Klassen-Imbalance bei Trading-Labels wenn das seltene Signal zaehlt.

Wer ein Trading-Modell auf das Erkennen profitabler Setups trainiert, stößt früher oder später auf ein unbequemes Problem: Die wirklich lohnenden Gelegenheiten sind selten. Ein sauberes Long-Signal, das die nächsten Tage trägt, ein Ausbruch, der hält, ein Reversal, das wirklich dreht — solche Ereignisse machen oft nur fünf bis zehn Prozent aller Beobachtungen aus. Trainiert man darauf naiv, lernt das Modell die bequemste Lösung: immer „kein Signal“ vorhersagen. Es erreicht dabei spielend 90 oder 95 Prozent Accuracy und ist als Trading-System trotzdem völlig wertlos. Dieser Beitrag zeigt, warum Accuracy bei seltenen Ereignissen systematisch in die Irre führt, welche Metriken stattdessen tragen, und welche Techniken — Class-Weights, Sampling, Focal Loss und kalibrierte Entscheidungsschwellen — bei imbalancierten Trading-Labels tatsächlich helfen. Und es benennt ehrlich, wo das Problem gar kein Methoden- sondern ein Datenproblem ist, das keine Loss-Funktion löst.

Warum Accuracy bei seltenen Signalen systematisch lügt.

Stellen Sie sich ein Klassifikationsproblem vor, in dem fünf Prozent der Beobachtungen ein profitables Setup markieren und 95 Prozent nicht. Ein Modell, das ausnahmslos „kein Setup“ vorhersagt, liegt in 95 Prozent der Fälle richtig. Auf dem Papier sieht das nach einem exzellenten Klassifikator aus. In Wahrheit hat es nie ein einziges der relevanten Ereignisse gefunden — es ist als Handelssystem komplett nutzlos.

Das ist kein konstruiertes Randproblem, sondern der Normalfall bei Trading-Labels. Sobald man definiert „kaufe nur, wenn die nächsten Tage mindestens X Prozent bringen und der Drawdown unter Y bleibt“, wird die positive Klasse zwangsläufig dünn. Je strenger und damit handelsrelevanter das Label, desto seltener ist es. Genau die Signale, die sich zu handeln lohnen, sind die, von denen das Modell am wenigsten Beispiele sieht.

Die Konsequenz: Accuracy ist als Zielgröße ungeeignet. Sie belohnt das Modell dafür, die Mehrheit gut zu treffen, und ignoriert, ob es die wertvolle Minderheit überhaupt erkennt. Wer Modelle nach Accuracy auswählt, selektiert verlässlich auf Systeme, die nichts handeln.

Welche Metriken bei Imbalance wirklich tragen.

Statt Accuracy gehören Precision, Recall und ihre Kombinationen in den Mittelpunkt. Precision beantwortet: Von allen Signalen, die das Modell ausgibt, wie viele waren echte Setups? Recall beantwortet: Von allen echten Setups, wie viele hat das Modell gefunden? Im Trading interessiert meist die Precision stärker — ein Fehlsignal kostet echtes Geld, ein verpasstes Signal nur entgangenen Gewinn.

Die folgende Übersicht ordnet die gängigen Metriken ein:

Wichtig ist die Wahl zwischen ROC-AUC und PR-AUC. Die ROC-Kurve sieht bei starker Imbalance fast immer gut aus, weil die große negative Klasse die Falsch-Positiv-Rate niedrig hält. Die Precision-Recall-Kurve ist ehrlicher, weil sie die seltene positive Klasse direkt in den Fokus rückt. Für Trading-Klassifikatoren ist PR-AUC fast immer die aussagekräftigere Kennzahl.

Class-Weights und gewichtete Loss-Funktionen.

Der direkteste Eingriff ist, dem Modell zu sagen: Ein Fehler bei der seltenen Klasse wiegt schwerer. Praktisch jedes ernsthafte Framework — von XGBoost und LightGBM bis zu neuronalen Netzen — erlaubt es, der positiven Klasse ein höheres Gewicht im Loss zu geben. Bei den Gradient-Boosting-Bibliotheken geschieht das über Parameter wie scale_pos_weight, bei Deep-Learning-Modellen über gewichtete Cross-Entropy.

