SHAP & Feature-Attribution warum das Modell wirklich kauft.

Ein Trading-Modell, das gute Backtest-Zahlen liefert, aber nicht erklären kann, warum es kauft, ist ein Risiko — kein Asset. Die entscheidende Frage lautet nicht nur „funktioniert es?“, sondern „funktioniert es aus den richtigen Gründen?“. SHAP-Werte beantworten genau das: Sie zerlegen jede einzelne Vorhersage in die Beiträge der einzelnen Features und zeigen, welche Eingangsgröße das Signal in welche Richtung getrieben hat. Für Quant-Modelle ist das doppelt wertvoll. Erstens schafft Erklärbarkeit Vertrauen — bei einem selbst, bei Risikoverantwortlichen, bei Kapitalgebern. Zweitens, und praktisch oft wichtiger, deckt SHAP Look-Ahead-Leakage und Scheinmuster auf, bevor echtes Geld fließt: Wenn ein Feature verdächtig dominant ist, lohnt der zweite Blick. Dieser Beitrag erklärt, wie SHAP funktioniert, wie man damit Leakage jagt, welche typischen Muster im Trading auftauchen — und wo die Attribution selbst täuscht und mit Vorsicht zu lesen ist.

Was SHAP-Werte eigentlich messen.

SHAP (SHapley Additive exPlanations) stammt aus der kooperativen Spieltheorie. Die Grundidee: Man behandelt die Features als Spieler, die gemeinsam eine Vorhersage erzeugen, und fragt, welchen fairen Anteil jeder Spieler am Ergebnis hat. Der Shapley-Wert verteilt den Beitrag, indem er über alle möglichen Reihenfolgen mittelt, in denen Features zum Modell hinzugefügt werden könnten.

Das Ergebnis ist für jede einzelne Vorhersage eine Aufschlüsselung: Feature A hat das Signal um diesen Betrag nach oben gezogen, Feature B um jenen nach unten, und die Summe aller SHAP-Werte plus ein Basiswert ergibt exakt die Modellausgabe. Diese additive Konsistenz ist der mathematische Kern und unterscheidet SHAP von gröberen Wichtigkeitsmaßen.

Anders als globale Feature-Importance, die nur sagt „dieses Feature ist insgesamt wichtig“, arbeitet SHAP auf Einzelfall-Ebene. Man kann fragen, warum das Modell ausgerechnet an diesem Tag, in dieser Marktlage, ein Kaufsignal erzeugt hat — und welche Features dafür verantwortlich waren. Für die Diagnose von Trading-Modellen ist genau diese Granularität der entscheidende Hebel.

SHAP als Leakage-Detektor.

Die wertvollste Anwendung von SHAP im Trading ist nicht das schöne Erklärungsbild für die Präsentation, sondern die nüchterne Jagd nach Look-Ahead-Leakage. Leakage — Information aus der Zukunft, die ins Training sickert — erzeugt traumhafte Backtests, die live zerbrechen. SHAP macht sie sichtbar.

Das Vorgehen: Man berechnet die SHAP-Werte über den Trainings- oder Validierungssatz und prüft, welche Features dominieren. Ein einzelnes Feature, das den Großteil der Vorhersagekraft trägt, ist ein Warnsignal — besonders wenn es fachlich keinen Grund dafür gibt. Häufig steckt dahinter ein Feature, das versehentlich Zukunftsinformation enthält: ein falsch ausgerichteter Zeitstempel, eine über den ganzen Datensatz berechnete Normalisierung, ein Label, das in den Feature-Bereich hineinreicht.

Ein konkretes Muster: Ein scheinbar harmloser gleitender Durchschnitt, der versehentlich den aktuellen Tag einschließt statt nur die Vergangenheit, taucht in der SHAP-Analyse als unnatürlich dominanter, fast deterministischer Treiber auf. Ohne SHAP hätte man die beeindruckende Trefferquote gefeiert; mit SHAP erkennt man, dass das Modell schlicht in die Zukunft schaut. Diese eine Anwendung rechtfertigt den Aufwand oft allein.

Globale und lokale Erklärungen lesen.

SHAP liefert zwei Sichten, die sich ergänzen. Beide gehören in die Routine-Diagnose eines Trading-Modells.

• Globale Sicht: Aggregiert man die SHAP-Werte über alle Beobachtungen, ergibt sich ein Ranking der Features nach ihrem durchschnittlichen Einfluss. Der bekannte Beeswarm-Plot zeigt zusätzlich die Richtung: Treiben hohe Werte eines Features das Signal nach oben oder nach unten? So erkennt man, ob das Modell ökonomisch plausible Zusammenhänge gelernt hat — oder kontraintuitive, die auf Überanpassung deuten.
• Lokale Sicht: Für eine einzelne Vorhersage zeigt der Waterfall- oder Force-Plot, wie sich die Modellausgabe Feature für Feature aus dem Basiswert aufbaut. Das ist wertvoll, wenn man einen konkreten Trade verstehen will — warum hat das System hier verkauft?

