Saisonalitäten im Trading: was wirklich profitabel ist.

Saisonalitäten sind die wohl meistdiskutierten und am häufigsten missverstandenen Muster im Markt. Manche existieren tatsächlich, andere sind reines Daten-Snooping. Wer den Unterschied nicht kennt, baut Strategien auf Sand — und merkt es erst nach drei Jahren live.

Was Saisonalitäten überhaupt sind.

Eine Saisonalität ist ein wiederkehrendes Renditemuster, das an einen Kalender-Anker gebunden ist — Wochentag, Monatswechsel, Quartalsende, Feiertag. Anders als Trendfolge oder Mean-Reversion ist die Hypothese kein generisches Marktverhalten, sondern ein konkreter Mechanismus, der das Muster erzeugt:

• Geld-Flüsse: Pensionskassen-Beiträge am Monatsanfang, Dividenden-Reinvestments, regelmäßige Sparpläne.
• Tax-Loss-Selling: Verlust-Realisationen im Dezember in den USA, im März/April in Japan und Großbritannien.
• Index-Rebalancing: vierteljährliche Anpassungen von S&P, Russell, MSCI erzeugen vorhersagbaren Flow.
• Window-Dressing: Fondsmanager kaufen vor Quartalsende die Outperformer, verkaufen die Underperformer — Reporting-Kosmetik.

Erst wenn ein nachvollziehbarer Mechanismus existiert, ist ein gefundenes Muster mehr als Zufall. Ohne Mechanismus ist es Data-Mining.

Sell-in-May: der Klassiker.

„Sell in May and go away, come back on St. Leger's Day" — die wohl bekannteste Saisonalität. Die Daten dazu sind robuster als die meisten Skeptiker glauben.

S&P 500, 1950–2024:

• November–April: durchschnittliche Rendite ca. 7,1 % pro Halbjahr
• Mai–Oktober: durchschnittliche Rendite ca. 1,7 % pro Halbjahr
• Differenz signifikant auf 5 %-Niveau, robust über Sub-Perioden

Der Effekt existiert auch in DAX, FTSE, Nikkei — wenn auch mit unterschiedlicher Stärke. Wichtige Einschränkung: die Volatilität in Mai–Oktober ist nicht erhöht, das Sharpe-verstärkende Argument („gleiche Rendite bei weniger Risiko") trägt nicht. Es ist ein Renditeeffekt, kein Risikoeffekt. Wer ihn nutzt, akzeptiert Opportunitätskosten in den guten Mai-Oktober-Perioden — und davon gibt es einige.

Santa Rally und January Effect.

Santa Rally: die letzten fünf Handelstage des Jahres plus die ersten zwei des neuen Jahres haben historisch eine positive Drift mit Win-Rate über 75 % im S&P 500 seit 1950. Der Effekt ist klein (durchschnittlich ca. 1,3 % über die sieben Tage), aber konsistent. Mechanismus: dünne Liquidität, optimistisches Reporting, Year-End-Rebalancing in Risk-Assets.

January Effect: ursprünglich die Beobachtung, dass Small-Caps im Januar überdurchschnittlich performen, getrieben von Tax-Loss-Selling-Reversals im Dezember. Der Effekt war in den 1970er- und 1980er-Jahren stark — heute weitgehend verschwunden. Sobald ein Muster breit bekannt und handelbar wird, arbitrieren es Akteure weg. Ein gutes Beispiel dafür, warum Out-of-Sample-Tests auf möglichst aktuellen Daten Pflicht sind.

Turn-of-Month und Pre-Holiday-Drift.

Der Turn-of-Month-Effekt (TOM) ist eine der stabilsten Saisonalitäten überhaupt: die letzten ein bis drei und die ersten drei Handelstage eines Monats zeigen durchschnittlich deutlich höhere Renditen als der Rest. Mechanismus: institutionelle Geld-Flüsse rund um Monatsabschlüsse, Pensionsbeiträge, automatische Sparpläne.

Für den S&P 500 seit 1990 liegen ca. 70 % der gesamten Index-Performance in den TOM-Fenstern — bei nur ca. 25 % der Handelstage. Selbst nach Kosten ist eine simple Long-Only-TOM-Strategie auf SPY ETF-Basis profitabel, mit deutlich besserem Sharpe als Buy-and-Hold.

Pre-Holiday-Drift: der letzte Handelstag vor US-Feiertagen zeigt ebenfalls eine positive Drift, statistisch signifikant. Der Effekt ist klein und kostenintensiv zu handeln, eignet sich aber gut als Filter — keine Short-Positionen in Pre-Holiday-Sessions.

Quartals- und Jahresend-Window-Dressing.

Vor Quartalsenden zeigen Aktien, die im Quartal stark performt haben, durchschnittlich weitere positive Drift — Fondsmanager kaufen die Gewinner in die Reporting-Bücher. Der Effekt ist im letzten Quartal eines Jahres am stärksten, weil das Jahres-Reporting zusätzlich Karriere-Anreize liefert.

