Monte Carlo Simulation ist eine statistische Methode, die dein Optionsportfolio mit tausenden zufällig generierten Szenarien testet. Du nimmst deine Backtest-Ergebnisse, mischst die Trade-Reihenfolge zufällig neu (Bootstrapping) und simulierst 1.000-5.000 mögliche Verläufe. Das Ergebnis: keine einzelne Equity-Kurve, sondern eine Wahrscheinlichkeitsverteilung – dein realistisches Bild von Best Case, Worst Case und allem dazwischen.
Was ist Monte Carlo Simulation und warum brauchen Optionstrader sie?
Monte Carlo Simulation ist ein statistisches Verfahren, das durch wiederholte Zufallsexperimente die Wahrscheinlichkeitsverteilung eines Ergebnisses berechnet. Im Trading: Du nimmst historische Trades, mischt deren Reihenfolge zufällig und simulierst tausende mögliche Portfolio-Verläufe. Benannt nach dem Casino in Monaco – passend, weil es um Wahrscheinlichkeiten geht, nicht um Gewissheiten.
Jeder Backtest hat ein fundamentales Problem: Er zeigt dir genau eine mögliche Vergangenheit. Du siehst eine einzige Equity-Kurve, einen einzigen Maximum Drawdown, eine einzige Rendite. Aber was wäre passiert, wenn die gleichen Trades in einer anderen Reihenfolge aufgetreten wären? Wenn der Crash-Monat am Anfang statt am Ende gekommen wäre?
Monte Carlo beantwortet genau diese Frage. Statt "Was ist passiert?" fragst du: "Was hätte passieren können?" – und das ist die Frage, die über dein Überleben als Trader entscheidet.
Stell dir vor, du würfelst 252 Mal (ein Börsentag pro Wurf). Ein einzelner Durchlauf gibt dir ein Ergebnis. Aber erst nach 5.000 Durchläufen mit jeweils zufälliger Reihenfolge siehst du die gesamte Ergebnisverteilung – den echten Erwartungswert und die echte Streuung.
Wie funktioniert Monte Carlo Simulation im Trading?
Der Prozess in drei Schritten:
Schritt 1: Daten sammeln – Du brauchst eine Reihe von historischen Trades aus einem Backtest. Jeder Trade hat einen P&L-Wert (Gewinn oder Verlust). Je mehr Trades, desto aussagekräftiger die Simulation. Mindestens 200-300 Trades sind empfehlenswert – bei einer täglichen 0DTE-Strategie hast du das schon nach einem Jahr Backtest-Daten.
Schritt 2: Bootstrapping – Die Simulation zieht zufällig Trades aus deinem Pool (mit Zurücklegen) und baut daraus eine neue Equity-Kurve. Dieser Vorgang wird 1.000-5.000 Mal wiederholt. Jeder Durchlauf ergibt eine andere Equity-Kurve mit anderem Drawdown, anderer Rendite, anderem Verlauf.
Schritt 3: Auswertung – Aus den tausenden Durchläufen berechnest du Perzentile: Was ist der Maximum Drawdown im schlechtesten 5% der Fälle? Wie hoch ist die CAGR im Median? Wie groß ist die Wahrscheinlichkeit eines Totalverlusts (Risk-of-Ruin)?
Bei einer typischen Analyse mit 5.000 Runs über 60 Monate generierst du 300.000 simulierte Monate – genug statistische Masse, um auch seltene Tail-Events zuverlässig abzubilden.
Welche Kennzahlen liefert die Monte Carlo Analyse?
Monte Carlo liefert dir nicht eine Zahl, sondern Verteilungen. Die wichtigsten Kennzahlen, auf die du achten musst:
Maximum Drawdown (MaxDD)
Maximum Drawdown (MaxDD) ist der größte Rückgang vom Höchststand deines Portfolios zum tiefsten Punkt – bevor ein neues Hoch erreicht wird. Bei Monte Carlo siehst du nicht einen MaxDD, sondern die gesamte Verteilung: Median-MaxDD, 95. Perzentil-MaxDD (der "realistische Worst Case") und absoluter Worst Case.
