Glassnode-Studie deckt kritischen Fehler in Krypto-Backtesting-Methoden auf

Zach Anderson 13.03.2026 17:07

Neue Forschungsergebnisse zeigen, dass Backtests mit überarbeiteten On-Chain Daten irreführende Ergebnisse liefern. Point-in-Time-Metriken offenbaren eine deutlich schlechtere reale Performance.

Diese profitable Handelsstrategie, die Sie getestet haben? Sie hätte wahrscheinlich in Echtzeit nicht funktioniert. Glassnodes neueste Forschung zeigt, wie rückwirkend überarbeitete On-Chain Daten eine gefährliche Illusion von Profitabilität erzeugen, die sich auflöst, wenn sie gegen Informationen getestet werden, auf die Händler tatsächlich Zugriff hatten.

Das Analyseunternehmen führte identische Backtests für eine einfache BTC-Exchange-Balance-Strategie durch – eine mit standardmäßigen historischen Daten, eine andere mit unveränderlichen Point-in-Time (PiT) Metriken. Gleiche Signallogik, gleiche Parameter, gleiche 0,1 % Handelsgebühren. Die Ergebnisse wichen dramatisch voneinander ab.

Das versteckte Problem mit On-Chain Daten

Metriken wie Exchange-Guthaben sind nicht statisch. Sie werden überarbeitet, wenn sich das Address-Clustering verbessert und Entity-Labeling aktualisiert wird. Der Binance BTC-Guthabenwert, den Sie für den 15.01.2024 sehen, entspricht möglicherweise nicht dem, was an diesem Datum tatsächlich veröffentlicht wurde.

Wenn Sie gegen überarbeitete Daten testen, handeln Sie auf Basis von Informationen, die zum Zeitpunkt der Entscheidungsfindung nicht existierten. Dieser Look-Ahead-Bias ist besonders schwerwiegend bei Metriken, die von der Entity-Identifizierung abhängen – genau die Art von Daten, auf die sich viele Händler bei der Analyse von Exchange-Flows verlassen.

Glassnodes Teststrategie war unkompliziert: Long gehen, wenn der 5-Tage-Durchschnitt des BTC-Guthabens von Binance unter den 14-Tage-Durchschnitt fällt (anhaltende Abflüsse), aussteigen, wenn er wieder darüber kreuzt (Umkehrung der Abflüsse). Ausgehend von Januar 2024 bis März 2026 mit 1.000 $ Anfangskapital zeigte der Standard-Backtest eine Performance, die ungefähr der Buy-and-Hold-Strategie entsprach.

Die PiT-Version erzählte eine andere Geschichte. Während beide Strategien während eines Großteils von 2024 ähnlich verliefen, verpasste die unveränderliche Datenversion die starken Rallyes im November 2024 und März 2025, die der Backtest mit überarbeiteten Daten erfasste. Die kumulative Performance fiel laut Glassnode „erheblich niedriger" aus.

Warum das für Quant-Händler wichtig ist

Die Auswirkungen gehen über diese einzelne Strategie hinaus. Jeder Backtest, der sich auf überarbeitbare Daten stützt – Exchange-Guthaben, Entity-getaggte Flows, sogar Handelsvolumina von Börsen, die mit Verzögerungen berichten – ist demselben Kontaminationsrisiko ausgesetzt.

Dies steht im Einklang mit breiteren Bedenken im quantitativen Finanzwesen bezüglich der Datenqualität. Forschungen von alternativen Datenanbietern zeigen, dass die PiT-Methodik mehrere Bias-Typen verhindert: Look-Ahead-Bias durch die Verwendung zukünftiger Überarbeitungen, Survivorship-Bias durch Datensätze, die gescheiterte Entitäten ausschließen, und Hindsight-Bias durch angepasste Zahlen.

Speziell für Krypto, wo On-Chain-Analyseunternehmen kontinuierlich ihre Entity-Labeling- und Clustering-Algorithmen verfeinern, verstärkt sich das Überarbeitungsproblem. Ein Wallet, das heute als zu Binance gehörend identifiziert wird, könnte vor zwei Jahren nicht korrekt getaggt worden sein, als Ihr Backtest davon ausging, dass Sie auf dieses Signal gehandelt hätten.

Die praktische Lösung

Glassnode bietet jetzt PiT-Varianten für alle Metriken über ihr Professional-Tier an. Diese Append-Only-Datensätze fixieren jeden Datenpunkt so, wie er ursprünglich berechnet wurde – keine rückwirkenden Änderungen.

Der Kompromiss ist real: Ihre Backtests werden wahrscheinlich schlechter aussehen. Aber sie spiegeln wider, was tatsächlich passiert wäre. Für Händler, die echtes Kapital basierend auf quantitativen Signalen zuweisen, kann diese Genauigkeitslücke zwischen einem schmeichelhaften Backtest und einer enttäuschenden Live-Performance teuer werden.

Bevor Sie eine auf On-Chain-Metriken aufgebaute Strategie einsetzen, lautet die Frage nicht, ob der Backtest profitabel aussieht – sondern ob Sie gegen die Daten getestet haben, die Sie tatsächlich gesehen hätten.

• Backtesting
• On-Chain-Analysen
• Glassnode
• Handelsstrategien
• Datenqualität