Datenbasis: 123.193 Episoden, 10 Märkte, 23 Setups, 05.01.2015 – 05.06.2026. Exit: Trailing-Stop BE 0,5 / TS 1,0 / Schritt 0,5, netto nach Spread und Slippage. Gegenstand sind nicht die Trade-Ergebnisse, sondern die Kontext-Features unserer Episoden-Basis — die Spalten, die ein Modell zum Zeitpunkt des Einstiegs sehen darf. Keine Handelsempfehlung.
Lookahead-Bias ist der Fehler, vor dem jeder warnt und den trotzdem jeder irgendwann baut. Nicht, weil man den Schlusskurs von morgen einliest — so plump ist es nie. Sondern weil eine Kontextgröße, die für den Tag definiert ist, an einer Stelle abgefragt wird, an der der Tag noch gar nicht so weit ist.
Genau das ist uns passiert. Vier Spalten unserer Episoden-Basis waren ein Blick in die eigene Zukunft. Dieses Dokument beschreibt, wie das Leck entstanden ist, woran wir es erkannt haben, wie wir es bewiesen und geschlossen haben — und was davon nicht mehr zu reparieren war. Wir schreiben es auf, weil die Fehlerklasse allgemein ist und die Diagnose-Signatur sich auf jeden Backtest übertragen lässt.
1. Der Fehler
Jede Episode in unserer Basis trägt neben dem Trade-Ergebnis eine Reihe statischer Kontext-Features, die den Tag beschreiben: Vortages-Hoch und -Tief, eine Kompressionskennzahl aus dem Vortages-OHLC, die Distanz des Einstiegs zu den Grenzen der 30-Minuten-Opening-Range und eine Richtungs-Tendenz relativ zum Cash-Open-Preis.
Die Features wurden aus einer Tages-Zeile geholt — ohne Prüfung, ob der jeweilige Wert zum Trigger-Zeitpunkt schon bekannt war. Für Vortages-Werte ist das harmlos, die sind seit dem Vorabend fix. Für zwei Feature-Paare war es ein Leck:
| Feature | definiert über | unbekannt für | betroffen |
|---|---|---|---|
| Distanz zur oberen / unteren Opening-Range-Grenze | 30-Minuten-Opening-Range | Trigger innerhalb der ersten 30 Minuten | 60.129 Episoden (48,8 %) |
| Richtungs-Tendenz (absolut und richtungsbezogen) | Cash-Open-Preis | Trigger vor dem Cash-Open | 8.479 Episoden (ein FX-Vormittags-Setup 93,5 %, ein Gold-Setup in der Asien-Session 100 %) |
Ein Setup, das nach zehn Minuten auslöst, bekam die Opening-Range-Grenzen mitgeliefert, die erst zwanzig Minuten später feststehen. Ein Pre-Open-Setup bekam den Open-Preis, der noch nicht existierte. Für die Hälfte aller Episoden enthielt der Zustand damit Information über den Kursverlauf nach dem Einstieg.
Dieselbe Fehlerklasse hatten wir schon einmal gefixt: Am 11.06.2026 hatten wir für die Features aus den ersten 5 und 15 Minuten eine Zeitprüfung eingebaut. Der Fix war richtig — aber er deckte nur die beiden Spalten ab, für die wir damals hingeschaut hatten. Die anderen vier blieben ungeprüft.
2. Woran wir es bemerkt haben
Das Leck fiel nicht beim Bau auf, sondern als Nebenprodukt unserer Studie zur Edge-Persistenz. Dort lieferte ein einfaches Nachbarschafts-Modell (kNN, walk-forward) auf den Kontext-Features eine Trennschärfe, die zu gut war, um wahr zu sein.
Der erste Verdacht kam trotzdem nicht sofort. Die Richtungs-Tendenz allein sah unauffällig aus: Korrelation mit dem Trade-Ergebnis +0,011. Erst die richtungsbezogene Variante — Tendenz mal Trade-Richtung — zeigte +0,173. Der Effekt mittelt sich über Long und Short weg, weil ein positiver Bias Longs hilft und Shorts schadet. Ein richtungsneutrales Feature einzeln zu prüfen reicht nicht. Man muss es mit der Trade-Richtung multiplizieren, sonst versteckt sich das Leck in der Symmetrie.
3. Der Beweis
Die Diagnose, die den Bug zweifelsfrei nachweist, ist einfach: Man teilt die Episoden danach, ob der Trigger vor oder nach dem Zeitpunkt lag, an dem das Feature real bekannt wird, und misst die Korrelation zum Trade-Ergebnis getrennt.
| Feature | Trigger vor dem Zeitpunkt | Trigger danach | nach dem Fix |
|---|---|---|---|
| Distanz obere OR-Grenze | +0,198 | +0,007 | konstant 0 vor OR-Ende |
| Distanz untere OR-Grenze | +0,213 | +0,003 | konstant 0 vor OR-Ende |
| Richtungs-Tendenz × Richtung | +0,173 | +0,010 | konstant 0 vor Open |
Das ist die Signatur eines Lecks, nicht eines Edges. Ein echtes Feature würde nach dem Bekanntwerden mindestens so gut prognostizieren wie davor. Hier ist es umgekehrt: Sobald das Feature legitim verfügbar ist, ist seine Vorhersagekraft weg. Die +0,2 stammen ausschließlich aus Episoden, für die das Feature noch gar nicht existieren durfte.
