste und Drawdowns zu messen.
• Risiko_pro_Handel= 0,01:  Der Händler riskiert 1% des Kapitals pro Handelsgeschäft. Wenn das Kapital 1.000 $ beträgt, ist jeder Handel mit einem Risiko von 10 $ verbunden. Diese Variable steuert die Positionsgröße und hilft, ein realistisches Geldmanagement zu simulieren.
• trades_per_run = 100 :  Jeder Monte-Carlo-Lauf simuliert 100 Abschlüsse. So entsteht eine statistische Stichprobe, die groß genug ist, um Trends, Gewinn- oder Verlustserien und langfristige Erwartungen zu beobachten.

• Um verschiedene Handelsumgebungen zu untersuchen, generiert der Code zufällige Gewinnraten und RRR.
• np.random.seed(42):  Legt die Zufallsauswahl so fest, dass die Simulation reproduzierbar ist. Jedes Mal, wenn der Code ausgeführt wird, werden dieselben Zufallszahlen generiert, was konsistente Ergebnisse gewährleistet. Sie sollte auskommentiert werden, um verschiedene Möglichkeiten der Zufälligkeit oder der Änderung des Seed-Wertes zu ermöglichen.
• win_rates = np.random.uniform(0.10, 0.80, 5) : Erzeugt fünf zufällige Gewinnraten zwischen 10% und 80%.
• rrr = np.random.uniform(0.1, 3, 5) : Erzeugt fünf zufällige Reward-to-Risk-Verhältnisse (RRR) zwischen 0,1 und 3,0.

Um die für Händler 1, Händler 2 und Händler 3 vorgestellten Handelsszenarien nachzubilden, kann der Leser die für die Erzeugung von Zufallswerten verwendete Seed-Nummer im Python-Code ändern. Für jedes Szenario wurden die folgenden Startwerte verwendet:

• Händler 1: Seed value = 42
• Händler 2: Seed value = 30
• Händler 3: Seed value = 94

Durch die Anwendung dieser Seed-Werte und die erneute Ausführung des Codes können die Leser die unterschiedlichen Handelsergebnisse reproduzieren, die in den Simulationen beobachtet wurden, und so zeigen, wie die Zufälligkeit der Take-Profit-Levels die Gesamtperformance beeinflusst.

Aufbau der Strategie: Demonstration zufälliger Gewinnmitnahme-Levels

Um das Konzept zufälliger Take-Profit-Levels bei gleichzeitiger Beibehaltung eines festen Stop-Loss und eines konsistenten Einstiegs-Setups besser zu verstehen, haben wir eine einfache Handelsstrategie entwickelt, die diese Idee in der Praxis veranschaulicht. Die Strategie kombiniert zwei bekannte technische Indikatoren – den Parabolic SAR und den DeMarker-Indikator – um potenzielle Handelseinstiege zu identifizieren.

Dieser Expert Advisor (EA) wurde für die Plattformen MetaTrader 4 und MetaTrader 5 entwickelt, um einen breiteren Zugang zu ermöglichen. In diesem Abschnitt werden wir uns auf die Version MetaTrader 5 konzentrieren und einen kurzen Überblick über die Codestruktur geben, um dem Leser zu helfen, zu verstehen, wie das Konzept in der Praxis umgesetzt wird.

// Input parameters
input double   LotSize=0.01;            // Lot Size
input double   pStep = 0.01;            // Psar Step
input double   pMax = 0.1;              // Psar Max
input int      DemPeriod = 14;          // DeMarker Period
input double   Overbought = 0.7;        // Overbought >0.5 & < 1
input int      StopLoss=50;             // Stop Loss (pips)
input int      MinRandomTP = 30;        // MinRandom TakeProfit (pips)
input int      MaxRandomTP=200;         //MaxRandom TakeProfit

double OverSold = 1- Overbought;

Die Eingabeparameter sind so gestaltet, dass sie Flexibilität bieten und es den Händlern ermöglichen, die Einstellungen an ihre bevorzugten Handelsbedingungen anzupassen, ohne den Kerncode zu verändern. Jeder Parameter dient einem bestimmten Zweck, um das Verhalten der Handelsstrategie zu definieren.

• Lotsize: Der Parameter Lotsize bestimmt das Handelsvolumen oder die Höhe des Kapitals, das der Händler pro Position zu riskieren bereit ist. Standardmäßig ist dieser Wert auf 0,01 Lots eingestellt und eignet sich daher für konservativen Handel oder Tests.

