Time-Series-Clustering Assets nach Verhalten gruppieren.

Wer Wertpapiere gruppieren will — für die Auswahl eines Handelsuniversums, für Pairs-Trading-Kandidaten oder für die Definition stabiler Sektoren — greift fast reflexartig zur Korrelation. Doch die lineare Korrelation der Renditen ist ein erstaunlich grobes Werkzeug: Sie erfasst nur gleichlaufende Bewegungen zum selben Zeitpunkt, ignoriert zeitliche Verschiebungen und reduziert das gesamte dynamische Verhalten eines Assets auf eine einzige Zahl. Time-Series-Clustering geht weiter und gruppiert Wertpapiere nach der Form und Dynamik ihrer Verläufe — über Verfahren wie Dynamic Time Warping oder Shape-basierte Distanzen, die auch zeitlich verschobene oder unterschiedlich gestreckte Muster als ähnlich erkennen. Das verspricht stabilere Gruppen, bessere Pairs-Kandidaten und sinnvollere Universe-Definitionen als reine Korrelation. Dieser Beitrag erklärt die wichtigsten Distanzmaße und Clustering-Ansätze, zeigt ihre konkreten Trading-Anwendungen und ist ehrlich zu den Fallstricken: dem Rechenaufwand von DTW, der Instabilität von Clustern über die Zeit und der Gefahr, in zufälligem Rauschen scheinbare Gruppen zu finden.

Warum Korrelation als Ähnlichkeitsmaß zu kurz greift.

Die Pearson-Korrelation der Renditen ist bequem, aber begrenzt. Sie misst ausschließlich den gleichzeitigen, linearen Gleichlauf zweier Reihen. Zwei Assets, von denen das eine dem anderen mit ein paar Tagen Verzögerung folgt, können eine niedrige Korrelation haben, obwohl ihr Verhalten praktisch identisch ist — nur zeitversetzt. Genau diese Lead-Lag-Beziehungen sind für Pairs- und Cross-Asset-Strategien aber besonders interessant.

Hinzu kommt die Instabilität. Korrelationen verschieben sich über die Zeit erheblich, sie steigen in Krisen oft sprunghaft an und brechen in ruhigen Phasen wieder ein. Ein auf Korrelation gebautes Cluster kann nächsten Monat schon anders aussehen. Und schließlich kondensiert die Korrelation das gesamte dynamische Profil eines Assets — seine typische Volatilität, seine Reaktionsmuster, seine Trendneigung — auf eine einzige Zahl pro Paar.

Time-Series-Clustering setzt an dieser Stelle an. Statt einer Zahl betrachtet es den Verlauf als Ganzes und nutzt Distanzmaße, die mehr über die Dynamik einfangen. Das Ziel sind Gruppen, die sich nicht nur statistisch zufällig, sondern in ihrem tatsächlichen Bewegungsverhalten ähneln.

Dynamic Time Warping — Ähnlichkeit trotz Zeitversatz.

Dynamic Time Warping, kurz DTW, ist das prominenteste Distanzmaß für Zeitreihen. Sein Kern: Es vergleicht zwei Reihen nicht starr Punkt für Punkt, sondern erlaubt ein flexibles Verschieben und Strecken der Zeitachse, um die beste Übereinstimmung zu finden. Zwei Muster, die identisch sind, aber zeitlich gegeneinander verschoben oder unterschiedlich schnell ablaufen, erkennt DTW als ähnlich — die euklidische Distanz würde sie als weit auseinander einstufen.

Algorithmisch sucht DTW den optimalen Pfad durch eine Kostenmatrix, der die Gesamtdistanz minimiert, unter Bedingungen wie Monotonie und Stetigkeit. Anschaulich „dehnt“ es die eine Reihe an Stellen, wo es nötig ist, um sie auf die andere zu legen.

