Symbolic Regression lesbare Formeln statt Black Box.
Zwischen handgeschriebenen Indikatorformeln und undurchsichtigen Deep-Learning-Modellen gibt es einen oft übersehenen Mittelweg: Symbolic Regression. Statt Gewichte in einem Black-Box-Netz zu optimieren, sucht ein genetischer Algorithmus direkt nach der mathematischen Formel, die die Daten am besten erklärt — eine kompakte, lesbare Gleichung aus Kursvariablen, Operatoren und Konstanten. Das Ergebnis ist kein Vektor aus Millionen Parametern, sondern ein Ausdruck wie „kaufe, wenn die 20-Tage-Momentum-Steigung über der normalisierten Volatilität liegt“, den ein Mensch lesen, verstehen und gezielt stress-testen kann. Genau diese Interpretierbarkeit macht die Methode für Trader attraktiv, die ihren Signalen vertrauen müssen, bevor Kapital fließt. Der Preis ist ein hartnäckiges Overfitting-Risiko: Wer eine Maschine Millionen von Formeln durchprobieren lässt, findet zwangsläufig welche, die auf der Historie glänzen und an der Zukunft scheitern. Dieser Beitrag zeigt, wie Symbolic Regression funktioniert, wo ihr echter Mehrwert liegt, wie man das Overfitting im Griff behält — und wann ein klassisches Modell die bessere Wahl bleibt.
Was Symbolic Regression von klassischem ML unterscheidet.
Die meisten ML-Verfahren haben eine feste Struktur und passen nur deren Parameter an. Eine lineare Regression hat eine vorgegebene Form, ein neuronales Netz eine vorgegebene Architektur — gelernt werden die Gewichte. Symbolic Regression lernt dagegen die Struktur selbst: Welche Variablen, welche Operatoren, in welcher Verschachtelung.
Der Suchraum ist damit der Raum aller mathematischen Ausdrücke, die sich aus einem definierten Vokabular bilden lassen — Grundrechenarten, Wurzeln, Logarithmen, Vergleiche, dazu die Eingabevariablen wie Returns, Volatilität oder Volumen. Heraus kommt keine Gewichtsmatrix, sondern eine Gleichung.
Der entscheidende Unterschied in der Praxis: Das Resultat ist transparent. Man sieht nicht nur, dass das Modell ein Signal gibt, sondern warum — in einer Form, die sich ökonomisch plausibilisieren oder als Unsinn entlarven lässt. Diese Lesbarkeit ist der zentrale Grund, warum Quant-Teams die Methode trotz ihrer Eigenheiten schätzen.
Genetische Programmierung als Suchmaschine.
Der gängigste Weg zur Symbolic Regression ist die genetische Programmierung. Sie ahmt Evolution nach: Eine Population zufälliger Formeln wird erzeugt, jede an den Daten bewertet, die besten dürfen sich „fortpflanzen“.
Drei Operationen treiben die Suche:
- Selektion: Formeln mit höherer Fitness — etwa besserer risikoadjustierter Vorhersage — werden bevorzugt weitergegeben.
- Crossover: Zwei Formeln tauschen Teilbäume aus, kombinieren also Bausteine, die sich einzeln bewährt haben.
- Mutation: Zufällige kleine Änderungen — ein Operator wird ersetzt, eine Konstante verschoben — halten die Vielfalt am Leben.
Über viele Generationen verschiebt sich die Population zu Formeln mit besserer Fitness. Die Fitnessfunktion ist dabei der Hebel, an dem man die Suche steuert: Wer nur auf Korrelation zur Zielgröße optimiert, bekommt komplizierte, überangepasste Ausdrücke. Wer Sparsamkeit mitbewertet — also kurze Formeln belohnt — bekommt robustere, lesbarere Ergebnisse. Diese Strafterm für Komplexität, oft als Parsimony Pressure bezeichnet, ist eines der wichtigsten Stellräder.
Der Vorteil, den keine Black Box bietet: Verständnis.
Der praktische Hauptnutzen ist nicht unbedingt bessere Performance, sondern Verständnis. Eine lesbare Formel lässt sich auf mehreren Ebenen prüfen, die einer Black Box verschlossen bleiben.
Man kann fragen: Ergibt der Ausdruck ökonomisch Sinn? Eine Formel, die Momentum mit invertierter Volatilität verrechnet, hat eine plausible Marktinterpretation — eine, die den Schlusskurs durch eine obskure Konstante teilt, ist verdächtig. Man kann die Formel manuell stress-testen, einzelne Terme variieren und sehen, wie sensibel das Signal reagiert. Und man kann sie gegen das eigene Marktverständnis halten, statt blind auf eine Metrik zu vertrauen.
Dazu kommt operative Robustheit: Eine kompakte Formel ist trivial zu implementieren, schnell zu berechnen, leicht zu überwachen und in praktisch jeder Umgebung lauffähig — vom Backtest bis zur Produktionsausführung. Es gibt kein Framework-Abhängigkeitsproblem, keine GPU-Anforderung, keine Versionsdrift im Modellformat. Das senkt das operative Risiko spürbar.
