Fundamental-Backtest: Was Kennzahlen-Strategien wirklich gebracht hätten
Ein Fundamental-Backtest prüft, was eine Regel aus Kennzahlen wie KGV, Eigenkapitalrendite oder Verschuldung in der Vergangenheit gebracht hätte: Zu jedem Termin kommen die Aktien ins Portfolio, die alle Kriterien erfüllen. Das klingt einfach. Doch drei Fehler machen solche Tests schnell zu schön: Zahlen, die damals noch gar nicht bekannt waren, Unternehmen, die es heute nicht mehr gibt, und zu viele ausprobierte Kriterien. Dieser Artikel zeigt, wie du sie erkennst und vermeidest.
Vom Screener zum Backtest
Ein Aktien-Screener filtert heute: Welche Aktien haben ein KGV unter 15, eine Eigenkapitalrendite über 15 % und wenig Schulden? Ein Fundamental-Backtest stellt dieselbe Frage an jedem vergangenen Termin, kauft die Treffer, hält sie bis zum nächsten Termin und vergleicht das Ergebnis mit einem Index. Aus einer Momentaufnahme wird so eine Zeitreihe mit Rendite, Schwankung und Maximum Drawdown.
Eine Regel besteht aus vier Teilen: dem Universum (etwa alle US-Aktien ab einer Milliarde Dollar Börsenwert), den Kriterien (Kennzahl, Vergleich, Schwelle), der Gewichtung (gleich oder nach Börsenwert) und dem Rhythmus (monatlich, quartalsweise, jährlich). Dazu kommt eine Antwort auf die Frage, was mit dem Geld passiert, wenn zu wenige Aktien die Kriterien erfüllen. Viele Tests übergehen diesen Fall, dabei tritt er bei strengen Regeln regelmäßig auf.
Anders als bei einem Backtest mit Kursen allein kommen Fundamentaldaten mit Verspätung, nur einmal im Jahr oder Quartal, und sie werden manchmal nachträglich geändert. Genau daraus entstehen die typischen Fehler.
Look-ahead-Bias: Zahlen, die es damals noch nicht gab
Der häufigste Fehler ist der Look-ahead-Bias: Der Backtest verwendet zu einem Termin Zahlen, die erst später veröffentlicht wurden. Ein Geschäftsjahr endet am 31. Dezember, der Jahresbericht kommt aber erst Wochen später. In den USA gelten für den Jahresbericht 10-K Fristen von 60, 75 oder 90 Tagen nach dem Ende des Geschäftsjahres, je nach Größe des Unternehmens (SEC, Financial Reporting Manual 2026). Wer die Zahlen dem Stichtag zuordnet statt dem Tag der Veröffentlichung, handelt im Backtest mit Wissen, das niemand hatte.
| Einreicher | Frist | Fristende rechnerisch (Geschäftsjahr bis 31.12.2025) | Erster Termin mit den Zahlen (Monatsende) |
|---|---|---|---|
| Large Accelerated Filer | 60 Tage | 1. März 2026 | 31. März 2026 |
| Accelerated Filer | 75 Tage | 16. März 2026 | 31. März 2026 |
| Übrige Unternehmen | 90 Tage | 31. März 2026 | 30. April 2026 |
Ein Bericht, der genau am Monatsende eingeht, zählt erst am folgenden Monatsende, denn er könnte nach Börsenschluss gekommen sein; deshalb steht in der letzten Zeile der 30. April. Ein Beispiel zeigt, warum das wichtig ist: Ein Unternehmen meldet am 28. Februar einen kräftigen Gewinnsprung, die Aktie steigt am nächsten Tag um 8 %. Ein Backtest, der die Zahlen schon zum 31. Dezember kennt, kauft Ende Dezember und streicht die 8 % ein. Kein Anleger konnte das.
Eine zweite Form steckt in Datenbanken, die nur den heutigen Stand der Zahlen speichern. Korrigiert ein Unternehmen seinen Gewinn später nach unten, steht im Datensatz nur noch der korrigierte Wert, und der Backtest meidet die Aktie schon, bevor jemand von dem Problem wusste. Abhilfe schaffen Point-in-Time-Daten: je Bericht die Zahlen, wie sie damals veröffentlicht wurden, mit dem Tag der Veröffentlichung. In der Forschung ist auch ein großzügiger Abstand üblich: Fama und French bilden ihre Portfolios zur Jahresmitte mit den Abschlüssen des Vorjahres, damit die Zahlen sicher bekannt sind (Fama und French 1993).
