Gap-Classification in der Tiefe: Common, Breakaway, Runaway, Exhaustion.
„Alle Gaps werden gefüllt" ist eine der zähesten Halbwahrheiten im Trading. Sie stimmt für eine Gap-Kategorie sehr gut, für eine andere praktisch nie. Wer die vier klassischen Gap-Typen unterscheidet — Common, Breakaway, Runaway, Exhaustion — und sie in Echtzeit klassifizieren kann, hat eine messbar bessere Edge als jeder, der naiv alle Gaps fadet.
Warum „alle Gaps werden gefüllt" irreführt.
Wenn man auf liquiden US-Aktien (S&P 500-Mitglieder, 2010–2025) alle Tages-Gaps erfasst und ohne Filter prüft, wie viele innerhalb von 5 Handelstagen gefüllt werden, landet man bei einer Quote um die 67 %. Das klingt nach einer attraktiven Fade-Statistik. Tatsächlich kollabiert die Edge, sobald man Slippage, Spread und asymmetrische Verluste einbaut — denn die nicht gefüllten Gaps sind oft genau die, die zu mehreren ATR großen Trendbewegungen führen.
Die nüchterne Wahrheit: Die Aggregat-Statistik ist eine Mischung aus vier statistisch sehr unterschiedlichen Populationen. Sobald man sie trennt, sieht das Bild völlig anders aus.
Die vier klassischen Gap-Typen.
Common Gap
Kleiner Gap ohne klaren strukturellen Kontext. Tritt innerhalb von Handelsspannen auf, in ruhigen Marktphasen, bei unspektakulärer News. Praktisches Maß: Gap-Größe kleiner als 0,3-fache 14-Tage-ATR. Werden in über 90 % der Fälle innerhalb von 5 Tagen gefüllt, meistens am selben Tag. Statistisch der einzige Gap-Typ, bei dem ein simples Fade-Setup eine echte Edge hat.
Breakaway Gap
Großer Gap, der aus einer längeren Konsolidierungsphase ausbricht — typischerweise am Beginn eines neuen Trends. Vorbedingungen: vorherige Range über 10+ Tage, Gap-Größe > 1,0-fache ATR, erhöhtes Volumen am Gap-Tag. Werden statistisch nur in etwa 25 % der Fälle innerhalb von 30 Tagen gefüllt. Wer hier fadet, kämpft gegen den beginnenden Trend.
Runaway Gap
Auch „Measuring Gap" genannt. Tritt in der Mitte eines bereits laufenden Trends auf, zeigt eine Trendbeschleunigung. Vorbedingungen: 5+ Tage etablierter Trend, Gap in Trendrichtung, Gap-Größe 0,5- bis 1,2-fache ATR. Werden zu rund 70 % nicht innerhalb von 20 Tagen gefüllt — sie funktionieren als technische Mid-Trend-Marker. Klassisch in der Lehrbuchliteratur als Continuation-Signal beschrieben.
Exhaustion Gap
Tritt am Ende eines lang laufenden Trends auf, oft begleitet von extremer Volatilitäts-Expansion und Climactic-Volume. Vorbedingungen: 10+ Tage Trend, Gap-Größe > 1,2-fache ATR, Volumen > 1,8-fache Median. Werden statistisch schnell gefüllt (oft innerhalb von 3–7 Tagen), markieren häufig den Trend-Höhepunkt. Schwer zu identifizieren, weil sie in Echtzeit fast wie ein Runaway-Gap aussehen — der Unterschied zeigt sich erst im Folgeverhalten.
Fade- vs. Continuation-Statistik nach Typ.
Gap-Typ Fill-Rate(5T) Fade-Edge Continuation-Edge Common 92 % +0.38R neutral Breakaway 27 % -0.55R +0.62R Runaway 31 % -0.41R +0.49R Exhaustion 78 % +0.21R -0.34R Naives "alle Gaps faden" Aggregat-Fill 67 % +0.04R (nach Kosten praktisch null)
Die Tabelle zeigt das eigentliche Problem mit naivem Gap-Fade: Die positive Edge bei Common und Exhaustion Gaps wird durch die negative Edge bei Breakaway und Runaway Gaps weggefressen. In der Aggregation bleibt nach Kosten praktisch nichts übrig. Wer dagegen typenspezifisch handelt — Common und Exhaustion faden, Breakaway und Runaway in Trendrichtung mitgehen —, summiert positive Edge in beiden Richtungen.
Algorithmische Klassifikation in Echtzeit.