Auf Modell-Ebene sah der Unterschied so aus: Der kNN-Terzil-Spread — Erwartungswert bestes minus schlechtestes Drittel, walk-forward, innerhalb der Zelle — fiel von +0,726 R auf +0,191 R. Drei Viertel der scheinbaren Prognosekraft waren Zukunft.
Das schärfste diagnostische Detail war die Kalibrierung. Vor dem Fix hat das Modell untertrieben: Wo es +0,316 R prognostizierte, kamen +0,493 R. Nach dem Fix übertreibt es, wie es sich gehört: prognostiziert +0,241 R, realisiert +0,197 R. Ein sauberer, verrauschter Prädiktor muss übertreiben — Regression zur Mitte. Ein Prädiktor, der systematisch untertreibt, weiß etwas, das er nicht wissen dürfte. Diese Regel ist der günstigste Lookahead-Test, den wir kennen, und sie braucht keinen Blick in den Code.
4. Fix und Verifikation
Der Fix ist eine Zeitprüfung: Jedes Kontext-Feature wird auf null gesetzt, wenn der Trigger vor dem Zeitpunkt liegt, an dem der Wert real feststeht. Die Basis wurde komplett neu gebaut.
Drei Kontrollen mussten danach halten:
- Alle vier Validierungsanker unverändert. Die Referenzwerte, gegen die wir jede Neuberechnung der Basis prüfen, lagen exakt auf den alten Zahlen.
- R-Werte über alle 123.193 Episoden bitgenau identisch (max |ΔR| = 0). Der Fix ändert Features, nie Ergebnisse.
- Der alte Zustand ist archiviert, sodass jede Vorher-nachher-Behauptung nachrechenbar bleibt.
Die zweite Kontrolle ist die wichtige. Weil kein Trade-Ergebnis berührt wurde, bleiben alle bisherigen Setup-Verdikte und die Persistenz-Studie gültig. Sie beruhen auf Ergebnissen, nicht auf Features. Das Leck hat nur die Erklärungen verfälscht, nicht die Messungen.
5. Was nicht zu retten war
Vor dem Fix hatten wir mehrere Reinforcement-Learning-Modelle auf dieser Basis trainiert. Die Beobachtung, die ein solches Modell in jedem Schritt sieht, enthielt die Kontext-Features pauschal — und damit die vier Orakel-Spalten.
Diese Modelle sind kontaminiert und lassen sich nicht nachträglich bereinigen. Ein neuronales Netz, das im Training gelernt hat, auf eine Spalte zu reagieren, die Zukunft enthält, hat seine Gewichte um dieses Signal herum gebaut. Es gibt keinen Weg, das Signal aus den Gewichten zu subtrahieren. Ihre Evaluationszahlen sind zu optimistisch, und zwar am stärksten genau dort, wo das Leck am größten war: bei Setups, die früh in der Session auslösen. Die einzige Konsequenz ist neu trainieren, und kein Ergebnis aus der alten Generation zählt.
Das ist der teure Teil eines Lookahead-Bugs. Die Basis lässt sich in einer Stunde neu bauen. Alles, was auf der Basis gelernt wurde, muss weggeworfen werden.
6. Was daraus folgt
Drei Regeln, die wir seitdem als Pflicht führen:
Jedes Kontext-Feature trägt einen Zeitstempel, ab dem es bekannt ist. Nicht der Tag, sondern die Uhrzeit. Die Zeitprüfung sitzt beim Bau der Basis, nicht beim Modell — sonst vergisst sie jemand.
Richtungsneutrale Features werden mit der Trade-Richtung multipliziert geprüft. Sonst hebt sich das Leck über Long und Short auf und bleibt unsichtbar.
Kalibrierung ist ein Lookahead-Test. Ein Modell, dessen Prognosen zu klein ausfallen, ist verdächtig. Ein sauberes Modell übertreibt.
Dass wir dieselbe Fehlerklasse zweimal fixen mussten, ist die eigentliche Lehre. Der erste Fix war lokal — zwei Spalten, die gerade auffällig waren. Der zweite war strukturell — eine Zeitprüfung für jede Spalte, mit einem Suchskript, das die Fehlerklasse über alle Features abfragt. Nur der zweite ist ein Fix.
7. Grenzen
- Das ist ein Post-mortem, kein Backtest. Die Zahlen beschreiben die Größe eines Lecks, keinen Edge.
- Die Korrelationen sind In-Sample-Diagnosen. Sie belegen das Leck, sie messen nicht die verbleibende Prognosekraft der sauberen Features; die liegt mit +0,191 R im kNN-Terzil-Spread deutlich unter dem kontaminierten Wert und ist selbst noch nicht OOS-bestätigt.
- Nicht getestet: ob weitere, subtilere Lecks existieren, die keine der drei Signaturen (Vorher-nachher-Split, richtungsbezogene Korrelation, Untertreiben) auslösen. Das Suchskript deckt die Fehlerklasse „Tages-Wert vor seinem Zeitpunkt abgefragt" ab, nicht jede denkbare Klasse.
- Die kontaminierten RL-Modelle wurden nicht neu trainiert. Alle Aussagen über ihre Optimismus-Größe sind qualitativ, bis saubere Vergleichsläufe existieren.