Der historische MaxDD aus deinem Backtest ist fast immer zu optimistisch. Monte Carlo zeigt dir den MaxDD, den du wahrscheinlich erleben wirst – und der liegt typischerweise 30-50% über dem historischen Wert. Cashflow Engine definiert klare Grenzwerte: Der erwartete MaxDD sollte unter 8% liegen, der Worst-Case-MaxDD unter 10% in Phase 1-2 und unter 25% im Crash-Test (Phase 3).
Maratio (MAR Ratio)
Maratio = CAGR (annualisierte Rendite) geteilt durch Maximum Drawdown. Es ist die zentrale Kennzahl bei Cashflow Engine – der Nordstern. Ein Maratio von 2.0 bedeutet: Für jeden Prozentpunkt Drawdown bekommst du 2 Prozentpunkte Rendite. Ziel: Maratio > 2.0 für Einzelstrategien, > 2.5 für optimierte Portfolios.
Warum Maratio statt Sharpe Ratio? Weil Maratio den Maximum Drawdown direkt misst – das, was dich nachts wach hält und was dein Account überlebt. Sharpe bestraft auch positive Volatilität, was bei asymmetrischen Options-Renditen wenig Sinn macht. Trotzdem tracken wir beides: Ziel-Sharpe > 2.0, Ziel-Sortino > 3.0 und Ziel-Calmar > 2.0.
Risk-of-Ruin
Risk-of-Ruin (RoR) ist die Wahrscheinlichkeit, dass dein Portfolio einen definierten Verlustschwellenwert überschreitet. Monte Carlo berechnet RoR aus den tausenden Simulationen. Ein System mit 3% Risk-of-Ruin bei 30% Drawdown-Schwelle heißt: In 97 von 100 Szenarien überlebst du diesen Verlust, ohne dass es kritisch wird.
Die Grenzwerte bei Cashflow Engine sind klar definiert: In Phase 1 (Base Case) muss die Profitability bei 100% liegen – jede einzelne der 1.000-5.000 Simulationen muss profitabel enden. In Phase 2 (Stresstest) sind 90% erlaubt. Und selbst im brutalsten Szenario (Phase 3: Black Swan) müssen noch 70% der Simulationen profitabel sein.
Weitere Kennzahlen
Sharpe Ratio (Ziel: > 2.0) – Risikoadjustierte Rendite, berechnet als Verteilung über alle Monte Carlo Runs.
Sortino Ratio (Ziel: > 3.0) – Wie Sharpe, aber nur Downside-Volatilität. Besser geeignet für Optionsstrategien mit asymmetrischen Renditen.
Expected Drawdown (Ziel: < 8%) – Der durchschnittliche Drawdown über alle Simulationen. Realistischer als MaxDD für die tägliche Erwartungshaltung.
Backtest vs. Monte Carlo – was ist der Unterschied?
| Kriterium | Backtest | Monte Carlo | |---|---|---| | Zeigt | Was historisch passiert ist | Was hätte passieren können | | Ergebnis | Eine Equity-Kurve | 1.000-5.000 Equity-Kurven | | MaxDD | Ein Wert (historisch) | Verteilung mit Perzentilen | | Sequence Risk | Nicht erfasst | Vollständig simuliert | | Overfitting-Risiko | Hoch (Curve Fitting) | Niedrig (Randomisierung) | | Aussage | "Das ist passiert" | "Das könnte passieren" | | Im POP Framework | Phase 2: Optimize | Phase 3: Punish |
Backtesting ist der erste Schritt – du testest, ob eine Strategie historisch profitabel war. Monte Carlo ist der zweite Schritt – du testest, ob die Strategie robust ist. Viele Strategien bestehen den Backtest, aber fallen beim Monte Carlo durch, weil sie von einer günstigen Trade-Reihenfolge abhängen.
Das ist wie ein Stresstest bei einer Bank: Wer den nicht besteht, bekommt keine Lizenz. Bei Cashflow Engine ist das genauso – keine Strategie geht live, die nicht alle drei Monte Carlo Phasen übersteht.
Wie führst du einen Monte Carlo Stresstest durch?
Beim Cashflow Engine Ansatz gibt es drei Phasen – die Strategie muss alle drei sequentiell bestehen:
Phase 1: Base Case (5 Jahre, kein Stress)
1.000-5.000 Simulationen über 60 Monate ohne künstliche Verlust-Injection. Die Baseline-Frage: Funktioniert die Strategie unter normalen Bedingungen zuverlässig? Pass-Kriterien: 100% Profitability (jede Simulation muss profitabel enden), Maratio > 2.0, erwarteter MaxDD < 8%, Worst-Case MaxDD < 10%.
