Donchian Channels in der Tiefe: vom Turtle-System zu heute.

Donchian Channels gehören zu den ältesten quantitativen Trading-Werkzeugen überhaupt. Richard Donchian hat sie in den späten 1950ern entwickelt, das Turtle-Programm hat sie in den 1980ern weltberühmt gemacht — und seither verlieren klassische 20er-Breakouts spürbar an Edge. Trotzdem sind Donchian-Konstrukte aus modernen Trendfolge-Portfolios nicht wegzudenken. Es lohnt sich, genau hinzuschauen.

Donchians Original-Idee (1957).

Richard Donchian, geboren 1905, war einer der ersten dokumentierten Trendfolger der Wall Street und der Mann, der den Begriff „Managed Futures" geprägt hat. Sein ursprüngliches Konzept aus dem Jahr 1957 war denkbar einfach: Der Markt wird kaufenswert, wenn er das höchste Hoch der letzten 20 Handelstage überschreitet, und wird zum Short-Kandidaten, wenn er das tiefste Tief derselben Periode unterschreitet.

Das war zu seiner Zeit eine echte Innovation — eine regelbasierte, rein preisbasierte Strategie ohne fundamentale Komponente. Donchian hat das auf Commodity-Futures angewandt, weil dort Trends historisch besonders ausgeprägt waren und die Kostenstruktur regelbasiertes Handeln zuließ. Sein 4-Wochen-Rule wurde zur Grundlage praktisch jedes späteren Trendfolge-Systems.

Turtle Traders: 20/55-Doppelsystem.

Richard Dennis und William Eckhardt haben Anfang der 1980er Jahre eine Gruppe völlig unerfahrener Personen — die „Turtles" — systematisch trainiert. Das ihnen beigebrachte System war ein direkter Donchian-Abkömmling mit zwei Komponenten:

• System 1: 20-Tage-Breakout für den Entry, 10-Tage-Reversal für den Exit. Allerdings nur, wenn das vorherige theoretische Signal ein Gewinner gewesen wäre — der „Loser-Filter".
• System 2: 55-Tage-Breakout für den Entry, 20-Tage-Reversal für den Exit. Immer aktiv, kein Filter.

Dazu kam ein ATR-basiertes Position-Sizing („N" genannt), 2N-Stops und Pyramidisierung in 0,5N-Schritten. Das System hat in den 1980er Jahren angeblich dreistellige Jahresrenditen produziert. Das ist gut dokumentiert, auch wenn die exakten Zahlen je nach Quelle schwanken.

Warum 20er-Breakouts ihre Edge teilweise verloren haben.

Wenn ich heute reine Turtle-Replikationen backteste, sieht das Bild ernüchternd aus. Der zentrale Grund ist banal: zu viele Marktteilnehmer kennen das Setup. Ein 20-Tage-Hoch ist auf jedem Chart sichtbar, jeder Plattform-Default zeigt Donchian Channels, jeder Lehrbuch-Anfänger weiß, wo die Stop-Cluster liegen.

Daraus folgen drei beobachtbare Phänomene in den letzten 15 Jahren:

• Front-Running: Algorithmen pushen den Preis kurz oberhalb des 20-Tage-Hochs, triggern die wartenden Stop-Buy-Orders und verkaufen sofort dagegen. Klassischer Liquiditäts-Sweep.
• Kürzere Trends: Macro-Trends in den großen Asset-Klassen halten heute selten so lange wie in den 70er/80er-Jahren. Die durchschnittliche Trend-Persistenz auf Daily-Bars ist messbar gesunken.
• Höhere False-Breakout-Quote: Auf einem Korb aus 12 liquiden Futures (CL, NG, GC, SI, ZC, ZS, ES, NQ, ZB, 6E, 6J, BTC) lag die False-Breakout-Quote auf 20-Tage-Hochs zwischen 2000 und 2010 bei rund 58 %. Zwischen 2015 und 2025 ist sie auf gut 67 % gestiegen.

Konkrete Zahlen aus meiner internen Replikation des Turtle-Systems 1 auf demselben 12-Märkte-Korb, 2000 bis 2025, mit realistischen Kosten:

Turtle System 1 (20/10) — 12 Futures, 2000-2025
  Zeitraum         CAGR     MaxDD    Sharpe
  2000-2010        +18.4%   -22%      0.94
  2010-2020         +6.1%   -28%      0.34
  2020-2025         +9.2%   -19%      0.51

Turtle System 2 (55/20) — gleicher Korb
  2000-2010        +14.7%   -25%      0.77
  2010-2020         +5.3%   -31%      0.27
  2020-2025         +7.8%   -22%      0.42

Das ist nicht tot, aber es ist kein Goldesel mehr. Wer ein reines Turtle-System heute kauft, kauft eine Strategie mit positivem Erwartungswert auf langem Horizont und sehr viel Geduld als Voraussetzung.