Ein typischer Startwert für das Gewicht ist das Verhältnis der Klassengrößen — bei 95 zu 5 also etwa Faktor 19. In der Praxis ist dieser Wert aber selten optimal. Oft führt das volle Klassenverhältnis zu einem Modell, das zu aggressiv Signale ausgibt und die Precision ruiniert. Sinnvoller ist es, das Gewicht als Hyperparameter zu behandeln und über Cross-Validation auf der Zielmetrik abzustimmen, häufig landet man bei einem Bruchteil des naiven Verhältnisses.

Der Vorteil von Class-Weights: Sie verändern die Datenmenge nicht, kosten keine Rechenzeit und sind sauber reproduzierbar. Der Nachteil: Sie schaffen keine neue Information. Wenn die seltene Klasse in den Features schlicht nicht trennbar ist, hilft auch das höchste Gewicht nichts — es verschiebt nur, wo das Modell seine Fehler macht.

Sampling-Verfahren und die SMOTE-Falle.

Eine Alternative zum Umgewichten ist das Verändern der Datenverteilung selbst. Undersampling wirft Beispiele der Mehrheitsklasse weg, bis ein ausgeglicheneres Verhältnis entsteht. Oversampling vervielfältigt Beispiele der Minderheit. Beide sind einfach, beide haben Tücken.

Beliebt ist SMOTE, das synthetische Minderheits-Beispiele durch Interpolation zwischen echten erzeugt. In vielen Lehrbüchern gilt es als Standardlösung — bei Finanzzeitreihen ist es mit großer Vorsicht zu genießen. SMOTE interpoliert im Feature-Raum, ohne die zeitliche Ordnung zu respektieren. Es kann synthetische „Setups“ erzeugen, die in der realen Marktdynamik nie auftreten würden, und es vermischt bei unsauberer Pipeline leicht Trainings- und Testdaten. Das Ergebnis sind Backtests, die im Validierungslauf glänzen und im Livebetrieb enttäuschen.

Wenn überhaupt Sampling, dann meist Undersampling der Mehrheitsklasse, kombiniert mit einem Ensemble über mehrere zufällige Teilstichproben, sodass keine Information komplett verloren geht. Wichtig in jedem Fall: Sampling gehört ausschließlich auf die Trainingsdaten. Wer das Testset mit-balanciert, misst eine Welt, die im echten Markt nicht existiert.

Focal Loss — schwierige Beispiele in den Vordergrund.

Focal Loss stammt ursprünglich aus der Objekterkennung, wo ähnliche Imbalance-Probleme auftreten, und hat sich auch bei Trading-Klassifikatoren als nützlich erwiesen. Die Idee: Die Standard-Cross-Entropy behandelt alle Beispiele gleich, auch die leichten, bei denen das Modell längst sicher richtig liegt. Focal Loss dämpft den Beitrag dieser leicht klassifizierten Beispiele und lenkt den Lernprozess auf die schwierigen, oft die seltenen.

Gesteuert wird das über einen Fokussierungs-Parameter, der typischerweise zwischen eins und drei liegt, sowie optional ein Klassengewicht. Bei einem Wert von null ist Focal Loss identisch zur gewichteten Cross-Entropy, höhere Werte konzentrieren den Lernfokus stärker. In der Praxis verbessert das oft den Recall der seltenen Klasse, ohne die Precision so stark zu opfern wie aggressives Oversampling.

Realistisch ist Focal Loss aber kein Wundermittel. Es bringt typischerweise eine spürbare, keine dramatische Verbesserung, und es führt einen zusätzlichen Hyperparameter ein, der mit abgestimmt werden muss. Bei Gradient-Boosting-Modellen, die im Trading oft die erste Wahl sind, ist eine gut abgestimmte gewichtete Loss-Funktion meist näherliegend als Focal Loss.

Die Entscheidungsschwelle ist der eigentliche Hebel.

Ein häufig übersehener Punkt: Ein Klassifikator gibt intern eine Wahrscheinlichkeit aus, kein hartes Ja oder Nein. Die Schwelle, ab der diese Wahrscheinlichkeit zu einem Signal wird, ist eine freie Entscheidung — und sie hat oft mehr Einfluss auf das Handelsergebnis als die Wahl der Loss-Funktion.

