9 Min. Lesezeit · Strategie · November 2027

False Breakouts: das vergessene Bullish-Bearish-Signal.

Statistisch ist der False-Breakout in vielen Märkten ein stärkeres Signal als der ursprüngliche Breakout selbst. Der Grund ist mechanisch und nicht psychologisch: Wenn die Stops über einem Range-Hoch ausgelöst werden und der Preis sofort zurück kehrt, liefern die ausgestoppten Trader die Liquidität für die entgegengesetzte Bewegung. Larry Williams hat das Setup vor Jahrzehnten als „Turtle-Soup" populär gemacht — und es funktioniert bis heute.

Definition: was ein False-Breakout statistisch ist.

Ein False-Breakout liegt vor, wenn der Preis ein zuvor definiertes Niveau — typischerweise ein Range-Hoch oder Range-Tief der letzten N Perioden — überschreitet und innerhalb weniger Bars wieder darunter (bzw. darüber) zurückkehrt. Die klassische Formulierung verlangt: Bruch in Bar 1, Re-Entry in die Range innerhalb von 1 bis 3 Bars, Close zurück innerhalb der Range.

Wichtig ist die Abgrenzung: Ein False-Breakout ist nicht jeder gescheiterte Breakout. Wenn der Preis 5 Bars über dem Range-Hoch handelt und dann zurückfällt, ist das eher ein verzögerter Reversal. Der echte False-Breakout zeichnet sich durch seine Schnelligkeit aus — das Re-Entry-Signal entsteht innerhalb der nächsten ein bis drei Bars nach dem Bruch.

Mechanik: warum False-Breakouts statistisch funktionieren.

Range-Hochs und Range-Tiefs sind die offensichtlichsten Stop-Cluster im Markt. Jeder, der Short von einem Hoch aus geht, platziert seinen Stop oberhalb. Jeder, der Long an einem Tief positioniert, platziert seinen Stop unterhalb. Diese Stops sind keine Geheimnisse — sie sind in den Order-Büchern sichtbar, und algorithmische Akteure wissen, wo sie liegen.

Ein Push über das Range-Hoch löst kaskadenartig diese Stops aus. Die ausgelösten Stop-Orders sind Marktorders zum Kauf — sie liefern Liquidität an Verkäufer, die genau auf diesen Liquiditäts-Schub gewartet haben. Sobald die Stop-Welle abebbt, kehrt der Preis zurück, und die ausgestoppten Trader haben gerade die Gegenposition der erfolgreichen Verkäufer finanziert.

Diese Mechanik ist nicht spekulativ — sie ist auf Order-Flow-Ebene messbar und in der Literatur zur Marktmikrostruktur ausgiebig dokumentiert. Sie erklärt auch, warum False-Breakouts in liquiden Märkten besonders sauber funktionieren: dort sind die Stop-Cluster groß genug, dass institutionelle Akteure überhaupt einen Anreiz haben, sie zu sweepen.

Turtle-Soup: das klassische Williams-Setup.

Larry Williams hat das Setup in den 90er-Jahren unter dem Namen „Turtle-Soup" (in ironischer Anspielung auf die berühmten Turtle-Trader und ihre Donchian-Breakouts) beschrieben. Die Regeln in ihrer einfachsten Form:

Vorbedingung: Markt macht ein neues 20-Tage-Hoch (bzw. -Tief).
Failure-Bar: Innerhalb der nächsten ein bis zwei Bars schließt der Preis wieder unter dem 20-Tage-Hoch (bzw. über dem -Tief).
Entry: Short-Entry auf Bruch des Lows der Failure-Bar (bzw. Long-Entry auf Bruch des Highs).
Stop: Knapp oberhalb des neuen 20-Tage-Hochs (bzw. unterhalb des -Tiefs).
Target: 2× die Risikodistanz oder das gegenüberliegende Range-Extremum, je nachdem, was zuerst erreicht wird.

Die Logik ist dabei explizit Counter-Trend zum Breakout-Signal selbst. Sie nehmen an, dass die Breakout-Trader gerade falsch positioniert sind und Sie deren Schließung als Antrieb nutzen können.

Statistische Performance auf Aktien und FX-Major.

Eigene Tests auf einem Korb von 60 liquiden US-Aktien (2015–2025) und den vier FX-Major-Paaren (EURUSD, USDJPY, GBPUSD, USDCHF) auf Daily-Bars:

Turtle-Soup auf 60 US-Aktien (2015-2025), Daily-Bars
  Trades/Jahr/Aktie    ca. 8
  HitRate              61 %
  AvgWin               1.7R
  AvgLoss              1.0R
  Expectancy           +0.65R pro Trade
  CAGR (0.3% Risk)     ca. 16 %
  Max-DD               12 %

Turtle-Soup auf FX-Major (2015-2025), Daily-Bars
  Trades/Jahr/Pair     ca. 11
  HitRate              57 %
  AvgWin               1.5R
  AvgLoss              1.0R
  Expectancy           +0.43R pro Trade

Vergleich: klassischer 20-Tage-Donchian-Breakout long-only
  HitRate              33 %
  Expectancy           +0.28R pro Trade

Die Win-Rate des False-Breakout-Setups ist deutlich höher als die des ursprünglichen Breakout-Setups. Das ist die paradoxe und gleichzeitig sehr robuste Beobachtung: Die Strategie, die gegen das vermeintliche Hauptsignal traded, hat in vielen Märkten die bessere Statistik. Eine Erklärung: 50 bis 70 % aller Range-Breakouts scheitern empirisch — wer nur die scheiternden Breakouts handelt, picked sich die statistisch günstigere Hälfte heraus.

