Regime Detection: Strategien an Marktphasen anpassen.

Keine Strategie funktioniert in jedem Markt. Trendfolge liebt Ausbrüche und stirbt in Range. Mean-Reversion liebt Range und blutet in Trends. Wer das weiß und seine Strategien je Regime ein- und ausschaltet, gewinnt mehr als jede Optimierung jemals bringen wird.

Was ein Regime ist.

Ein Marktregime ist ein Zeitraum, in dem die statistischen Eigenschaften des Marktes relativ stabil bleiben: Volatilität, mittlere Bewegung, Autokorrelation der Returns, Korrelation zwischen Assets. In Regime A funktionieren bestimmte Strategien, in Regime B andere. Der Übergang ist meist abrupt, nicht graduell.

Die einfachste Regime-Typologie für Trader:

• Trending Low-Vol: stetige Bewegungen, niedrige Volatilität. Klassischer Bullenmarkt 2010–2018, 2024 in DAX und S&P.
• Trending High-Vol: starke Bewegungen, hohe Vola. März 2020 nach unten, April–Juni 2020 nach oben.
• Range Low-Vol: Seitwärtsmarkt, ruhig. Sommerhandel, „Drift-Phasen".
• Range High-Vol: choppy Markt mit Whipsaws. Q4 2018, Q1 2022. Die Hölle für Trendfolger.

Vier Wege, Regime zu erkennen.

1. Volatilitäts-Filter (einfach, robust)

Berechnen Sie die historische Volatilität (z. B. 20-Tage-Standard-Abweichung der Returns) und vergleichen Sie sie mit ihrem langfristigen Median (z. B. 252 Tage). Über Median + 1 Std-Abw = High-Vol-Regime. Praktisch genug für 80 % der Anwendungsfälle.

2. Trend-Filter (sehr einfach)

Index über 200-Tage-Linie und 200-Tage-Linie steigend = Trending. Andernfalls Range/Bear. Klingt simpel — funktioniert seit Jahrzehnten als Regime-Filter für Aktien-Strategien. Die meisten erfolgreichen CTAs benutzen Variationen davon.

3. Hidden Markov Models (HMM)

Statistisch sauberer: ein HMM modelliert den Markt als Zustandsmaschine mit ungeobachteten Zuständen. Sie spezifizieren die Anzahl Regime (z. B. 3), und der Algorithmus lernt aus historischen Daten die Übergangswahrscheinlichkeiten und Emissions-Verteilungen.

In Python mit hmmlearn:

from hmmlearn.hmm import GaussianHMM
import numpy as np

returns = prices.pct_change().dropna().values.reshape(-1, 1)

model = GaussianHMM(n_components=3, covariance_type="full",
                    n_iter=1000, random_state=42)
model.fit(returns)
regimes = model.predict(returns)

# Interpretation: Regime mit niedrigem mean + niedriger Vola = Bull-Drift,
# Regime mit Vola-Spike und negativem mean = Bear, etc.
for i in range(3):
    print(f"Regime {i}: mean={model.means_[i, 0]:.4f}, "
          f"vol={np.sqrt(model.covars_[i, 0, 0]):.4f}")

Stärken: erkennt Regimes datengetrieben. Schwächen: Look-Ahead-Bias gefährlich (das Modell sieht alle Daten gleichzeitig). Für Backtests muss man rollend trainieren — sonst werden die Regimes mit Wissen aus der Zukunft bestimmt.

4. Macro-Filter

Ergänzend: VIX-Level, Yield-Curve-Inversionen, Credit-Spreads, ISM-Daten. Diese Signale geben fundamentale Kontext-Information, die rein statistische Modelle nicht haben. Ein VIX über 30 ist mathematisch ein „High-Vol-Regime", aber er sagt zusätzlich etwas über den Risk-Off-Mode der Märkte.

Wie Sie Regime in Strategien einbauen.

Drei Patterns, von simpel zu fortgeschritten:

• Ein/Aus: Strategie A läuft nur, wenn Regime = X. In allen anderen Regimes flat. Reduziert Drawdowns massiv, kostet aber Performance in Übergangsphasen.
• Gewichtung: Strategie A bekommt 100 % Allokation in Regime X, 50 % in Regime Y, 0 % in Regime Z. Glattere Equity-Kurve als Ein/Aus.
• Strategie-Switching: Trendfolge im Trending-Regime, Mean-Reversion im Range-Regime, Cash im High-Vol-Range. Das ist das anspruchsvollste Setup — aber das mit dem höchsten Potenzial.

Die drei größten Fallen.

1. Look-Ahead beim Regime-Backtest: Ein HMM, das auf der gesamten Historie trainiert wird, kennt die Zukunft. Im Backtest muss das Regime zum Trade-Zeitpunkt mit den dann verfügbaren Daten bestimmt werden. Sonst sind Backtest-Ergebnisse Fantasie.
2. Overfitting durch zu viele Regimes: 7 Regimes mit jeweils eigener Strategie sieht super im Backtest aus. Live: chaotisch. Maximal 3–4 Regimes, sonst sind die Übergangs-Statistiken instabil.
3. Späte Erkennung: Regime-Switches werden meist erst erkannt, wenn sie schon eine Weile laufen. Das ist okay — Sie wollen kein „Bullishness-Frühindikator", Sie wollen den richtigen Modus, sobald er etabliert ist.

Was wir in der Praxis nutzen.

Bei unseren Multi-Asset-Strategien laufen drei Regime-Filter parallel: ein einfacher Trend-Filter (200-Tage-Linie auf Index-Ebene), ein Vola-Filter (rolling 60-Tage-Vol gegen 252-Tage-Median), und ein VIX-Filter (Cluster über 25 / 35 / 45). Jede Strategie hat eine Tabelle, welche Filter-Kombination welche Allokation ergibt.

Das Setup ist nicht spektakulär, nicht „KI" — aber es reduziert max. Drawdowns um etwa 40 %, ohne die Brutto-Performance signifikant zu verschlechtern. Mehr braucht es selten.

Sie wollen Regime-Filter in Ihre Strategie integrieren? Erstgespräch buchen — wir bauen es passend zu Ihrem System.