Conformal Prediction Vorhersage-Intervalle mit Garantie.

Ein Trading-Modell, das „1.812 Punkte morgen“ ausgibt, klingt präzise und ist im Kern wertlos — weil es verschweigt, wie unsicher diese Zahl ist. Genau hier setzt Conformal Prediction an: Statt einer Punktprognose liefert das Verfahren ein Intervall mit einer mathematischen Abdeckungsgarantie. Bei einem Zielniveau von 90 Prozent enthält das Intervall den tatsächlichen Wert in mindestens 90 Prozent der Fälle — und das verteilungsfrei, ohne Annahmen über die Form der Renditeverteilung, ohne Vertrauen in die internen Wahrscheinlichkeiten des Modells. Für das Position-Sizing ist das ein qualitativer Sprung: Risiko lässt sich auf Basis ehrlich quantifizierter Unsicherheit dimensionieren statt auf blindem Modellvertrauen. Dieser Beitrag erklärt, wie Conformal Prediction funktioniert, welche Varianten für Zeitreihen taugen, wo der berühmte Garantie-Anspruch im Trading bröckelt und wie sich das Verfahren konkret in ein bestehendes Modell einbauen lässt — mit realistischer Einschätzung von Nutzen und Grenzen.

Das Versprechen — Intervalle mit Abdeckungsgarantie.

Conformal Prediction ist ein Aufsatz, der um ein bestehendes Vorhersagemodell herumgelegt wird. Das Grundmodell — ein Gradient-Boosting-Regressor, ein neuronales Netz, was auch immer — bleibt unangetastet. Conformal Prediction nimmt dessen Vorhersagen und verwandelt sie in Intervalle, für die eine konkrete Aussage gilt: Bei gewähltem Fehlerniveau von zum Beispiel 10 Prozent deckt das Intervall den wahren Wert in mindestens 90 Prozent der Fälle ab.

Das Bemerkenswerte ist, wie wenig dafür vorausgesetzt wird. Die Garantie ist verteilungsfrei — sie verlangt keine Normalverteilung, keine konstante Varianz, keine korrekt spezifizierten Modellannahmen. Sie hängt nur an einer Bedingung: Austauschbarkeit der Daten. Vereinfacht heißt das, die Reihenfolge der Beobachtungen darf für die statistische Argumentation keine Rolle spielen.

Genau diese Bedingung ist bei Finanzzeitreihen der wunde Punkt — Märkte haben Gedächtnis, Volatilität clustert, Regime wechseln. Die naive Garantie gilt streng nur unter Austauschbarkeit, die hier verletzt ist. Conformal Prediction ist deshalb im Trading kein Selbstläufer, aber mit den richtigen Varianten ein wertvolles Werkzeug — vorausgesetzt, man versteht, was die Garantie noch wert ist und was nicht.

So funktioniert Split Conformal in der Praxis.

Die gebräuchlichste Variante ist Split Conformal Prediction, weil sie recheneffizient ist und mit jedem Modell funktioniert. Der Ablauf ist überschaubar.

• Schritt 1: Daten in einen Trainings- und einen separaten Kalibrierungsteil trennen. Das Grundmodell wird nur auf dem Trainingsteil angepasst.
• Schritt 2: Auf dem Kalibrierungsteil die sogenannten Nonconformity-Scores berechnen — meist schlicht der absolute Vorhersagefehler je Beobachtung.
• Schritt 3: Aus diesen Scores das passende Quantil bestimmen. Bei Zielabdeckung 90 Prozent das 90-Prozent-Quantil der Fehler.
• Schritt 4: Für eine neue Vorhersage das Intervall als Punktprognose plus/minus dieses Quantil bilden.

Der Charme liegt in der Einfachheit: keine Verteilungsannahme, kein aufwendiges Resampling, ein zusätzlicher Datendurchlauf. Die naheliegende Schwäche ist ebenso klar — das Intervall hat überall die gleiche Breite, egal ob der Markt ruhig oder turbulent ist. Genau das will man im Trading nicht, denn die Unsicherheit ist eben nicht konstant. Hier kommt die nächste Stufe ins Spiel.

Adaptive Intervalle, die mit der Volatilität atmen.

Ein konstant breites Intervall verschenkt den eigentlichen Nutzen. In ruhigen Phasen ist es unnötig weit und führt zu zaghaftem Sizing, in turbulenten Phasen ist es zu eng und unterschätzt das Risiko genau dann, wenn es zählt. Conformalized Quantile Regression (CQR) löst das eleganter.

Statt eines Punktmodells trainiert man zwei Quantil-Regressionen — etwa für das 5- und das 95-Prozent-Quantil. Diese liefern bereits ein rohes Intervall, das mit der Marktlage variiert. Conformal Prediction kalibriert dieses rohe Intervall anschließend so nach, dass die Abdeckungsgarantie wieder exakt stimmt. Das Ergebnis: Intervalle, die in volatilen Phasen breiter und in ruhigen enger werden — und trotzdem die garantierte Gesamtabdeckung halten.

Für das Trading ist das die entscheidende Eigenschaft. Ein adaptives Intervall, das im März weit aufgeht und im August eng bleibt, übersetzt sich direkt in vernünftiges Risikomanagement: kleinere Positionen bei hoher Unsicherheit, größere bei niedriger. Die Mehrkosten gegenüber Split Conformal sind moderat — man trainiert zwei Quantil-Modelle statt einer Punktprognose, der Conformal-Aufsatz bleibt gleich.

