Path Signatures die Geometrie der Kursbewegung.

Die meisten Feature-Engineering-Ansätze im Trading zerlegen eine Kursbewegung in einzelne Kennzahlen: Rendite, Volatilität, Momentum, Indikatorwerte zu festen Zeitpunkten. Dabei geht eine Eigenschaft verloren, die für die Marktdynamik entscheidend sein kann — die Reihenfolge und Geometrie des Pfades, den der Kurs genommen hat. Ob ein Preis erst fällt und dann steigt oder umgekehrt, kann dieselben Anfangs- und Endwerte haben, aber völlig unterschiedliche Bedeutung tragen. Path Signatures aus der Rough-Path-Theorie bieten hier einen mathematisch fundierten Ausweg: Sie verdichten den gesamten Verlauf eines Pfades in einen geordneten Vektor von Zahlen, der die Geometrie der Bewegung reihenfolge-sensitiv kodiert — und den anschließend jedes beliebige ML-Modell verarbeiten kann. Dieser Beitrag erklärt die Idee verständlich, zeigt ihren praktischen Nutzen im Trading, und ist ehrlich zu den handfesten Hürden: dem exponentiellen Wachstum der Features, dem Rechenaufwand und der Frage, ob der Mehrwert den Aufwand rechtfertigt.

Warum die Reihenfolge der Bewegung Information trägt.

Klassische Features sind in der Regel reihenfolge-blind oder erfassen Reihenfolge nur grob. Ein gleitender Durchschnitt etwa ist symmetrisch gegenüber bestimmten Umordnungen der Werte. Zwei sehr verschiedene Kursverläufe — einer mit ruhigem Anstieg, einer mit Absturz und Erholung — können denselben Mittelwert und dieselbe Spannweite haben. Für einen Markt, in dem die Sequenz der Ereignisse zählt, ist das ein Informationsverlust.

Path Signatures setzen genau hier an. Sie behandeln den Kursverlauf als geometrischen Pfad durch einen Raum und berechnen Größen, die von der Reihenfolge der Bewegung abhängen. Anschaulich gesprochen erfassen sie nicht nur, wie weit sich etwas bewegt hat, sondern in welcher Choreografie — welche Komponente sich vor welcher anderen verändert hat und in welcher Verschachtelung.

Diese Reihenfolge-Sensitivität ist der eigentliche Reiz für mehrdimensionale Probleme: Wenn man Preis, Volumen und einen weiteren Faktor gemeinsam als Pfad betrachtet, kodiert die Signatur deren zeitliches Zusammenspiel — etwa ob Volumen vor oder nach der Preisbewegung anzog. Solche Lead-Lag-Strukturen sind mit klassischen Features mühsam zu erfassen.

Was eine Signatur anschaulich berechnet.

Ohne in die volle Mathematik einzusteigen, lässt sich die Grundidee greifbar machen. Die Signatur ist eine geordnete Sammlung von iterierten Integralen über den Pfad. Die Terme erster Ordnung sind einfach die Gesamtveränderungen jeder Dimension — beim Preis also schlicht die Nettoänderung über das Fenster.

Interessant wird es ab der zweiten Ordnung. Diese Terme erfassen, wie sich Paare von Dimensionen gemeinsam entwickelt haben — geometrisch entsprechen sie so etwas wie der von zwei Komponenten aufgespannten Fläche. Genau hier steckt die Reihenfolge-Information: Ob A vor B steigt oder umgekehrt, schlägt sich in diesen Termen mit unterschiedlichem Vorzeichen nieder. Terme dritter und höherer Ordnung erfassen entsprechend komplexere Verschachtelungen.

Wichtig sind zwei mathematische Eigenschaften, die Signaturen so attraktiv machen. Erstens sind sie weitgehend invariant gegenüber der Reparametrisierung der Zeit — es zählt die Form des Pfades, nicht das exakte Sampling-Raster. Zweitens lässt sich theoretisch jede stetige Funktion des Pfades beliebig genau durch eine lineare Kombination von Signatur-Termen annähern. Das bedeutet: Hat man die Signatur als Features, reicht im Prinzip ein lineares Modell darüber — die Nichtlinearität steckt bereits in der Signatur.

Der Vorteil: ein universeller Feature-Vektor.

Der praktische Charme von Path Signatures liegt in ihrer Modellagnostik. Die Signatur verwandelt einen Pfad variabler Länge in einen Vektor fester Länge. Damit lässt sich ein Stück Kursverlauf — etwa die letzten zwanzig Handelstage über mehrere Kanäle — in einen festen Satz Zahlen übersetzen, den anschließend jedes beliebige Modell verarbeitet: Gradient Boosting, ein lineares Modell, ein neuronales Netz.

Das ist organisatorisch wertvoll. Man entkoppelt die Repräsentation der Zeitreihe von der Modellwahl. Während ein LSTM oder ein Temporal Convolutional Network die Sequenzverarbeitung fest in die Architektur einbacken, ist die Signatur ein vorgelagerter Transformationsschritt. Man kann mit verschiedenen Modellen experimentieren, ohne die Feature-Erzeugung anzufassen.

Hinzu kommt die erwähnte theoretische Mächtigkeit: Weil lineare Funktionen über der Signatur bereits sehr ausdrucksstark sind, kommt man in manchen Fällen mit erstaunlich einfachen, gut regularisierbaren Modellen aus — ein Vorteil bei den knappen Datenmengen der Finanzmärkte, wo komplexe Modelle schnell überanpassen.

Die zentrale Hürde: explosionsartiges Feature-Wachstum.