Die Standardschwelle von 0,5 ist bei imbalancierten Daten fast immer falsch. Wer Precision priorisiert, setzt die Schwelle deutlich höher, das Modell gibt dann seltener, aber zuverlässiger Signale. Wer keinen profitablen Trade verpassen will, senkt sie. Diese Schwelle lässt sich gezielt auf die wirtschaftliche Zielgröße optimieren — etwa den erwarteten Ertrag pro Signal nach Transaktionskosten — statt auf eine abstrakte Klassifikationsmetrik.

Damit das sauber funktioniert, müssen die ausgegebenen Wahrscheinlichkeiten kalibriert sein: Wenn das Modell 70 Prozent sagt, sollte das Setup auch in etwa 70 Prozent der Fälle eintreten. Viele Klassifikatoren — gerade nach Umgewichtung oder Sampling — sind schlecht kalibriert und überzeugt von sich selbst. Eine nachgelagerte Kalibrierung über Platt-Scaling oder Isotonic Regression korrigiert das und macht die Schwellenwahl erst belastbar.

Wo das Problem kein Methoden-, sondern ein Datenproblem ist.

So nützlich diese Techniken sind — sie schaffen keine Information, die in den Daten nicht steckt. Wenn die seltenen profitablen Setups in den verfügbaren Features schlicht nicht von den unprofitablen zu unterscheiden sind, kann keine Loss-Funktion und kein Sampling das ändern. Imbalance-Methoden machen ein trennbares Signal sichtbarer, sie erschaffen kein trennbares Signal.

Hinzu kommt: Wenn nur wenige hundert positive Beispiele in der gesamten Historie existieren, ist jede Aussage über ihre Eigenschaften statistisch wackelig. Ein Modell, das aus 200 echten Signalen lernt, generalisiert oft schlecht, egal wie elegant die Imbalance behandelt wird. Hier hilft eher, das Label gröber und damit häufiger zu definieren, mehr Märkte oder Instrumente einzubeziehen, oder das Problem überhaupt anders zu formulieren — etwa als Regression auf den erwarteten Ertrag statt als binäre Klassifikation.

Die ehrliche Diagnose lautet manchmal: Das Signal ist zu selten, um es zuverlässig zu lernen. Diese Einsicht früh zu treffen, ist wertvoller als Monate damit zu verbringen, ein nicht existierendes Muster mit immer ausgefeilteren Imbalance-Tricks aus den Daten pressen zu wollen.

Eine pragmatische Reihenfolge für die Praxis.

In Projekten hat sich eine klare Abfolge bewährt, die mit dem einfachsten Mittel beginnt:

• Erst die Metrik fixieren. Entscheiden Sie vorab, ob Precision oder Recall wichtiger ist, und messen Sie ab dann ausschließlich PR-AUC oder eine gewichtete Fbeta-Metrik — nie Accuracy.
• Dann Class-Weights. Sie sind der billigste Eingriff, verändern die Daten nicht und liefern oft schon den größten Teil des erreichbaren Gewinns.
• Dann die Schwelle optimieren. Auf der wirtschaftlichen Zielgröße, nach Transaktionskosten, mit kalibrierten Wahrscheinlichkeiten.
• Sampling und Focal Loss zuletzt, wenn die einfacheren Mittel ausgereizt sind — und Sampling nur auf den Trainingsdaten, sauber von der Validierung getrennt.

Diese Reihenfolge verhindert den häufigsten Fehler: aus Begeisterung für SMOTE oder Focal Loss zu starten und dabei zu übersehen, dass eine korrekte Metrik plus abgestimmte Schwelle den Großteil des Problems bereits löst. Imbalance ist beherrschbar — aber sie erfordert Disziplin in der Bewertung mindestens so sehr wie Raffinesse im Modell.

Liefert Ihr Klassifikator beeindruckende Accuracy, aber im Livebetrieb kaum verwertbare Signale? Unverbindlich anfragen — wir prüfen gemeinsam Label-Definition, Metrik-Wahl und Entscheidungsschwelle und sagen ehrlich, ob das Signal selten oder schlicht nicht trennbar ist.