Survivorship Bias: das Universum von heute
Der zweite große Fehler ist der Survivorship Bias. Wer für einen Test seit 2012 die heute gelisteten Aktien nimmt, lässt alle weg, die seitdem übernommen wurden, pleitegingen oder die Börse verließen. Gerade die Pleiten fehlen dann mit ihren letzten, großen Verlusten. Shumway (1997) zeigte für die wichtigste US-Kursdatenbank, dass bei Aktien, die aus negativen Gründen vom Kurszettel verschwanden, die letzte Rendite meist fehlt und dass diese fehlenden Renditen groß sind. Wie stark Survivorship Bias Performancestudien verzerrt, beschrieben schon Brown u. a. (1992).
Daraus folgen zwei Regeln für den eigenen Test. Erstens: Vergleiche eine Kennzahlen-Strategie nicht nur mit einem Index, sondern auch mit dem Universum, aus dem sie auswählt, gleich gewichtet und mit demselben Fehler. Zweitens: Sei bei Regeln, die billige, kleine oder hoch verschuldete Aktien kaufen, besonders skeptisch, denn bei ihnen fehlen die meisten Ausfälle.
Viele Kriterien, leeres Portfolio
Jedes zusätzliche Kriterium siebt aus. Wären die Kriterien unabhängig voneinander und erfüllte jedes die Hälfte der Aktien, bliebe nach jedem Kriterium nur die Hälfte übrig:
- Aktien im Universum
- Anteil, der ein einzelnes Kriterium erfüllt
- Zahl der Kriterien
Rechnung 2.000 × p^k; ausgedachtes Universum. Echte Kriterien hängen zusammen: Ein niedriges KGV und eine hohe Dividendenrendite treffen oft dieselben Aktien, hohes Wachstum und ein niedriges KGV selten.
Mit fünf Kriterien, die je die Hälfte erfüllt, bleiben von 2.000 Aktien rund 62, mit zehn noch zwei. Strenge Schwellen wie bei Benjamin Grahams Regeln für defensive Anleger (Graham 2003) leeren das Portfolio in manchen Jahren ganz. Ein Backtest muss dann entscheiden: Bleibt das Geld liegen? Wird es auf die wenigen Treffer verteilt, sodass eine einzige Aktie das ganze Vermögen trägt? Beides verzerrt das Ergebnis.
Eine saubere Lösung ist eine Mindestzahl m mit Ersatz: Bei k Treffern unter m bekommt jede Aktie den Anteil, den sie bei m Aktien hätte, also 1/m; der Rest liegt im Ersatz, etwa im Geldmarkt oder einem Indexfonds. Bei drei Treffern und m = 10 liegen 30 % in den Aktien und 70 % im Ersatz, ohne Treffer alles. So bleibt die Streuung erhalten, und das Ergebnis zeigt offen, wie oft die Regel gar nichts fand.
Viele Kriterien haben noch einen zweiten Haken: Jede Kennzahl und jede Schwelle ist ein Freiheitsgrad. Wer zehn Kriterien mit je drei Schwellen ausprobiert, testet Zehntausende Regeln und findet fast sicher eine, die zufällig gut aussah (Backtest-Overfitting). Harvey u. a. (2016) halten wegen der vielen getesteten Faktoren für einen neuen Faktor einen t-Wert über 3,0 für nötig statt der üblichen 1,96.
Was die Forschung zu Kennzahlen-Strategien zeigt
Dass Kennzahlen Renditen erklären können, ist gut belegt. Schon Basu (1977) fand, dass Aktien mit niedrigem KGV mehr Rendite brachten, als ihr Risiko erwarten ließ. Nach Fama und French (1992) erfassen Größe und Buchwert-Marktwert-Verhältnis zusammen die Renditeunterschiede, die mit Beta, Größe, Verschuldung, Buchwert und KGV zusammenhängen. Lakonishok u. a. (1994) führen den Vorsprung billiger Aktien auf das Verhalten typischer Anleger zurück, die vergangenes Wachstum zu weit fortschreiben, nicht auf höheres Risiko; zusammen mit der Größe stehen solche Effekte hinter den Fama-French-Faktoren.