Vom Intervall zum Position-Sizing.

Der praktische Wert von Conformal Prediction entsteht erst in der Umsetzung. Ein Intervall ist kein Selbstzweck, sondern eine Eingangsgröße für die Positionsgröße.

Eine pragmatische Logik: Je enger das Intervall — also je sicherer das Modell — desto größer die Position, im Rahmen fester Risikogrenzen. Ein breites Intervall signalisiert hohe Unsicherheit und führt zu reduziertem oder gar keinem Engagement. Das ersetzt die verbreitete, aber gefährliche Praxis, jede Modellausgabe gleich stark zu handeln, durch ein unsicherheitsbewusstes Sizing.

Konkret lässt sich die Intervallbreite in einen Skalierungsfaktor übersetzen, der die nach Volatilität ohnehin berechnete Basisposition zusätzlich dämpft oder freigibt. Wichtig ist die Disziplin, harte Obergrenzen beizubehalten — ein enges Intervall ist eine Empfehlung, kein Freibrief. Die Erfahrung zeigt, dass der Mehrwert weniger in spektakulär höheren Renditen liegt als in ruhigeren Equity-Kurven: weniger schmerzhafte Verluste in genau den Phasen, in denen das Modell selbst signalisiert, dass es unsicher ist.

Warum die Garantie bei Zeitreihen aufweicht.

Hier ist Ehrlichkeit gefragt, denn die theoretische Garantie wird gern überverkauft. Sie ruht auf der Annahme der Austauschbarkeit, und die ist bei Finanzdaten schlicht verletzt. Volatilität clustert, Trends bestehen fort, Regime wechseln abrupt — die Reihenfolge der Beobachtungen trägt also sehr wohl Information.

Die Konsequenz: Die nominell garantierten 90 Prozent Abdeckung werden in der Praxis nicht exakt eingehalten, besonders nicht über Regime-Brüche hinweg. Nach einem strukturellen Bruch — neuer Volatilitätszustand, veränderte Korrelationen — kann die tatsächliche Abdeckung deutlich unter den Zielwert fallen, bis sich die Kalibrierung anpasst.

Es gibt Erweiterungen, die das adressieren. Adaptive Conformal Inference passt das Fehlerniveau laufend an die beobachtete Abdeckung an und stellt die Zielabdeckung über die Zeit im Mittel wieder her — auf Kosten lokaler Schwankungen. Das ist ein vernünftiger Kompromiss, ändert aber nichts am Grundsatz: Im Trading liefert Conformal Prediction ehrliche, datengetriebene Unsicherheitsbänder, deren Garantie näherungsweise und nicht exakt gilt. Wer das so kommuniziert, nutzt das Verfahren richtig.

Conformal Prediction gegen Alternativen.

Es gibt mehrere Wege, Unsicherheit zu quantifizieren. Conformal Prediction hat ein klares Profil, ist aber nicht in jeder Lage die beste Wahl.

Der pragmatische Mittelweg ist häufig die Kombination: Quantile Regression liefert die adaptive, marktlagengerechte Form des Intervalls, Conformal Prediction kalibriert sie auf die gewünschte Abdeckung nach. So bekommt man die Anpassungsfähigkeit der Quantile und die statistische Disziplin des Conformal-Aufsatzes in einem Paket — genau jene CQR-Variante, die für Trading-Anwendungen am überzeugendsten ist.

Einbau in einen bestehenden Stack.

Eine der attraktivsten Eigenschaften von Conformal Prediction ist der geringe Integrationsaufwand. Das Verfahren ersetzt kein bestehendes Modell, sondern legt sich darüber. Wer bereits einen funktionierenden Predictor hat, ergänzt im Wesentlichen einen Kalibrierungsschritt und eine Intervallberechnung.

Praktisch bedeutet das: einen Teil der Daten als Kalibrierungsmenge reservieren, die Nonconformity-Scores rollierend pflegen, und das Intervall bei jeder Vorhersage mitberechnen. Bei zeitlich variierenden Märkten lohnt eine rollierende Kalibrierung, die nur die jüngere Vergangenheit nutzt, statt die gesamte Historie — so reagiert die Intervallbreite schneller auf veränderte Volatilität. Reife Bibliotheken nehmen einem den Großteil der Implementierung ab.

Der laufende Rechenaufwand ist gering, die Zusatzlatenz vernachlässigbar — Conformal Prediction eignet sich damit auch für höhere Handelsfrequenzen. Der eigentliche Aufwand liegt nicht im Code, sondern im sauberen Monitoring: Man muss die tatsächlich erreichte Abdeckung fortlaufend gegen den Zielwert prüfen. Sinkt sie dauerhaft, ist das ein Frühwarnsignal für einen Regime-Bruch — ein nützlicher Nebeneffekt, der über die reine Intervallschätzung hinaus Wert stiftet.

Sie wollen Ihr bestehendes Trading-Modell mit ehrlichen, kalibrierten Unsicherheitsbändern ausstatten und das Position-Sizing darauf gründen? Unverbindlich anfragen — wir schauen gemeinsam auf Ihr Modell, die Datenlage und das Sizing-Konzept und ordnen ein, was die Garantie in Ihrem Markt realistisch wert ist.