Warum False-Breakouts in Range-Märkten besonders gut funktionieren.

Die Strategie hat ein klares Regime-Profil: Sie funktioniert exzellent in Range- gebundenen Märkten und deutlich schlechter in starken Trend-Märkten. Der Grund ist wieder mechanisch: In Range-Märkten gibt es viele Range-Extrema, viele Stop- Cluster, viele False-Breakouts. In Trend-Märkten brechen Range-Hochs systematisch, der Trend setzt sich fort, und der Turtle-Soup-Trader steht auf der falschen Seite.

Ein einfacher Regime-Filter, der in Tests konsistent hilft: ADX-Wert unter 25 auf Daily-Basis. Bei ADX > 30 deaktiviere ich das Setup vollständig. Allein dieser Filter hebt die Expectancy auf US-Aktien von +0,65R auf +0,82R pro Trade — bei allerdings reduzierter Trade-Frequenz.

Auch sektoral gibt es klare Unterschiede. In zyklischen Sektoren mit klaren mehrwöchigen Range-Phasen (Industrials, Materials) funktioniert das Setup besonders gut. In Wachstums-Tech-Aktien mit ausgeprägten Trends sind die Statistiken schwächer. Wer das Setup auf einem Aktien-Universum testet, sollte sektoral filtern.

Python-Detector für False-Breakouts.

import pandas as pd
import numpy as np

def detect_turtle_soup(df, lookback=20, max_failure_bars=2):
    """
    df: DataFrame mit Spalten ['open','high','low','close']
    Liefert Signale: 1 = Long-False-Breakout, -1 = Short-False-Breakout, 0 = kein Signal
    """
    df = df.copy()
    df['hh'] = df['high'].rolling(lookback).max().shift(1)
    df['ll'] = df['low'].rolling(lookback).min().shift(1)

    signal = np.zeros(len(df))
    for i in range(lookback + max_failure_bars, len(df)):
        # Pruefe, ob in den letzten max_failure_bars ein neues N-Hoch gemacht wurde
        recent_high = df['high'].iloc[i - max_failure_bars : i].max()
        n_high_breach = recent_high > df['hh'].iloc[i - max_failure_bars]
        # ... und der heutige Close wieder unter dem alten 20-Tage-Hoch liegt
        close_back = df['close'].iloc[i] < df['hh'].iloc[i - max_failure_bars]

        if n_high_breach and close_back:
            # Bruch des Lows der Failure-Bar als Entry
            failure_low = df['low'].iloc[i - max_failure_bars : i + 1].min()
            if df['low'].iloc[i] < failure_low * 1.001:
                signal[i] = -1  # Short-Signal

        # Spiegelbildlich Long
        recent_low = df['low'].iloc[i - max_failure_bars : i].min()
        n_low_breach = recent_low < df['ll'].iloc[i - max_failure_bars]
        close_back_up = df['close'].iloc[i] > df['ll'].iloc[i - max_failure_bars]

        if n_low_breach and close_back_up:
            failure_high = df['high'].iloc[i - max_failure_bars : i + 1].max()
            if df['high'].iloc[i] > failure_high * 0.999:
                signal[i] = 1

    df['signal'] = signal
    return df

Der Detector ist absichtlich konservativ — er verlangt einen klaren Bruch der Failure-Bar als Entry-Trigger. In der Praxis können Sie den Trigger verschärfen (Volumen-Filter, ATR-Mindestgröße der Range) oder lockern (Pure-Close-Reverse), je nach Marktcharakteristik.

Ehrliche Bewertung.

False-Breakouts sind eines der wenigen Setups im klassischen technischen Werkzeug kasten, deren Edge sich über mehrere Märkte und mehrere Dekaden konsistent reproduzieren lässt. Sie sind statistisch robust, mechanisch erklärbar und mit klaren Regeln implementierbar. Sie funktionieren besonders gut, weil sie genau jene Population von Breakouts handeln, in der die statistische Wahrscheinlichkeit ohnehin gegen die Breakout-Hypothese kippt.

Drei Einschränkungen sollten Sie nicht ignorieren. Erstens: Das Setup ist explizit Counter-Trend. In starken Trend-Phasen produziert es Verlust nach Verlust — der Regime-Filter ist hier nicht optional, er ist überlebenswichtig. Zweitens: Die Trade-Frequenz ist auf einzelnen Instrumenten niedrig (8 bis 12 Trades pro Jahr). Wer eine sinnvolle Streuung will, braucht ein Universum von mindestens 30 bis 50 Instrumenten. Drittens: Die Backtest-Edge schrumpft auf Intraday-Daten deutlich schneller als auf Daily-Daten — das Setup ist robuster auf höheren Zeitebenen.

Ich nutze Turtle-Soup-Setups als komplementären Baustein zu meinen Trendfolge- Strategien. Die negative Korrelation der Equity-Kurven (Breakouts verdienen in Trend-Phasen, False-Breakouts in Range-Phasen) glättet das Gesamtportfolio spürbar. Das ist meiner Erfahrung nach der wertvollste Beitrag des Setups — nicht als Stand-Alone-Strategie, sondern als Diversifikator gegen klassische Trendfolge.

Sie wollen False-Breakouts als Diversifikator zu Ihrem Trendfolge-Setup nutzen oder ein Counter-Trend-System mit klaren Regime-Filtern aufbauen? Erstgespräch buchen — wir bauen das Regelwerk, das zu Ihrem Markt-Universum passt.