Ein kritischer Engineering-Beitrag eines chinesischen Quant-Entwicklers deckt ein subtiles, aber verheerendes Datenleckproblem im A-Aktien-Backtesting auf. Das Problem entsteht durch die Verwendung vorwärtsbereinigter Kurse (前复权), die zukünftige Unternehmensereignisse wie Aktiensplits und Dividenden in historische Kursdaten einbeziehen. Dies erzeugt eine Point-in-Time-Verzerrung: Der Backtest sieht Informationen, die zum Zeitpunkt des Handels nicht verfügbar waren, und bläht Leistungskennzahlen wie annualisierte Renditen künstlich auf. Der Autor vergleicht systematisch unbereinigte, vorwärtsbereinigte und rückwärtsbereinigte Kursmethoden, leitet lineare Beziehungen ab und stellt Python-Code für die Validierung und Abbildung zwischen Backtest- und Live-Handelspreisen bereit. Für Quant-Entwickler und Finanzingenieure ist dies eine grundlegende Lektion in Datenintegrität. Der Beitrag ist kein Tutorial, sondern eine reale Engineering-Fallstudie, die für den Aufbau robuster Backtesting-Frameworks äußerst wertvoll ist. Die Vermeidung dieser Verzerrung kann Teams davor bewahren, fehlerhafte Strategien auf Basis nicht reproduzierbarer Backtest-Ergebnisse einzusetzen, was den kommerziellen Wert hoch macht.
Eine tiefgehende Analyse, wie vorwärtsbereinigte Kurse im A-Aktien-Backtesting zu Point-in-Time-Verzerrungen, Datenlecks und überhöhten Renditen führen.