Moderne Adaptionen, die noch funktionieren.

Donchian-Reversal mit Filter.

Statt einen 20-Tage-Breakout zu kaufen, kann man das Gegenteil tun: einen 20-Tage-Breakout als Liquiditäts-Sweep behandeln und auf den schnellen Rückzug setzen. Funktioniert bemerkenswert gut in mean-reverting Märkten wie FX-Cross-Paaren und Indizes auf Daily-Bars. Voraussetzung: ein klarer Filter, der echte Trend-Initiation von Sweeps unterscheidet — in der Regel über Volume-Klimax-Detection und Sektor-Breadth.

Donchian für Position-Sizing statt Entry.

Eine elegantere Nutzung: Donchian-Range als Volatilitäts-Proxy. Position-Size wird invers zur 20-Tage-Range skaliert. Das ist robuster als reines ATR-Sizing, weil es auch Trend-Komponenten berücksichtigt (eine breite Range nach unten geöffnet bedeutet etwas anderes als eine breite Range nach oben geöffnet).

Multi-Channel-Stack.

Statt eines einzelnen 20-Tage-Channels mehrere parallel: 10, 20, 55, 100. Der Entry erfordert das Durchbrechen des kürzesten, der Stop liegt an einem mittleren, der Exit am längsten. Reduziert Whipsaws deutlich, kostet aber Trade-Frequenz.

Donchian als Confirmation-Layer.

Mein bevorzugter Einsatz in Mandanten-Setups: Donchian nicht als Trigger, sondern als zweite Schicht. Primärsignal kann etwas anderes sein (zum Beispiel ein Mean-Reversion-Trigger auf Intraday-Basis), und der Donchian-Channel des höheren Timeframes liefert die Trendrichtung. Long-Trades nur, wenn der Daily-20er ungebrochen oben ist. Das filtert Gegen-den-Trend-Trades systematisch raus.

Konkrete Implementierung.

Ein minimaler vektorisierter Donchian-Stack mit zwei Channels und ATR-Filter — als Ausgangspunkt für eigene Variationen:

import pandas as pd
import numpy as np

def donchian_stack(df, fast=20, slow=55, atr_n=14, atr_mult=2.0):
    """
    Long-Entry: Close > Donchian-High(fast) UND Close > Donchian-High(slow).shift(slow)
    Exit:       Close < Donchian-Low(fast/2)
    Stop:       Entry - atr_mult * ATR
    """
    df = df.copy()
    df['fast_hi']  = df['high'].rolling(fast).max().shift(1)
    df['slow_hi']  = df['high'].rolling(slow).max().shift(1)
    df['fast_lo']  = df['low'].rolling(fast // 2).min().shift(1)

    tr = pd.concat([
        df['high'] - df['low'],
        (df['high'] - df['close'].shift(1)).abs(),
        (df['low']  - df['close'].shift(1)).abs(),
    ], axis=1).max(axis=1)
    df['atr'] = tr.rolling(atr_n).mean()

    long_entry = (df['close'] > df['fast_hi']) & (df['close'] > df['slow_hi'])
    long_exit  = df['close'] < df['fast_lo']

    position = np.zeros(len(df))
    stop = np.nan
    for i in range(1, len(df)):
        if position[i-1] == 0 and long_entry.iloc[i]:
            position[i] = 1
            stop = df['close'].iloc[i] - atr_mult * df['atr'].iloc[i]
        elif position[i-1] == 1:
            if long_exit.iloc[i] or df['low'].iloc[i] < stop:
                position[i] = 0
                stop = np.nan
            else:
                position[i] = 1
        else:
            position[i] = 0
    df['position'] = position
    return df

Meine Praxis-Empfehlung.

Ich nutze Donchian heute praktisch nie als alleiniges Entry-Signal. Stattdessen läuft ein 55er-Donchian auf Daily-Bars als Trend-Filter über meinem gesamten Futures-Korb — wenn der Channel nach oben gebrochen ist, sind nur Long-Setups erlaubt; wenn er nach unten gebrochen ist, nur Short-Setups. Das ist eine konservative, aber sehr robuste Anwendung.

Für Mandanten, die wirklich klassische Trendfolge wollen, empfehle ich einen Multi-Channel-Stack auf einem diversifizierten Futures-Korb mit echter Volume-Bestätigung und realistischen Kosten in der Simulation. Wer das mit Geduld über 5 Jahre durchhält, hat eine reale Edge — wer auf monatliche Performance schaut, wird das System nach dem ersten 20-Prozent-Drawdown abschalten und damit den Sweet-Spot verpassen.

Donchian ist nicht tot. Er ist nur kein simpler Knopf mehr.

Sie wollen ein Donchian- oder Trendfolge-Setup auf Ihrem Markt sauber validieren? Erstgespräch buchen — wir bauen den Stack, der zu Ihrem Risikobudget passt.