Phase 2: Regular Stress (5 Jahre, schlechteste Trades injiziert)
Gleiche Simulation, aber mit den 3 schlechtesten historischen Trades pro Jahr zufällig eingefügt. Die Realitäts-Frage: Überlebt die Strategie, wenn die schlimmsten Tage häufiger auftreten als historisch? Pass-Kriterien: > 90% Profitability, Maratio > 2.0, erwarteter MaxDD < 8%, Worst-Case MaxDD < 10%.
Phase 3: Crash Test (2 Jahre, Black Swan)
Verkürzte Simulation über 24 Monate mit einem simulierten Black Swan Event pro Jahr. Die Überlebens-Frage: Bleibt der Account nach einem Worst-Case-Szenario handlungsfähig? Pass-Kriterien: > 70% Profitability, Maratio > 1.5, erwarteter MaxDD < 15%, Worst-Case MaxDD < 25%.
Go/No-Go Entscheidung: Jede Strategie bekommt nach den drei Phasen ein klares Urteil. Phase 1 bestanden – weiter zu Phase 2. Phase 2 bestanden – weiter zu Phase 3. Alle drei bestanden – Portfolio Approved. Irgendeine Phase gescheitert – Strategie überarbeiten oder verwerfen. Kein "vielleicht", kein "probieren wir mal". Mehr zum Dreifach-Stresstest im Kurs, Modul 4: The Punisher.
Welche Tools gibt es für Monte Carlo Simulation im Trading?
Option Omega – Die Backtesting-Plattform hat grundlegende Monte Carlo Funktionalität eingebaut. Du kannst Backtests direkt in Monte Carlo Simulationen überführen. Ab $150/Monat (Cloud-Version).
Cashflow Engine App – Die CE App importiert Backtests aus Option Omega und führt erweiterte Monte Carlo Analysen durch: 1.000-5.000 Runs, alle drei Phasen (Base Case, Stress, Crash), Portfolio-Level-Simulation (mehrere Strategien gleichzeitig mit Korrelationsanalyse). Die App zeigt Ergebnisse als interaktive Verteilungs-Charts mit klaren Go/No-Go-Signalen statt als einzelne Zahlen.
Excel/Python – Du kannst Monte Carlo auch selbst bauen. Ein einfacher Bootstrap in Python braucht ca. 30 Zeilen Code. Aber für Portfolio-Level-Analysen mit mehreren korrelierten Strategien wird es schnell komplex – insbesondere die Black Swan Injection und die drei Phasen manuell zu implementieren ist aufwändig.
Monte Carlo für ein ganzes Portfolio – warum es anders funktioniert
Eine einzelne Strategie mit Monte Carlo zu testen ist der Anfang. Der eigentliche Wert entsteht auf Portfolio-Ebene – wenn du 3-5 Strategien kombinierst und die Korrelation zwischen ihnen berücksichtigst.
Korrelation misst, wie stark sich zwei Strategien gleichzeitig bewegen. Eine Korrelation von +1 bedeutet: Beide gewinnen und verlieren gleichzeitig (keine Diversifikation). Eine Korrelation von 0 bedeutet: Kein Zusammenhang. Bei Cashflow Engine ist das Ziel eine Korrelation < 0.15 zwischen den Haupt-Strategien und < 0.1 zwischen Portfolio und S&P 500 – das bedeutet, wenn der S&P um 10% fällt, verliert dein Portfolio nur ca. 1%.
Wenn du Monte Carlo auf Portfolio-Ebene durchführst, simulierst du nicht nur die Trades einzelner Strategien, sondern deren Zusammenspiel. Zwei Strategien mit niedriger Korrelation haben zusammen einen deutlich niedrigeren MaxDD als jede Strategie einzeln – das ist Ray Dalios "Holy Grail" der Diversifikation, angewandt auf 0DTE-Portfolios.
Der optimale Sweet Spot liegt bei 10-20 Strategien im Portfolio, aufgeteilt auf 60% Workhorse (tägliches Theta-Einkommen), 20% Opportunist (Richtungs-Alpha) und 20% Airbag (Crash-Schutz). Portfolio-Ziel: Maratio > 2.5, erwarteter MaxDD < 8%, Margin-Nutzung 50-75%.