Für Finanzdaten ist diese Flexibilität Segen und Risiko zugleich. Sie erfasst Lead-Lag-Strukturen, die der Korrelation entgehen. Sie kann aber auch übermäßig dehnen und zwei Verläufe als ähnlich ausweisen, die ökonomisch wenig gemein haben. Deshalb arbeitet man in der Praxis fast immer mit einer Bandbreiten-Beschränkung — einem Sakoe-Chiba-Band —, das die erlaubte Verschiebung begrenzt und sowohl die Ergebnisse sinnvoller als auch die Rechnung schneller macht.

Der Rechenaufwand und seine Beherrschung.

Die Eleganz von DTW hat einen Preis. Die Berechnung der Distanz zwischen zwei Reihen der Länge n kostet in der Grundform eine zur Fläche der Kostenmatrix proportionale Rechenzeit, also grob im Quadrat der Reihenlänge. Für ein einzelnes Paar ist das harmlos. Will man aber ein Universum von einigen hundert Assets clustern, braucht man die paarweise Distanzmatrix — und die Zahl der Paare wächst quadratisch mit der Zahl der Assets.

Bei 500 Assets sind das bereits rund 125.000 Paardistanzen, jede davon mit der quadratischen Reihenkosten. Das wird schnell unhandlich. Mehrere Hebel entschärfen das Problem:

• Bandbeschränkung: Ein Sakoe-Chiba-Band reduziert den Rechenaufwand pro Paar erheblich und verbessert zugleich die Qualität.
• Untergrenzen (Lower Bounds): Schnelle Schätzungen wie LB_Keogh schließen offensichtlich unähnliche Paare aus, bevor die volle DTW-Rechnung läuft.
• Approximationen: Schnelle DTW-Varianten oder eine grobe Vorab-Clusterung reduzieren die Zahl der nötigen exakten Berechnungen.

Wer diese Mittel nutzt, bringt DTW-Clustering auch für mittelgroße Universen in einen praktikablen Rahmen. Ohne sie skaliert der Ansatz schlecht und wird für große Universen schnell zur Geduldsprobe.

Shape-basierte Verfahren als Alternative.

DTW ist nicht das einzige Werkzeug. Shape-basierte Verfahren wie der k-Shape-Algorithmus verfolgen ein verwandtes Ziel mit anderem Mechanismus. Sie nutzen ein verschiebungsinvariantes Ähnlichkeitsmaß, das auf einer normalisierten Kreuzkorrelation beruht, und können dadurch ebenfalls zeitversetzte, aber gleich geformte Muster gruppieren.

Der praktische Vorteil von k-Shape liegt in der Effizienz. Es ist deutlich schneller als DTW-basiertes Clustering und skaliert besser auf größere Universen. Zugleich liefert es als Clusterzentren interpretierbare, charakteristische Verlaufsformen, die das typische Verhalten einer Gruppe veranschaulichen.

Die Wahl zwischen DTW und Shape-Methoden ist eine Abwägung. DTW ist flexibler beim Umgang mit unterschiedlich gestreckten Zeitachsen, aber teurer und anfälliger fürs Überdehnen. Shape-Verfahren sind schneller und robuster, dafür weniger flexibel bei stark unterschiedlichen Zeitskalen. Für viele Trading-Universen ist k-Shape ein guter Startpunkt, DTW die genauere, aufwendigere Option für kleinere, sorgfältig kuratierte Mengen.

Konkrete Anwendungen im Trading.

Time-Series-Clustering ist kein Selbstzweck — sein Wert entsteht in konkreten Anwendungen. Drei Felder sind besonders ergiebig:

Pairs- und Statistical-Arbitrage-Kandidaten. Statt Paare nur über Korrelation oder Kointegration zu suchen, liefert verhaltensbasiertes Clustering eine Vorauswahl von Assets mit ähnlicher Dynamik. Innerhalb eines Clusters auf Kointegration zu testen ist zielführender, als das gesamte Universum blind zu durchsuchen — es reduziert die Multiple-Testing-Gefahr erheblich.

Universe-Konstruktion und Diversifikation. Wer ein Handelsuniversum oder ein Portfolio aufbaut, kann über Cluster sicherstellen, dass nicht versehentlich viele verhaltensgleiche Assets dominieren. Aus jedem Cluster einen oder wenige Vertreter zu wählen, sorgt für echte Verhaltens-Diversifikation statt bloß nominaler Streuung über Tickersymbole.