Auch Qualität wirkt: Piotroski (2000) trennte unter Aktien mit hohem Buchwert-Marktwert-Verhältnis mit einem einfachen Punktwert aus neun Bilanzsignalen Gewinner von Verlierern, vor allem bei kleinen, wenig beachteten Firmen. Novy-Marx (2013) zeigte, dass die Bruttoprofitabilität Renditen ähnlich gut vorhersagt wie die Bewertung, und nach Asness u. a. (2019) bringen profitable, wachsende und sichere Unternehmen höhere risikoadjustierte Renditen.
Die Gegenrechnung ist ernüchternd. Hou u. a. (2020) bauten 452 Anomalien nach: 65 % erreichten keinen t-Wert von 1,96, mit der strengeren Schwelle von 2,78 für Mehrfachtests waren es 82 %, und auch die bestätigten fielen kleiner aus als ursprünglich berichtet. McLean und Pontiff (2016) untersuchten 97 veröffentlichte Renditevorhersager: Außerhalb der ursprünglichen Stichprobe brachten ihre Portfolios 26 % weniger, nach der Veröffentlichung 58 % weniger. Ein Backtest, der eine bekannte Regel bis heute fortschreibt, zeigt also vor allem die Vergangenheit.
Für Fortgeschrittene: Was ein Point-in-Time-Test noch beachten muss
- Geschäftsjahre: Viele Unternehmen schließen nicht im Dezember ab. Ein Test mit festem Rhythmus vergleicht deshalb Zahlen unterschiedlichen Alters; eine Altersgrenze (etwa 18 Monate nach dem Stichtag) wirft veraltete Berichte heraus.
- Kennzahlen mit Kurs: KGV oder Dividendenrendite ändern sich mit jedem Kurs, auch ohne neuen Bericht. Monatliches Rebalancing kauft so oft dieselben Unternehmen um und erzeugt Umschlag und Kosten.
- Börsenwert über Splits: Kurse in Datenbanken sind meist um Splits bereinigt, Aktienzahlen aus alten Berichten nicht. Ohne Umrechnung springt der Börsenwert um das Split-Verhältnis.
- Fehlende Werte: Fehlt eine Zahl, darf das Kriterium nicht stillschweigend als erfüllt gelten. Wer fehlende Werte mit dem Mittel füllt, schmuggelt Informationen aus anderen Unternehmen in die Auswahl.
- Handelszeitpunkt: Signal und Kauf zum selben Schlusskurs sind eine Vereinfachung. Bei Kennzahlen aus Jahresberichten ist der Fehler klein, bei Kriterien wie Momentum größer.
- Vergleich: Ein Index wie der S&P 500 ist nach Börsenwert gewichtet, eine gleich gewichtete Regel hat dagegen schon eine Neigung zu kleineren Werten. Der faire Vergleich ist das gleich gewichtete Universum.
So rechnet Portfolio Lab
Der Fundamental-Backtest nimmt die Jahresberichte 10-K aller heute gelisteten US-Unternehmen von der SEC, auf Wunsch auch die Quartalsberichte 10-Q mit den Zahlen der letzten vier Quartale, je Bericht mit den Werten, wie sie darin standen, und dem Tag der Einreichung. Zu jedem Monatsende zählt nur, was vorher eingereicht war und höchstens 18 Monate zurückliegt. Du wählst bis zu zehn Kriterien aus 22 Kennzahlen, den Rhythmus, die Gewichtung, eine Höchstzahl und die Mindestzahl mit Ersatz (Geldmarkt, S&P 500 oder Universum). Das Ergebnis steht neben dem S&P 500 und dem gleich gewichteten Universum, dazu je Termin, wie viele Aktien die Regel fand und welches Kriterium wie viel aussiebte. Der Survivorship Bias bleibt, die Seite sagt das deutlich; seit November 2026 behält der Datenbestand Unternehmen, die ausscheiden, damit der Fehler nicht weiter wächst. Details stehen in der Methodik.
Häufige Fragen
Was ist ein Fundamental-Backtest?
Ein Test, der eine Regel aus Kennzahlen wie KGV, Eigenkapitalrendite oder Verschuldung an vielen vergangenen Terminen anwendet: Er kauft jeweils die Aktien, die alle Kriterien erfüllen, hält sie bis zum nächsten Termin und vergleicht das Ergebnis mit einem Index und dem Universum.
Wie vermeide ich Look-ahead-Bias bei Kennzahlen?
Indem du jede Zahl erst ab dem Tag ihrer Veröffentlichung verwendest und die Werte nimmst, wie sie damals im Bericht standen, nicht den heute korrigierten Stand. Ohne Einreichungstage hilft ein großzügiger Abstand, etwa Abschlüsse des Vorjahres erst zur Jahresmitte.