Handelbar ist das mit einer einfachen Cross-Section-Strategie: Long die Top-Dezile des laufenden Quartals in den letzten fünf Handelstagen, Short die Bottom-Dezile. Auf US-Large-Caps bringt das historisch konsistente positive Renditen — allerdings mit signifikantem Tail-Risiko in Krisenphasen (2008, März 2020).

NFP-Wochen und FOMC-Drift.

NFP-Drift: in der Woche vor den US-Arbeitsmarktdaten (erster Freitag des Monats) zeigt der S&P historisch eine leicht positive Drift, kombiniert mit unterdurchschnittlicher Volatilität. Mechanismus ist umstritten — vermutlich Position-Reduktion vor dem Event, die nach dem Event in moderate Re-Käufe übergeht.

FOMC-Drift: das vielleicht stabilste Pre-Event-Muster überhaupt. Die 24 Stunden vor einer FOMC-Entscheidung haben seit 1994 eine durchschnittliche Rendite von etwa 0,3 % im S&P 500 — ein riesiger Effekt für ein 24-Stunden-Fenster. Akademisch dokumentiert (Lucca/Moench, „The Pre-FOMC Announcement Drift", 2015), aber bis heute nicht vollständig arbitriert. Mechanismus: Risiko-Prämie für das Event-Risiko, die teilweise vor dem Event verdient wird.

Wie man Saisonalitäten ohne Overfit nutzt.

Die meisten beworbenen Saisonalitäten (besonders auf Twitter und in Trading-Foren) sind reines Daten-Snooping: jemand testet 1000 Kalender-Anker auf 30 Jahre Daten, findet ein paar mit p < 0,05, postet die Charts. Dass bei reiner Bonferroni-Logik bei 1000 Tests etwa 50 mit p < 0,05 reines Rauschen sind, wird gerne übersehen.

Minimal-Standards für eine ernsthafte saisonale Strategie:

1. Mechanismus zuerst: Welche Marktteilnehmer erzeugen das Muster, und sind sie heute noch aktiv? Wenn nicht (z. B. wegabolierte Steuer-Regel), ist die Saisonalität tot.
2. Mindest-Sample: mindestens 20 unabhängige Beobachtungen pro Effekt, idealerweise 40+. Eine Strategie, die auf einem Effekt mit 10 Jahres-Beobachtungen basiert, ist statistisch wertlos.
3. Out-of-Sample-Test: Effekt auf 1960–2000 entdeckt? Dann muss er 2001–2025 ohne Anpassung weiter funktionieren. Wer nachjustiert, betrügt sich selbst.
4. Robustheits-Test über Märkte: ein Effekt, der im S&P existiert, sollte zumindest in einem Teil der anderen entwickelten Märkte sichtbar sein. Wenn nicht, ist Daten-Snooping wahrscheinlich.
5. Robustheits-Test über Sub-Perioden: Effekt in Dekade 1, 2, 3, 4? Wenn er nur in zwei von vier Dekaden existiert, ist die Edge nicht stabil.
6. Kosten-realistisch: viele Saisonalitäten haben Effekt-Größen von 5–20 Basispunkten. Bei Retail-Kosten ist davon nichts übrig. Vor jedem Live-Einsatz: vollständige Kostenmodellierung.

Warnung: was beim sauberen Test verschwindet.

Aus zehn Jahren systematischer Tests: Etwa zwei Drittel aller beworbenen Saisonalitäten verschwinden, sobald Sie sie über mehrere Märkte und Sub-Perioden prüfen. Beispiele aus der eigenen Recherche:

• „Montags-Effekt": angeblich negative Renditen am Montag. Existierte in den 70ern, ist seit ca. 2000 nicht mehr signifikant. Tot.
• „September-Schwäche": durchschnittlich schwächster Monat. Effekt ist real, aber bei n=75 Beobachtungen und hoher Varianz statistisch grenzwertig. Praktisch kaum handelbar.
• „Halloween-Effekt" (Variation des Sell-in-May): existiert, aber die Sub-Perioden-Stabilität ist schwächer als beim klassischen Sell-in-May.

Was ich konkret nutze.

Bei mir laufen drei saisonale Komponenten in größeren Portfolios als Overlay, nicht als Stand-Alone-Strategien: ein Turn-of-Month-Bias in der Aktien-Allokation, eine FOMC-Drift-Komponente auf ES-Futures, und ein Quartalsend-Window-Dressing-Pairs-Trade auf US-Large-Caps. Alle drei sind klein dimensioniert (jeweils unter 5 % des Risikobudgets), aber konsistent positiv.

Saisonalitäten sind kein Hauptmotor — sie sind ein nützlicher Beitrag zur Portfolio-Diversifikation, weil sie kalendarisch und nicht marktphasen-getrieben sind. Wer sie als alleinige Strategie aufbaut, baut auf zu schmaler Datenbasis.

Sie wollen prüfen, welche Saisonalitäten auf Ihrem Markt-Universum tragfähig sind, oder eine bestehende Strategie gegen Daten-Snooping absichern? Erstgespräch buchen — wir laufen den vollständigen Robustheits-Stack durch.