Die größte praktische Schwäche der Methode ist die Dimensionalität. Die Zahl der Signatur-Terme wächst exponentiell mit der gewählten Tiefe und mit der Zahl der Kanäle. Schon bei wenigen Dimensionen und moderater Tiefe entstehen schnell sehr viele Features.

Die folgende Übersicht zeigt das ungefähre Wachstum für die Standard-Signatur in Abhängigkeit von Kanälen und Tiefe:

Die genauen Zahlen hängen von der Definition ab, das Muster aber ist klar: Wer fünf Kanäle bis Tiefe vier signiert, hat plötzlich Hunderte Features — bei den ohnehin dünnen Finanzdaten ein direkter Weg ins Overfitting. In der Praxis bleibt man deshalb meist bei Tiefe zwei oder drei und wenigen, sorgfältig gewählten Kanälen. Die viel beworbene Ausdrucksstärke ist real, aber nur nutzbar, wenn man sie diszipliniert begrenzt.

Log-Signaturen und Vorverarbeitung als Entschärfung.

Gegen die Dimensionsexplosion gibt es Werkzeuge. Die Log-Signatur ist eine kompaktere Darstellung, die redundante algebraische Beziehungen zwischen den Signatur-Termen herausrechnet. Sie enthält dieselbe Information in deutlich weniger Zahlen und ist deshalb für ML-Anwendungen oft die bessere Wahl.

Mindestens ebenso wichtig ist die Vorverarbeitung des Pfades selbst. Übliche Schritte sind das Hinzufügen einer Zeitkoordinate als eigener Kanal — damit die Signatur die Geschwindigkeit der Bewegung erfasst — sowie Lead-Lag-Transformationen, die quadratische Variation und damit Volatilitätsinformation in die Signatur bringen. Auch eine Basispunkt-Verankerung und geeignete Skalierung der Kanäle beeinflussen die Ergebnisse erheblich.

Diese Vorverarbeitung ist kein Beiwerk, sondern entscheidet oft über Erfolg oder Misserfolg. Eine roh signierte Preisreihe ohne Zeitkanal und ohne Lead-Lag verschenkt einen Großteil des Potenzials. Hier liegt zugleich eine Hürde: Die Methode verlangt fundiertes Verständnis, um sinnvoll angewandt zu werden. Sie ist kein Plug-and-play-Feature-Generator.

Wo Path Signatures im Trading sinnvoll andocken.

Nicht jedes Trading-Problem profitiert von Signaturen. Sie spielen ihre Stärke dort aus, wo die Geometrie und das zeitliche Zusammenspiel mehrerer Kanäle plausibel Information tragen. Mehrere Einsatzfelder sind in der Praxis erprobt:

• Multikanal-Mikrostruktur: Das Zusammenspiel von Preis, Volumen und Orderflow über kurze Fenster, wo Lead-Lag-Effekte real sein können.
• Regime-Charakterisierung: Die Form eines Kursverlaufs als kompakter Deskriptor, um Marktphasen zu klassifizieren oder zu clustern.
• Cross-Asset-Dynamik: Das relative Voreilen mehrerer korrelierter Instrumente, das sich in den Mischtermen der Signatur niederschlägt.

Bei einfachen, eindimensionalen Momentum- oder Mean-Reversion-Problemen ist der Mehrwert dagegen oft gering — hier liefern klassische Features bei einem Bruchteil der Komplexität vergleichbare Ergebnisse. Signaturen lohnen sich, wenn man konkret begründen kann, warum die Reihenfolge mehrerer gemeinsam betrachteter Größen relevant ist.

Eine ehrliche Kosten-Nutzen-Abwägung.

Path Signatures sind ein mächtiges, mathematisch elegantes Werkzeug — und genau diese Eleganz birgt das Risiko, sie aus Faszination einzusetzen, wo einfachere Mittel genügen. Die ehrliche Bilanz fällt differenziert aus.

Auf der Habenseite stehen die reihenfolge-sensitive, modellagnostische Repräsentation und die starke theoretische Fundierung. Auf der Sollseite stehen die Dimensionsexplosion, der nicht zu unterschätzende Rechenaufwand bei vielen Pfaden, die Notwendigkeit sorgfältiger Vorverarbeitung und die Tatsache, dass die resultierenden Features schwer interpretierbar sind — ein Signatur-Term höherer Ordnung lässt sich nicht intuitiv erklären, was bei der Modellvalidierung und im Risikomanagement ein Nachteil ist.

Realistisch ist der erreichbare Performance-Vorteil gegenüber gut gemachten klassischen Features in vielen Trading-Anwendungen moderat, nicht dramatisch. Signaturen sind kein Alpha-Generator per Knopfdruck, sondern ein spezialisiertes Feature-Engineering-Verfahren für Probleme mit echter Mehrkanal-Sequenzstruktur. Wer sie dort einsetzt, mit begrenzter Tiefe, durchdachter Vorverarbeitung und strenger Out-of-Sample-Validierung, kann einen sauberen Zusatznutzen erzielen. Wer sie als universelles Allheilmittel über jedes Problem stülpt, handelt sich vor allem Komplexität und Overfitting-Risiko ein.

Sie vermuten, dass in Ihren Daten das zeitliche Zusammenspiel mehrerer Kanäle ungenutzte Information trägt? Unverbindlich anfragen — wir prüfen gemeinsam, ob Path Signatures für Ihr konkretes Signal einen echten Mehrwert bringen oder ob klassische Features denselben Effekt günstiger liefern.