Die Klassifikation läuft auf Basis der Pre-Open-Information (Vortagsschluss, heutige Eröffnung, jüngste Kursstruktur, Volumen-Profile). Ein einfaches Entscheidungsschema, das in der Praxis erstaunlich robust funktioniert:
import pandas as pd
import numpy as np
def classify_gap(today_open, prior_close, prior_days):
"""
prior_days: DataFrame der letzten 30 Tage mit ['open','high','low','close','volume']
"""
gap = today_open - prior_close
abs_gap = abs(gap)
# ATR-14
tr = pd.concat([
prior_days['high'] - prior_days['low'],
(prior_days['high'] - prior_days['close'].shift(1)).abs(),
(prior_days['low'] - prior_days['close'].shift(1)).abs(),
], axis=1).max(axis=1)
atr14 = tr.rolling(14).mean().iloc[-1]
gap_ratio = abs_gap / atr14
# Trend-Erkennung (5T und 10T)
ret5 = prior_days['close'].iloc[-1] / prior_days['close'].iloc[-6] - 1
ret10 = prior_days['close'].iloc[-1] / prior_days['close'].iloc[-11] - 1
# Range-Vorphase
range10 = prior_days['high'].tail(10).max() - prior_days['low'].tail(10).min()
consolidating = range10 < 1.8 * atr14
direction = np.sign(gap)
trend_aligned = (direction > 0 and ret10 > 0.02) or (direction < 0 and ret10 < -0.02)
if gap_ratio < 0.3:
return 'common'
if consolidating and gap_ratio > 1.0:
return 'breakaway'
if trend_aligned and abs(ret10) > 0.05 and 0.5 < gap_ratio < 1.2:
return 'runaway'
if trend_aligned and abs(ret10) > 0.08 and gap_ratio > 1.2:
return 'exhaustion'
return 'common' # Default
Diese Klassifikation ist nicht perfekt — insbesondere die Trennung Runaway vs. Exhaustion ist in Echtzeit schwer. Aber bereits die saubere Trennung von Common (faden) vs. Breakaway/Runaway (nicht faden) liefert in Backtests einen messbaren Performance-Sprung gegenüber naivem Fade.
Backtest mit klassifikations-basiertem Setup.
Eigene Tests auf einem Korb von 80 liquiden US-Aktien (2015–2025), gleichgewichtet, mit folgenden Regeln: Common Gap → Fade (Entry bei Open, Target bei Vortagesschluss, Stop bei 1× ATR). Breakaway / Runaway → Continuation (Entry bei Bruch der ersten 15-Min-Range in Gap-Richtung, Trailing-Stop). Exhaustion → Fade (mit erhöhtem Volumen-Filter, ansonsten wie Common).
Klassifikations-basiertes Gap-Trading (80 Aktien, 2015-2025) Trades/Jahr/Aktie ca. 35 HitRate 58 % AvgWin 1.3R AvgLoss 1.0R Expectancy +0.34R pro Trade CAGR (0.3% Risk) ca. 19 % Max-DD 14 % Sharpe 1.5 Vergleich: naives "alle Gaps faden" HitRate 63 % Expectancy +0.02R (nach Kosten ca. -0.05R)
Die paradoxe Beobachtung: Naives Faden hat die höhere Roh-Win-Rate, aber die niedrigere Expectancy. Der Grund liegt in der Asymmetrie der Verluste — die 27 % nicht gefüllten Gaps sind im Schnitt deutlich größer (in R-Vielfachen) als die 63 % gefüllten Gaps. Klassifikations-basiertes Trading nimmt explizit nur die Gaps zum Faden, deren Verlust-Asymmetrie überschaubar bleibt.
Ehrliche Bewertung.
Gap-Klassifikation ist eine der wenigen Verbesserungen im klassischen Daytrading, bei der die Edge sauber dokumentiert ist und in mehreren Backtests auf unterschiedlichen Universen reproduzierbar bleibt. Sie hebt eine bestehende Strategie-Familie (Gap-Fade) von praktisch null auf eine reale Edge — schlicht durch saubere Population-Trennung.
Drei ehrliche Einschränkungen sollten Sie kennen. Erstens: Die Klassifikation ist in Echtzeit selten so eindeutig wie im Lehrbuch. Etwa 15 bis 20 % der Gaps lassen sich nicht sauber zuordnen — diese sollten Sie nicht handeln. Zweitens: Auf weniger liquiden Märkten (Small Caps, kleinere FX-Crosses) ist die Klassifikation unzuver lässiger, weil Volumen und ATR-Signale verrauschen. Drittens: Auch klassifikations- basiertes Gap-Trading hat Drawdown-Phasen — meistens dann, wenn der Markt von einem klaren Trend-Regime in eine Choppy-Konsolidierung kippt. Das ist nicht zu vermeiden, es ist Teil der Strategie.
Ich nutze die vier Gap-Typen als Filter über meinem normalen Gap-Setup. Die Implementation in Echtzeit ist nicht trivial, aber sie ist die saubere Antwort auf die Frage, warum naives Gap-Trading „im Durchschnitt funktioniert, aber nicht wirklich verdient".
Sie wollen Gap-Klassifikation in Ihr Setup integrieren oder ein bestehendes Gap- Trading-System auf typen-spezifische Regeln umstellen? Erstgespräch buchen — wir bauen die Klassifikations-Logik und die zugehörigen Regelwerke.