Adaptive Intelligenz: Wie PMTS seine Machine-Learning-Modelle mit neuen Marktdaten nachtrainiert

Märkte sind nicht stationär. Die statistischen Zusammenhänge, die das Verhalten von Gold in einem Volatilitätsregime bestimmten, können im nächsten zerfallen oder sich umkehren, und ein einmal trainiertes und eingefrorenes Modell verschlechtert sich still und leise, sobald die erlernte Verteilung vom realen Marktgeschehen abdriftet. Für ein institutionelles Handelssystem lautet die Frage nicht, ob man Machine Learning einsetzt, sondern wie man die Modelle ehrlich hält, wenn sich die Bedingungen ändern. Bei PMTS ist das Nachtrainieren von Modellen keine gelegentliche Wartungsaufgabe, sondern ein gesteuerter, kontinuierlicher Prozess mit expliziten Validierungsstufen, die darüber entscheiden, ob ein neu trainiertes Modell überhaupt mit echtem Kapital handeln darf. Dieser Artikel zeigt, wie diese Pipeline funktioniert, und die Live-KPIs, die belegen, dass sie ihre Aufgabe erfüllt.

Mit Stand vom June 18, 2026 weist die auf unserem öffentlichen Dashboard verfolgte Referenzstrategie eine Trefferquote von 86.79% über 53 Trades, einen Profit-Faktor von 6.53 und ein Sharpe-Verhältnis von 10.42 auf, bei einem auf 0.41% begrenzten maximalen Drawdown und einer kumulierten Rendite von 10.81%. Diese Zahlen sind nicht das Ergebnis einer einzigen glücklichen Kalibrierung; sie sind das Resultat einer Retraining-Disziplin, die darauf ausgelegt ist, sich anzupassen, ohne zu überanpassen.

Warum statische Modelle in der Produktion scheitern

Ein Handelsmodell kodiert eine Hypothese über die gemeinsame Verteilung von Merkmalen — Volatilität, Orderflow-Ungleichgewicht, Laufzeitstruktur der Realrenditen, Sitzungs-Saisonalität — und die zukünftige Rendite eines Instruments wie XAUUSD. Diese Verteilung ist an ein Makro-Regime gebunden: die Reaktionsfunktion der Fed, den Verlauf der Realrenditen, die Positionierung rund um geplante Ereignisse wie das FOMC. Verschiebt sich das Regime, verschiebt sich die bedingte Verteilung mit. Daraus ergeben sich drei Fehlerarten.

• Covariate Shift — die Eingangsmerkmale bewegen sich in Bereiche, die das Modell im Training selten gesehen hat, sodass seine Vorhersagen zu Extrapolationen statt zu Interpolationen werden.
• Concept Drift — die Beziehung zwischen Merkmalen und zukünftigen Renditen ändert sich selbst, sodass selbst gut abgetastete Eingaben auf die falsche Ausgabe abgebildet werden.
• Signalzerfall — die ökonomische Bedeutung eines Signals erodiert, weil das Verhalten, das den früheren Vorteil erzeugte, verdrängt oder wegarbitriert wird.

Ein eingefrorenes Modell hat gegen keine dieser Gefahren eine Abwehr. Die Antwort besteht nicht darin, bei jedem neuen Tick blind nachzutrainieren — das jagt nur dem Rauschen hinterher — sondern in einem disziplinierten Takt unter einem Validierungsregime, das streng genug ist, um Modelle abzuweisen, die das Falsche gelernt haben.

Die Retraining-Pipeline von PMTS

1. Rollierende Datenfenster

Die Trainingsdaten werden über ein rollierendes Fenster zusammengestellt und nicht über ein stetig wachsendes Archiv. Ältere Beobachtungen werden heruntergewichtet oder verworfen, damit das Modell bevorzugt aus dem tatsächlich aktiven Regime lernt, während ein längeres Referenzfenster erhalten bleibt, um die Erinnerung an seltene, aber wiederkehrende Stressereignisse zu bewahren. Das Ergebnis ist ein Modell, das aktuell ist, ohne vergesslich zu sein. Alle Merkmale werden aus demselben Tick-Level-Feed von MetaTrader 5 rekonstruiert, der die Live-Ausführung antreibt, sodass keine Lücke zwischen den Trainingsdaten und den Produktionsdaten besteht.

2. Walk-Forward-Validierung

Jedes Kandidatenmodell wird mit Walk-Forward-Analyse bewertet: Es wird auf einem In-Sample-Fenster trainiert, dann auf dem unmittelbar folgenden Out-of-Sample-Zeitraum getestet, den es nie gesehen hat, und das Fenster wird wiederholt durch die Historie vorgerückt. Dies ist der wichtigste Schutz gegen das Curve-Fitting, das einen Backtest spektakulär aussehen lässt, während ein Live-Konto ausblutet. Ein Modell, das nur auf den Daten funktioniert, gegen die es optimiert wurde, wird in dieser Phase abgewiesen, egal wie attraktiv seine In-Sample-Kennzahlen erscheinen.