• pStep und pMax: Die Parameter pStep und pMax steuern den Beschleunigungsfaktor und die maximale Beschleunigung des Parabolic SAR Indikators. Diese Werte beeinflussen, wie schnell der SAR auf Kursänderungen reagiert. Die Standardwerte sind 0,01 für pStep und 0,1 für pMax, was eine ausgewogene Empfindlichkeit für trendfolgende Setups bietet.

• DemPeriode: Der Parameter DemPeriod gibt den Zeitraum an, den der DeMarker-Indikator zur Berechnung seiner Werte verwendet. Die Standardeinstellung ist 14.

• Overbought und Oversold Niveaus:  Der Parameter Overbought definiert den oberen Schwellenwert für den DeMarker-Indikator, der potenzielle Umkehrzonen markiert. Der Wert sollte zwischen 0,5 und 1,0 liegen. Das Niveau von Oversold wird automatisch als (1 – Overbought) berechnet, sodass ein symmetrischer Bereich zwischen den beiden Bedingungen gewährleistet ist.

• Stoploss: Der Parameter Stoploss legt das Risikolimit pro Handel fest, ausgedrückt in Pips. Sie wird vom System bei Bedarf automatisch in Punkte umgerechnet. Der Standard-Stopp-Loss ist auf 50 Pips festgelegt, was einen moderaten Puffer gegen die Marktvolatilität bietet.

• MinRandomTP und MaxRandomTP: Die Parameter MinRandomTP und MaxRandomTP definieren die minimalen und maximalen Grenzen für Take-Profit-Levels. Diese Werte werden an eine Funktion übergeben, die eine zufällige Gewinnmitnahme innerhalb des angegebenen Bereichs generiert. Standardmäßig liegt das Minimum bei 30 Pips und das Maximum bei 200 Pips, sodass unterschiedliche Gewinnziele möglich sind, die dynamische Marktbedingungen simulieren.

//---Time to start and end trade
double startTrade = 1;   //StartTradeTime(hrs)
double endTrade = 22;    // EndTradeTime(hrs)

bool IsTimeToTrade()
  {
   MqlDateTime brokertime_struct;
   TimeCurrent(brokertime_struct);
   double brokertime = brokertime_struct.hour;

   return (brokertime > startTrade && brokertime <= endTrade) ? true : false;
  }

Das Handelssystem arbeitet innerhalb eines bestimmten Zeitfensters, um sicherzustellen, dass Handelsgeschäfte nur während der aktiven Marktzeiten ausgeführt werden. Bei dieser Einstellung wird das Zeitintervall zwischen 1 und 22 Stunden des Handelstages festgelegt.

Die Funktion IsTimeToTrade() prüft, ob die aktuelle Marktzeit innerhalb des vordefinierten Handelsfensters liegt. Ist die Bedingung erfüllt, kann der Handel fortgesetzt werden; andernfalls pausiert das System, um Eingaben während inaktiver oder volatiler außerbörslicher Zeiten zu verhindern.

Zufällige Take-Profit-Levels generieren

//--- Seed random generator once when EA is loaded
   MathSrand(TimeCurrent());

Während der Initialisierungsphase des EA wird der Zufallszahlengenerator mit Hilfe der Funktion TimeCurrent() geimpft. Dadurch wird sichergestellt, dass jede Ausführung des Handelsalgorithmus einzigartige Zufallswerte erzeugt, insbesondere für die Generierung zufälliger Take-Profit-Levels, und nicht bei jedem Durchlauf dieselbe Sequenz wiederholt wird.

Durch die Verknüpfung des Zufallsstarts mit der aktuellen Marktzeit führt das System eine natürliche Variabilität in die Handelsergebnisse ein und ermöglicht so eine realistischere Simulation der dynamischen Handelsbedingungen.

int RandomTakeProfit(int min, int max)
  {
// Normalize MathRand() into 0.0 – 1.0
   double rnd = (double)MathRand() / 32767.0;

// Scale to desired range [min, max]
   int result = (int)MathRound(min + rnd * (max - min));
   Print("TPValues: ",result);
   return result;
  }

Die Funktion RandomTakeProfit() ist für die Erstellung dynamischer Gewinnziele innerhalb eines definierten Bereichs zuständig. Er akzeptiert zwei Eingabeparameter – den minimalen und den maximalen Take-Profit-Wert – und generiert dann ein zufälliges Take-Profit-Niveau zwischen diesen Grenzen, das der EA auf jeden Handel anwendet.

Um die Transparenz zu erhöhen und die Leistungsüberwachung zu unterstützen, wurde eine Print()-Anweisung in den Code aufgenommen. Diese Funktion gibt den zufällig generierten Take-Profit-Wert für jeden eröffneten Handel an das Terminal aus, sodass der Händler verfolgen und analysieren kann, wie unterschiedliche Gewinnziele die Gesamtleistung des Systems beeinflussen.