Die Cashflow Engine App macht genau das: Portfolio-Level Monte Carlo mit Korrelationsanalyse und Smart Ratio Optimization. Du siehst nicht nur "Strategie A ist robust", sondern "die Kombination von Strategie A + B + C ergibt dieses Risiko/Rendite-Profil bei dieser Margin-Auslastung".
Häufige Fehler bei Monte Carlo im Trading
Fehler 1: Zu wenige Simulationen – 100 oder 500 Runs reichen nicht. Unter 1.000 Runs sind die Ergebnisse instabil, besonders die Tail-Perzentile (95. und 99.). Empfehlung: mindestens 1.000 Runs, idealerweise 5.000 für aussagekräftige Perzentile.
Fehler 2: Overfitting ignorieren – Wenn dein Backtest bereits overfitted ist (Curve Fitting an historische Daten), hilft auch Monte Carlo nicht. Garbage in, garbage out. Die Qualität der Input-Daten bestimmt die Qualität der Simulation. Deshalb: Mindestens 2-3 Jahre Backtest-Daten über verschiedene Marktregimes.
Fehler 3: Korrelation ignorieren – Trades sind nicht unabhängig. An Crash-Tagen verlieren alle Strategien gleichzeitig. Ein Monte Carlo ohne Korrelationsmodell ist zu optimistisch. Portfolio-Level-Simulation mit Korrelationsmatrix ist Pflicht.
Fehler 4: Nur den Median anschauen – Der Median-Monte-Carlo ist der Durchschnitt. Was dich killt, ist der Tail – das 95. oder 99. Perzentil. Plane immer für das 95. Perzentil, nicht für den Durchschnitt. Der Worst-Case MaxDD bei Cashflow Engine darf in Phase 1-2 maximal 10% betragen.
Fehler 5: Einmal rechnen, nie wieder – Märkte ändern sich. Ein Monte Carlo von vor 12 Monaten ist veraltet. Regelmäßiges Re-Testing (mindestens quartalsweise) ist Pflicht. Rebalance-Trigger: Wenn die realisierte Maratio mehr als 15% unter der erwarteten liegt, wenn die Korrelation über 0.30 steigt, oder wenn die Margin-Nutzung 80% übersteigt.
FAQ – Häufig gestellte Fragen zu Monte Carlo Simulation
Wie viele Simulationen brauche ich? Mindestens 1.000 für stabile Basisergebnisse, idealerweise 5.000 für verlässliche Tail-Perzentile (95./99.). Die Cashflow Engine App unterstützt 1.000-5.000 Runs pro Phase.
Kann Monte Carlo die Zukunft vorhersagen? Nein. Monte Carlo sagt dir nicht, was passieren wird – sondern was passieren könnte, basierend auf deinen historischen Daten. Es berechnet Wahrscheinlichkeiten, keine Gewissheiten. Genau das macht es wertvoll: Es zerstört die Illusion der Gewissheit, die ein einzelner Backtest erzeugt.
Was ist besser: Monte Carlo oder Forward Testing? Beides – in der richtigen Reihenfolge. Erst Monte Carlo (Stresstest mit historischen Daten), dann Forward Testing (Paper-Trading oder kleines Live-Konto für 2-4 Wochen). Monte Carlo filtert die schwachen Strategien raus, bevor du echtes Geld riskierst. Forward Testing validiert, dass die Automation korrekt funktioniert.
Wie interpretiere ich die Ergebnisse? Fokussiere auf drei Werte: MaxDD im 95. Perzentil (realistischer Worst Case, Ziel: < 10%), CAGR im 25. Perzentil (konservative Renditeerwartung), und Profitability (Phase 1: 100%, Phase 2: > 90%, Phase 3: > 70%). Wenn alle drei akzeptabel sind: Go. Wenn nicht: Kill.
Brauche ich Programmierkenntnisse? Für eine Basis-Simulation in Python: ca. 30 Zeilen Code. Für Portfolio-Level-Analysen mit Korrelation und Black Swan Injection: deutlich komplexer. Die Cashflow Engine App macht das ohne Code – Backtest importieren, Phase auswählen, Ergebnisse analysieren.