Im Trading lohnt besonders der Blick auf die Richtungskonsistenz. Wenn ein Momentum-Feature mal für, mal gegen die Bewegung spricht, ohne erkennbares Muster, lernt das Modell vermutlich Rauschen. Ein gesundes Modell zeigt Beiträge, die sich fachlich erzählen lassen. Lässt sich eine Erklärung nicht plausibel erzählen, ist Skepsis angebracht.

Feature-Interaktionen und Redundanz aufdecken.

Über die Einzelbeiträge hinaus kann SHAP auch Wechselwirkungen zwischen Features sichtbar machen. Das ist im Trading relevant, weil viele Signale erst im Zusammenspiel wirken — Momentum etwa nur in Phasen niedriger Volatilität, oder ein Indikator nur in bestimmten Regimen.

SHAP-Interaktionswerte zerlegen den Beitrag eines Feature-Paares in den Haupteffekt und den reinen Interaktionsanteil. So sieht man, ob zwei Features unabhängig wirken oder ob ihr gemeinsames Auftreten ein eigenes Signal trägt. Das hilft, das Modell zu verstehen und gezielt um die wirklich tragenden Kombinationen zu vereinfachen.

Ebenso nützlich ist die Aufdeckung von Redundanz. Technische Indikatoren sind notorisch korreliert; mehrere Varianten desselben Momentum-Maßes liefern fast dieselbe Information. In der SHAP-Analyse zeigt sich das als Gruppe von Features, die sich die Wichtigkeit teilen und einzeln wenig beitragen. Solche Gruppen lassen sich oft auf einen Repräsentanten reduzieren — das Modell wird schlanker, stabiler und weniger anfällig dafür, dass die zufällige Gewichtung innerhalb redundanter Features die Interpretation verzerrt.

Wo die Attribution selbst täuscht.

So mächtig SHAP ist — es ist kein Orakel, und im Trading lauern mehrere Fallstricke, die man kennen muss, um keine falschen Schlüsse zu ziehen.

Der wichtigste betrifft korrelierte Features. SHAP verteilt den gemeinsamen Beitrag stark korrelierter Features in einer Weise, die von technischen Details der Berechnung abhängt und nicht eindeutig „kausal“ zu lesen ist. Zwei austauschbare Indikatoren können je nach Verfahren unterschiedliche Wichtigkeiten erhalten, obwohl sie dasselbe messen. Wer daraus ableitet, das eine Feature sei wichtiger als das andere, irrt.

Zweitens erklärt SHAP das Modell, nicht die Welt. Es zeigt, worauf das Modell reagiert — nicht, was tatsächlich kausal die Kurse bewegt. Ein Feature kann hohe SHAP-Werte haben und trotzdem keine echte Vorhersagekraft besitzen, wenn das Modell ein Scheinmuster gelernt hat. SHAP bestätigt Leakage nicht, es macht sie nur sichtbar; die fachliche Beurteilung bleibt beim Menschen.

Drittens ist die exakte Berechnung teuer. Für baumbasierte Modelle gibt es mit TreeSHAP eine schnelle, exakte Variante — ein Grund mehr, im Trading auf Gradient Boosting zu setzen. Für andere Modelle nutzt man Näherungen, deren Stabilität man im Blick behalten muss.

SHAP im Modell-Lebenszyklus.

Der größte Nutzen entsteht, wenn SHAP nicht als einmalige Spielerei, sondern als fester Bestandteil des Modell-Lebenszyklus eingesetzt wird. Drei Stationen bieten sich an.

Besonders das laufende Monitoring ist unterschätzt. Verschiebt sich die Verteilung der SHAP-Werte im Live-Betrieb deutlich gegenüber dem Training — ein vormals nebensächliches Feature wird plötzlich dominant — ist das ein Frühwarnsignal für Concept Drift oder einen Regime-Wechsel. Oft zeigt sich das in der Attribution früher als in den nackten Performance-Zahlen.

So wird SHAP vom hübschen Diagramm zum Arbeitsinstrument: ein Werkzeug, das in der Entwicklung Fehler verhindert, vor dem Live-Gang Vertrauen schafft und im Betrieb als Sensor dient. Der Aufwand ist gering im Verhältnis zum Schaden, den ein unverstandenes Modell mit Leakage anrichten kann.

Sie wollen sicherstellen, dass Ihr Trading-Modell aus den richtigen Gründen funktioniert — frei von Leakage und mit nachvollziehbaren Treibern? Unverbindlich anfragen — wir schauen gemeinsam per SHAP-Analyse auf die Feature-Beiträge Ihres Modells, prüfen auf Look-Ahead-Lecks und ordnen ehrlich ein, was tatsächlich trägt.