Self-Supervised Learning Lernen ohne Label-Mangel.

Wer ein Machine-Learning-Modell fürs Trading bauen will, stößt schnell auf ein hartes Problem: Es gibt zwar Jahre an Kursdaten, aber kaum belastbare Labels. Was ist ein „gutes“ Setup? Die Antwort kennt man erst Tage später, sie ist verrauscht, überlappend und in jedem Regime anders. Das klassische supervised Learning verhungert an diesem Label-Mangel — entweder es overfittet auf die wenigen sauberen Beispiele oder es lernt nichts Stabiles. Self-Supervised Learning dreht den Spieß um: Es zieht Repräsentationen aus den rohen, unbeschrifteten Kursen, bevor überhaupt ein Label ins Spiel kommt. Das Modell lernt erst, wie Marktstruktur aussieht — und das eigentliche, label-knappe Trading-Modell setzt dann effizienter darauf auf. Dieser Beitrag erklärt, wie kontrastives Pretraining auf Marktdaten funktioniert, welche Pretext-Aufgaben sich bewährt haben, wie groß der Daten-Effizienz-Gewinn realistisch ausfällt — und warum die Methode kein Selbstläufer ist, sondern an mehreren Stellen kippen kann, wenn man die Eigenheiten von Finanzzeitreihen unterschätzt.

Warum Labels im Trading das eigentliche Nadelöhr sind.

In den meisten ML-Anwendungen sind Daten das Problem und Labels das kleinere Übel. Im Trading ist es umgekehrt: Rohe Kursdaten gibt es im Überfluss — Jahre an Minuten-Bars, Tick-Daten, mehrere Instrumente parallel. Was fehlt, ist die verlässliche Zielgröße. Ein Label wie „dieser Einstieg war profitabel“ entsteht erst im Nachhinein, hängt von Halteperiode, Stop und Kostenmodell ab und ist obendrein extrem verrauscht.

Dazu kommt die Überlappung: Wer für jeden Zeitpunkt ein Label über die nächsten fünf Tage vergibt, erzeugt stark korrelierte Beobachtungen, die ein Modell systematisch in falscher Sicherheit wiegen. Effektiv hat man nicht hunderttausende unabhängige Beispiele, sondern oft nur einige hundert wirklich eigenständige Episoden pro Jahr.

Genau hier setzt Self-Supervised Learning an. Statt das Modell von Anfang an auf die knappen Labels anzusetzen, lässt man es zuerst aus der Struktur der Kurse selbst lernen — aus Aufgaben, die keine externen Labels brauchen, weil das Label aus den Daten selbst kommt.

Was Self-Supervised Learning konkret bedeutet.

Die Grundidee: Man konstruiert eine künstliche Aufgabe — eine sogenannte Pretext-Task — deren Lösung sich aus den Daten selbst ergibt. Das Modell muss zum Beispiel einen maskierten Teil einer Kursreihe rekonstruieren, vorhersagen, ob zwei Ausschnitte zeitlich benachbart sind, oder erkennen, ob ein Fenster manipuliert wurde. Niemand muss diese Aufgaben von Hand labeln; das „richtige“ Ergebnis steht in den Rohdaten.

Beim Lösen dieser Aufgabe ist das Modell gezwungen, brauchbare interne Repräsentationen zu bilden — Verdichtungen, die Volatilitätsregime, Trendstruktur oder Mean-Reversion-Tendenzen erfassen. Diese Repräsentationen sind das eigentliche Produkt. Die Pretext-Task selbst ist nur Mittel zum Zweck und wird nach dem Pretraining oft weggeworfen.

Anschließend kommt das Fine-Tuning: Auf die vortrainierten Repräsentationen setzt man einen kleinen Kopf, der mit den wenigen echten Trading-Labels trainiert wird. Weil die schwere Arbeit — das Verstehen der Marktstruktur — schon erledigt ist, braucht dieser zweite Schritt deutlich weniger Labels, um zu konvergieren.

Contrastive Learning auf Kursen — der praktische Kern.

Der heute meistgenutzte Ansatz ist kontrastiv. Die Logik: Aus einem Kursfenster erzeugt man durch leichte, realistische Veränderungen — Augmentations — zwei Varianten, die immer noch „dasselbe“ zeigen. Das Modell soll diese beiden Varianten im Repräsentationsraum nah beieinander platzieren (positives Paar) und sie gleichzeitig von Fenstern anderer Zeitpunkte oder Instrumente wegdrücken (negative Paare).

Brauchbare Augmentations für Finanzzeitreihen sind unter anderem:

• Jittering: leichtes Rauschen auf die Returns, simuliert Mess- und Mikrostruktur-Variation.
• Scaling: moderate Skalierung der Amplitude, damit das Modell nicht nur absolute Volatilität auswendig lernt.
• Time-Masking: einzelne Abschnitte ausblenden, zwingt zur Rekonstruktion aus dem Kontext.
• Window-Cropping: überlappende Teilfenster, die denselben Marktzustand aus leicht anderem Blickwinkel zeigen.

Die Kunst liegt in der Wahl dieser Augmentations. Was im Bildbereich harmlos ist — spiegeln, drehen — hat bei Kursen keine sinnvolle Entsprechung. Eine zu aggressive Augmentation zerstört genau das Signal, das man erhalten will. Hier wird viel experimentiert, und es gibt kein universell bestes Rezept.