3. Drift-Erkennung und Auslösung

Das Nachtrainieren wird durch zwei komplementäre Taktgeber ausgelöst. Der erste ist ein geplanter Takt, der sicherstellt, dass kein Modell über einen festen Horizont hinaus veraltet. Der zweite ist ereignisgesteuert: Statistische Monitore überwachen die Live-Merkmalsverteilung und den realisierten Fehler des Modells, und sobald einer von beiden eine Schwelle überschreitet — eine Abweichung zwischen vorhergesagten und realisierten Ergebnissen oder eine sichtbar verschobene Merkmalsverteilung — wird ein außerplanmäßiges Nachtrainieren angefordert. So reagiert das System auf einen Regimewechsel, statt auf den Kalender zu warten.

4. Promotions-Schwellen

Ein neu trainiertes Modell ersetzt das bestehende nicht automatisch. Es muss quantitative Promotions-Schwellen überwinden, die an Out-of-Sample-Daten gemessen werden: einen minimalen Out-of-Sample-Sharpe, einen Profit-Faktor über einer definierten Untergrenze, eine Obergrenze für den maximalen Drawdown und Konsistenz der Performance über Teilzeiträume hinweg, statt sich auf eine Handvoll übergroßer Trades zu stützen. Kennzahlen wie Sortino und Calmar stehen neben Sharpe in dieser Stufe, damit Abwärtsvolatilität und drawdown-bereinigte Rendite explizit bewertet werden und nicht nur die roh volatilitätsbereinigte Rendite. Nur ein Modell, das das bestehende in diesen Kriterien schlägt, wird befördert; andernfalls handelt das vorhandene Modell weiter.

Vom Modell zur Live-Ausführung

Einmal befördert, wird ein Modell in dieselbe Ausführungsumgebung ausgerollt, die die Zahlen auf unserem Dashboard erzeugt. Signale werden generiert, risikobasiert dimensioniert und unter fester Positionsgrößen- und Stop-Disziplin an MT5 weitergeleitet, sodass der Vorteil, auf den das Modell validiert wurde, auch der Vorteil ist, der tatsächlich im Konto ausgedrückt wird. Die Transparenz dieser Kette ist entscheidend: Jeder Trade des Systems wird erfasst und sichtbar gemacht, wodurch der Retraining-Prozess an Live-Ergebnissen und nicht an Marketingaussagen gemessen werden kann. Sie können die Live-Performance im PMTS-Performance-Dashboard einsehen.

Was uns die Live-KPIs sagen

Der Sinn dieser gesamten Architektur ist nicht Eleganz um ihrer selbst willen, sondern realisierte, wiederholbare Performance. Der Profit-Faktor von 6.53 des Referenzkontos bedeutet, dass der Bruttogewinn den Bruttoverlust über die Stichprobe um mehr als sechs zu eins übertraf; das Sharpe-Verhältnis von 10.42 spiegelt Renditen wider, die mit eng kontrollierter Varianz erzielt wurden; und ein maximaler Drawdown von 0.41% zeigt, dass die Anpassung nicht auf Kosten der Risikodisziplin ging. Auf Portfolioebene verzeichneten die aggregiert verwalteten Strategien im Juni 2026 monatliche Renditen zwischen +7.96% und +30.03%, wobei eine Kernstrategie im Monat +10.90% erzielte — eine Spanne, die unterschiedliche Risikomandate und keine Inkonsistenz der zugrunde liegenden Engine widerspiegelt.

Es ist wichtig, klar zu sagen, was diese Zahlen bedeuten und was nicht. Eine hohe Trefferquote und ein niedriger Drawdown über eine definierte Stichprobe sind ein Beleg dafür, dass die Retraining-Disziplin derzeit gut auf das vorherrschende Regime kalibriert ist. Sie sind kein Versprechen über die Zukunft, und kein seriöser quantitativer Prozess behandelt sie als solches. Die Retraining-Pipeline existiert gerade deshalb, weil sich die Zukunft von der Vergangenheit unterscheiden wird, und die Aufgabe des Systems ist es, sich weiter anzupassen, während dies geschieht.

Das institutionelle Argument für kontinuierliches Nachtrainieren

Für einen Kapitalallokator lautet die relevante Due-Diligence-Frage nicht „Welche Rendite hat das Modell erzielt?", sondern „Welcher Prozess hat diese Rendite erzeugt, und wird er einen Regimewechsel überstehen?". Eine gesteuerte Retraining-Pipeline — rollierende Fenster, Walk-Forward-Validierung, drift-ausgelöste Aktualisierungen und quantitative Promotions-Schwellen — ist eine Antwort auf die zweite Frage. Sie macht aus Machine Learning aus einer einmaligen Optimierung eine fortlaufende Disziplin und ist der Grund, warum die obigen Live-KPIs stabil geblieben sind, statt zu zerfallen. Wenn Sie das System anhand Ihrer eigenen Kriterien bewerten möchten, können Sie ein PMTS-Konto eröffnen und die Strategie in Echtzeit verfolgen.

Vergangene Wertentwicklung ist keine Garantie für zukünftige Ergebnisse. Trading ist mit einem erheblichen Verlustrisiko verbunden und nicht für jeden Anleger geeignet. Die genannten KPIs beziehen sich auf einen bestimmten Referenzzeitraum und verwaltete Konten mit unterschiedlichen Risikomandaten; individuelle Ergebnisse werden variieren.