Wie viele Kriterien sind sinnvoll?
So wenige, wie die Idee braucht. Jedes Kriterium halbiert das Universum grob, wenn es die Hälfte der Aktien erfüllt, und jede Schwelle ist ein weiterer Freiheitsgrad für Overfitting. Drei bis fünf Kriterien mit runden, vorab festgelegten Schwellen sind leichter zu glauben als zehn fein abgestimmte.
Was passiert, wenn keine Aktie alle Kriterien erfüllt?
Das muss die Regel festlegen. Sinnvoll ist eine Mindestzahl: Bei weniger Treffern bekommt jede Aktie den Anteil, den sie bei der Mindestzahl hätte, der Rest liegt im Geldmarkt oder in einem Index. Ohne Treffer liegt alles dort.
Warum sehen Value-Strategien im Backtest oft zu gut aus?
Weil billige, kleine und hoch verschuldete Aktien häufiger pleitegehen. Fehlen diese Ausfälle im Datensatz, wie bei einem Universum aus heute gelisteten Aktien, fehlen ausgerechnet die schlechtesten Positionen der Strategie.
Literatur
- Asness, Clifford S.; Frazzini, Andrea; Pedersen, Lasse Heje (2019): Quality minus junk. Review of Accounting Studies 24 (1), S. 34–112. doi:10.1007/s11142-018-9470-2
- Basu, S. (1977): Investment Performance of Common Stocks in Relation to Their Price-Earnings Ratios: A Test of the Efficient Market Hypothesis. The Journal of Finance 32 (3), S. 663–682. doi:10.1111/j.1540-6261.1977.tb01979.x
- Brown, Stephen J.; Goetzmann, William; Ibbotson, Roger G.; Ross, Stephen A. (1992): Survivorship Bias in Performance Studies. Review of Financial Studies 5 (4), S. 553–580. doi:10.1093/rfs/5.4.553
- Fama, Eugene F.; French, Kenneth R. (1992): The Cross-Section of Expected Stock Returns. The Journal of Finance 47 (2), S. 427–465. doi:10.1111/j.1540-6261.1992.tb04398.x
- Fama, Eugene F.; French, Kenneth R. (1993): Common risk factors in the returns on stocks and bonds. Journal of Financial Economics 33 (1), S. 3–56. doi:10.1016/0304-405x(93)90023-5
- Graham, Benjamin (2003): The Intelligent Investor. HarperBusiness Essentials, überarbeitete Ausgabe mit Kommentaren von Jason Zweig (Erstausgabe 1949).
- Harvey, Campbell R.; Liu, Yan; Zhu, Heqing (2016): … and the Cross-Section of Expected Returns. Review of Financial Studies 29 (1), S. 5–68. doi:10.1093/rfs/hhv059
- Hou, Kewei; Xue, Chen; Zhang, Lu (2020): Replicating Anomalies. The Review of Financial Studies 33 (5), S. 2019–2133. doi:10.1093/rfs/hhy131
- Lakonishok, Josef; Shleifer, Andrei; Vishny, Robert W. (1994): Contrarian Investment, Extrapolation, and Risk. The Journal of Finance 49 (5), S. 1541–1578. doi:10.1111/j.1540-6261.1994.tb04772.x
- McLean, R. David; Pontiff, Jeffrey (2016): Does Academic Research Destroy Stock Return Predictability?. The Journal of Finance 71 (1), S. 5–32. doi:10.1111/jofi.12365
- Novy-Marx, Robert (2013): The other side of value: The gross profitability premium. Journal of Financial Economics 108 (1), S. 1–28. doi:10.1016/j.jfineco.2013.01.003
- Piotroski, Joseph D. (2000): Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers. Journal of Accounting Research 38 (Supplement), S. 1–41. doi:10.2307/2672906
- Shumway, Tyler (1997): The Delisting Bias in CRSP Data. The Journal of Finance 52 (1), S. 327–340. doi:10.1111/j.1540-6261.1997.tb03818.x
- U.S. Securities and Exchange Commission (2026): Financial Reporting Manual, Topic 1: Registrant's Financial Statements (Abschnitt 1330, Fristen der Berichte). SEC, Division of Corporation Finance; abgerufen am 7.11.2026. Quelle
Dieser Artikel erklärt eine Methode; er ist keine Anlage- oder Steuerberatung. Zahlenbeispiele sind vereinfacht und gerundet. Alle Begriffe im Glossar.