Festlegung der Zugangskriterien

Das Handelssystem folgt einem einfachen, aber effektiven regelbasierten Ansatz, der den Parabolic SAR und den DeMarker-Indikator kombiniert, um Einstiegssignale zu ermitteln.

//--- Sell condition
   bool sellSignal = psar[0] > high[0] ?
                     (demCurrent[0] > Overbought && demPrevious[0] < Overbought) ? true : false
                     : false;

//--- Buy condition
   bool buySignal = psar[0] < low[0] ?
                    (demCurrent[0] < OverSold && demPrevious[0] > OverSold) ? true : false
                    : false;

Bedingungen für einen Verkauf:
Ein Verkauf wird ausgelöst, wenn der Parabolic SAR-Indikator über dem Hoch der Kerze erscheint, was einen potenziellen Abwärtsdruck der Preise signalisiert. Gleichzeitig muss der DeMarker-Indikator in den überkauften Bereich eindringen, um zu bestätigen, dass der Markt nach oben hin überreizt sein könnte und bereit für einen Rücksetzer ist.

Bedingungen für einen Kauf:
Umgekehrt wird ein Kaufgeschäft eingeleitet, wenn der Parabolic SAR unter dem Tiefpunkt der Kerze liegt, was auf eine potenzielle Aufwärtsdynamik hindeutet. Der DeMarker-Indikator muss gleichzeitig in den überverkauften Bereich klettern, was darauf hindeutet, dass der Verkaufsdruck nachlässt und eine Aufwärts-Trendwende eintreten könnte.

Diese kombinierten Bedingungen zielen darauf ab, falsche Signale herauszufiltern und das Handels-Timing zu verbessern, indem Trend- und Momentum-Indikatoren aufeinander abgestimmt werden.

Ergebnisse der zufälligen Take Profits

Ein Backtest wurde für das Paar GBPUSD mit dem Zeitrahmen H1 durchgeführt, um die Leistung der Strategie unter verschiedenen Take-Profit-Bedingungen zu bewerten. Während des Tests wurde jeder Handel mit demselben Einstiegs-Setup und einem festen Stop-Loss ausgeführt, während die Take-Profit-Levels innerhalb des vordefinierten Bereichs zufällig ausgewählt wurden.

Dieser Ansatz führte zu einer Reihe von Handelsgeschäften, die zwar in Bezug auf die Einstiegskriterien und Risikoparameter identisch waren, sich aber in ihren Ausstiegspunkten unterschieden. Es ist wichtig zu betonen, dass selbst bei gleichen Einstiegssignalen unterschiedliche Ausstiegsbedingungen – in diesem Fall zufällige Take-Profit-Level – zu unterschiedlichen Handelsergebnissen führen. Dies bringt Vielfalt und Dynamik in das Verhalten des Expert Advisors und macht ihn anpassungsfähiger an veränderte Marktbedingungen.

Die Ergebnisse des Backtests sind in den Abbildungen 16 und 17 dargestellt, die die Kapitalentwicklung und die Verteilung der Handelsgeschäfte mit zufällig generierten Take-Profit-Levels zeigen.

Abbildung 16: Zufälliges Take-Profit-Niveau bei jedem Einstieg

Abbildung 17: Zufälliges TP-Diagramm

Schlussfolgerung

Die Beständigkeit des Handels hängt weniger von der Qualität des Einstiegs als vielmehr von einem strukturierten Ausstiegsmanagement ab. Zufällige, emotionale Abgänge zerstören die Erwartung; quantifizierte, regelbasierte Variabilität kann sie verbessern.

Durch die Verfolgung jedes Ausstiegs und die Analyse der Erwartungen über große Stichproben hinweg werden aus Intuitionen Daten. Die Rentabilität ergibt sich aus der Erwartung, nicht aus starren Gewinnzielen – häufige kleinere Gewinne mit einer positiven Erwartung können seltene große Gewinne übertreffen.

Strukturierte Zufälligkeiten, wie z. B. volatilitätsbasierte Trailing-Stops mit Mindestgewinnschwellen der Backtests, können die Unsicherheit systematisieren und Gewinne sichern. Durch Monte-Carlo-Tests werden diese Regeln dann unter verschiedenen Marktbedingungen validiert, wodurch der Zufall in einen Vorteil umgewandelt wird.

Als Nächstes werden wir diesen Rahmen auf mehrere Einstiegsstrategien und skaliertes Positionsmanagement erweitern.