Datengetriebene Sektor-Definitionen. Offizielle Branchenklassifikationen spiegeln das tatsächliche Handelsverhalten oft schlecht wider. Cluster nach dynamischem Verhalten können stabilere, handelsrelevantere Gruppen bilden als starre Sektorlabels — nützlich etwa für Markt-Neutralisierung oder Faktor-Bereinigung.

Die Instabilität der Cluster über die Zeit.

Der wichtigste Vorbehalt: Cluster sind nicht in Stein gemeißelt. Marktbeziehungen verändern sich, Regime wechseln, und mit ihnen wandern Assets zwischen Gruppen. Ein Cluster, das im ruhigen Markt sauber trennt, kann in einer Krise zerfallen, wenn plötzlich alles gemeinsam fällt und die Verhaltensunterschiede verschwinden.

Diese Instabilität ist kein Methodenfehler, sondern eine Eigenschaft der Märkte — aber sie hat handfeste Konsequenzen. Ein einmal berechnetes, statisches Clustering veraltet. Sinnvoll ist daher ein rollierendes Vorgehen: das Clustering regelmäßig über ein gleitendes Fenster neu berechnen und die Stabilität der Gruppen über die Zeit beobachten. Assets, die ständig die Gruppe wechseln, sind unzuverlässige Kandidaten; Assets, die stabil zusammenbleiben, sind die belastbare Basis.

Gleichzeitig schafft das Neuberechnen einen Zielkonflikt mit dem Look-Ahead-Bias. Jede Cluster-Zuordnung darf in einem Backtest nur Information nutzen, die zum jeweiligen Zeitpunkt verfügbar war. Wer das Clustering über die volle Historie rechnet und dann rückwirkend handelt, erzeugt ein scheinbar exzellentes, real wertloses Ergebnis. Strikte zeitliche Sauberkeit ist hier nicht verhandelbar.

Die Gefahr, Muster im Rauschen zu finden.

Clustering-Algorithmen haben eine unbequeme Eigenschaft: Sie liefern immer Cluster, auch wenn gar keine Struktur vorhanden ist. Wirft man rein zufällige Zeitreihen hinein, kommen trotzdem Gruppen heraus — sie bedeuten nur nichts. Bei den verrauschten Finanzdaten ist diese Gefahr akut, weil ein Großteil der Bewegung tatsächlich Rauschen ist.

Deshalb gehört zu jedem ernsthaften Clustering eine Validierung der Frage, ob die gefundenen Gruppen überhaupt real sind. Interne Maße wie der Silhouette-Score quantifizieren, wie klar getrennt die Cluster sind. Stabilitätsanalysen prüfen, ob dieselben Gruppen bei leicht veränderten Daten oder Zeitfenstern bestehen bleiben. Und ein Vergleich gegen eine Zufalls-Nullhypothese — clustern zufällig permutierte Daten genauso gut? — entlarvt Scheinstruktur.

Die ehrliche Haltung lautet: Ein Clustering-Ergebnis ist erst dann verwertbar, wenn es diese Tests übersteht und sich zudem ökonomisch plausibel begründen lässt. Cluster, die statistisch wacklig sind oder sich nicht erklären lassen, sind Kandidaten fürs Overfitting, nicht für die Strategie. Time-Series-Clustering ist ein wertvolles Werkzeug für Universe-Auswahl und Pairs-Suche — aber nur mit der Disziplin, seine Ergebnisse konsequent gegen Zufall und Instabilität zu prüfen.

Sie suchen belastbarere Pairs-Kandidaten oder eine sauberere Universe-Struktur als reine Korrelation liefert? Unverbindlich anfragen — wir schauen gemeinsam auf Distanzmaß, Cluster-Stabilität und zeitliche Sauberkeit und prüfen, ob verhaltensbasiertes Clustering Ihre Strategie wirklich trägt.