Das Overfitting-Problem ehrlich benannt.
Hier liegt die zentrale Schwäche. Genetische Programmierung evaluiert im Lauf einer Optimierung leicht Millionen von Formeln. Bei so vielen Versuchen findet man garantiert Ausdrücke, die rein zufällig hervorragend zur Historie passen — sogenanntes Multiple-Testing-Overfitting. Diese Formeln sehen im Backtest brillant aus und produzieren live nichts als Verluste.
Das Problem ist subtiler als bei klassischem ML, weil die Suche selbst der Overfitting-Treiber ist. Selbst eine saubere Train-Test-Trennung schützt nur begrenzt: Wenn man den Testzeitraum nutzt, um zwischen vielen Kandidaten auszuwählen, leckt Information in die Auswahl, und der Test verliert seine Aussagekraft.
Wer das ignoriert, baut Strategien auf Phantom-Signalen. Die ehrliche Konsequenz: Symbolic Regression braucht eine deutlich strengere Validierungsdisziplin als die meisten anderen Verfahren — nicht als Kür, sondern als Existenzbedingung.
Wie man die Suche diszipliniert.
Es gibt etablierte Gegenmaßnahmen, die das Overfitting nicht beseitigen, aber beherrschbar machen. Sie greifen an verschiedenen Stellen.
| Maßnahme | Wirkung |
|---|---|
| Parsimony Pressure | bestraft lange Formeln, bevorzugt einfache, robustere Ausdrücke |
| Out-of-Sample-Auswahl mit Embargo | verhindert, dass die Auswahl Information aus der Zukunft nutzt |
| Mehrfache Läufe mit Seeds | nur Formeln, die wiederholt auftauchen, gelten als stabil |
| Deflated Sharpe / Multiple-Testing-Korrektur | rechnet die Zahl der getesteten Formeln in die Signifikanz ein |
| Walk-Forward-Validierung | prüft Stabilität über rollierende Zeitfenster statt einer Stichprobe |
Besonders wichtig ist die Multiple-Testing-Korrektur: Eine Formel mit Sharpe 2 im Backtest ist wertlos, wenn sie aus einer Million Kandidaten die beste war — der erwartete beste Zufallstreffer liegt dann ohnehin hoch. Erst wer die Zahl der Versuche in die Bewertung einrechnet, trennt echtes Signal von Suchrauschen.
Einsatzfelder, in denen die Methode glänzt.
Symbolic Regression ist kein Allzweckwerkzeug, aber in bestimmten Nischen stark. Sie eignet sich besonders, wenn das Ziel ein verständliches, gut überwachbares Signal ist und nicht der letzte Prozentpunkt Vorhersagegüte.
Ein typischer Einsatz ist die Hypothesen-Generierung: Die Methode schlägt Formeln vor, die ein Quant-Team als Ausgangspunkt für eigene, ökonomisch fundierte Signale nimmt — die Maschine inspiriert, der Mensch entscheidet. Ein zweiter ist die Feature-Konstruktion: Statt das finale Signal zu sein, liefert eine entdeckte Formel ein neues, nichtlineares Feature für ein nachgelagertes Modell.
Auch als interpretierbarer Ersatz für eine bestehende Black Box ist sie wertvoll: Manchmal lässt sich ein komplexes Modell durch eine schlanke Formel approximieren, die fast so gut performt, aber prüfbar und wartbar ist. In regulierten oder erklärungsbedürftigen Kontexten kann dieser Tausch — minimal weniger Performance gegen volle Transparenz — sehr attraktiv sein.
Wann ein klassisches Modell die bessere Wahl ist.
Symbolic Regression hat klare Grenzen. Wenn das Problem hochdimensional ist — viele Dutzend bis Hunderte relevanter Features mit komplexen Wechselwirkungen — wird der Suchraum unhandlich, und Gradient-Boosting oder neuronale Netze finden gute Lösungen effizienter. Die Stärke der lesbaren Formel kippt dann in die Schwäche der Untertauglichkeit für echte Komplexität.
Auch wenn pure Vorhersagegüte zählt und Interpretierbarkeit zweitrangig ist, sind etablierte Verfahren meist überlegen und schneller einsatzbereit. Und die Rechenkosten sind nicht zu unterschätzen: Eine ernsthafte genetische Suche über viele Generationen und Seeds kann erheblich teurer sein als das Training eines vergleichbaren Gradient-Boosting-Modells.
Die ehrliche Positionierung lautet daher: Symbolic Regression ist ein Spezialwerkzeug für Situationen, in denen Verständnis und Robustheit wichtiger sind als die letzten Prozentpunkte Genauigkeit. Wer das beachtet, gewinnt ein transparentes, wartbares Signal. Wer sie als universellen Performance-Booster missversteht, wird enttäuscht.
Sie möchten prüfen, ob sich aus Ihren Daten interpretierbare Signal-Formeln gewinnen lassen, die Sie verstehen und überwachen können? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Feature-Landschaft, richten die Validierung gegen Multiple-Testing-Overfitting aus und schätzen ehrlich ein, ob Symbolic Regression Ihrer Strategie mehr bringt als ein klassisches Modell.