Wo der Daten-Effizienz-Gewinn wirklich herkommt.

Der Nutzen entsteht nicht durch Magie, sondern durch Arbeitsteilung. Das Pretraining nutzt die große Menge unbeschrifteter Daten, um eine sinnvolle Geometrie des Repräsentationsraums zu lernen. Das Fine-Tuning muss dann nur noch eine Entscheidungsgrenze in diesem bereits gut sortierten Raum ziehen — eine viel einfachere Aufgabe als das Lernen von Grund auf.

Realistisch bedeutet das: In Situationen mit wenigen tausend brauchbaren Labels kann ein vortrainiertes Modell mit einem Bruchteil der Labels eine vergleichbare Out-of-Sample-Güte erreichen wie ein from-scratch trainiertes Modell mit dem vollen Label-Satz. Bandbreiten von 30 bis 60 Prozent Label-Ersparnis bei gleichbleibender Qualität sind in günstigen Fällen plausibel — aber das ist stark datensatz- und aufgabenabhängig.

Wichtig ist die ehrliche Einordnung: Wenn ohnehin reichlich saubere Labels vorliegen, schrumpft der Vorteil. Self-Supervised Learning glänzt im Label-armen Regime, nicht im Label-reichen. Wer es einsetzt, sollte vorher prüfen, ob das Label-Problem überhaupt der Engpass ist.

Die typischen Fallen in der Finanz-Domäne.

Drei Probleme tauchen in der Praxis immer wieder auf. Erstens Leakage über die Zeitachse: Wenn positive Paare aus überlappenden Zeitfenstern stammen oder Augmentations Information aus der Zukunft einschleusen, lernt das Modell eine Abkürzung, die im Live-Betrieb nicht existiert. Sauberes Purging und Embargo zwischen Trainings- und Validierungsfenstern sind hier nicht optional.

Zweitens Representation Collapse: Kontrastive Verfahren können in einen Zustand fallen, in dem das Modell für alle Eingaben fast identische Repräsentationen ausgibt — der Loss sinkt, aber gelernt wurde nichts Nützliches. Gegenmaßnahmen wie ausreichend negative Beispiele, geeignete Projektionsköpfe oder Methoden, die Collapse strukturell verhindern, müssen eingeplant werden.

Drittens Non-Stationarität: Ein 2018 vortrainiertes Modell kennt das Marktverhalten von 2018. Verschiebt sich das Regime, veralten die Repräsentationen. Self-Supervised Learning befreit nicht von der Pflicht, das Pretraining periodisch aufzufrischen und die Stabilität über verschiedene Marktphasen zu prüfen.

Wann sich der Aufwand lohnt — und wann nicht.

Self-Supervised Learning ist kein Standardwerkzeug für jede Strategie. Es lohnt sich vor allem dann, wenn drei Bedingungen zusammenkommen: Es gibt viel unbeschriftete Historie, die Labels sind knapp oder teuer, und das nachgelagerte Modell ist komplex genug, um von guten Vorrepräsentationen zu profitieren.

Für eine einfache, lineare Strategie auf wenigen handverlesenen Features ist der Apparat überdimensioniert — der zusätzliche Trainings- und Wartungsaufwand steht in keinem Verhältnis. Für ein tieferes Modell, das viele Instrumente und Zeitskalen gemeinsam verarbeiten soll, kann das Pretraining hingegen den Unterschied zwischen „overfittet hoffnungslos“ und „lernt etwas Übertragbares“ ausmachen.

Eine pragmatische Reihenfolge: Erst prüfen, ob das Label-Problem real der Engpass ist. Dann mit einer einzigen, gut verstandenen Pretext-Task starten — etwa maskierter Rekonstruktion — und den Effekt sauber gegen ein from-scratch-Baseline messen. Erst wenn dieser Vergleich überzeugt, lohnt der Schritt zu aufwendigeren kontrastiven Setups.

Evaluation: Wie man echten Nutzen von Selbsttäuschung trennt.

Der gefährlichste Punkt bei Self-Supervised Learning ist die Evaluation. Ein niedriger Pretext-Loss sagt nichts darüber, ob die Repräsentationen für den eigentlichen Trading-Zweck taugen. Bewertet werden darf immer nur die Downstream-Performance — und zwar streng out-of-sample, auf Zeiträumen, die weder im Pretraining noch im Fine-Tuning gesehen wurden.

Bewährt hat sich ein dreistufiger Vergleich: ein from-scratch-Modell als untere Referenz, ein Modell mit eingefrorenen vortrainierten Repräsentationen (Linear Probing) als Test der reinen Repräsentationsqualität, und schließlich das vollständig fine-getunte Modell. Liegt das fine-getunte Modell nur knapp über dem from-scratch-Baseline, war der Aufwand fragwürdig.

Zusätzlich gehört eine Prüfung über mehrere Marktregime dazu. Ein Vorteil, der nur in einer ruhigen Trendphase auftaucht und in volatilen Phasen verschwindet, ist für den realen Einsatz wenig wert. Erst Stabilität über verschiedene Bedingungen macht aus einer interessanten Methode ein produktionsreifes Werkzeug.

Sie überlegen, ob Self-Supervised Pretraining Ihr label-knappes Trading-Modell dateneffizienter machen kann? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Datenlage, das tatsächliche Label-Nadelöhr und prüfen ehrlich, ob der Pretraining-Aufwand bei Ihrer Strategie einen messbaren Vorteil bringt.