Z-Score und Bollinger Reversion: Das Regime-Shift-Problem

Executive Summary

Z-Score- und Bollinger-Modelle gehören zu den bekanntesten Formen statistischer Mean Reversion. Sie messen, wie weit ein Preis von einem Mittelwert entfernt ist, und interpretieren extreme Abweichungen als potenzielle Rückkehrchance.

Die Idee ist intuitiv und visuell überzeugend. Genau deshalb wird sie häufig unterschätzt. Ein Preis, der statistisch extrem aussieht, muss nicht zurückkehren. Er kann auch anzeigen, dass der alte Mittelwert nicht mehr relevant ist.

Das zentrale Problem heißt Regime Shift. Wenn sich Marktstruktur, Trend, Volatilität oder fundamentale Bewertung ändern, können Z-Score- und Bandmodelle falsche Sicherheit erzeugen. Sie messen dann Abweichung von einer Vergangenheit, die für die Gegenwart nicht mehr gilt.

Wie Z-Score- und Bollinger-Reversion funktionieren

Ein Z-Score beschreibt eine Abweichung vom Mittelwert in Einheiten der Standardabweichung. Je höher der Betrag, desto extremer wirkt die Bewegung relativ zur jüngeren Historie. Bollinger Bands visualisieren ein ähnliches Prinzip über gleitende Durchschnitte und Volatilitätsbänder.

In ruhigen Märkten kann diese Logik hilfreich sein. Preise schwanken um einen Bereich, Übertreibungen laufen zurück, und statistische Extremwerte markieren mögliche Reversal-Zonen.

Das Problem entsteht, wenn diese ruhige Annahme nicht mehr gilt. Finanzmärkte sind nicht stationär. Der Mittelwert kann sich verschieben. Volatilität kann steigen. Trends können stärker werden. Dann wird ein Extremwert nicht automatisch zur Chance, sondern möglicherweise zum Warnsignal.

Warum Normalverteilungsannahmen gefährlich sind

Viele statistische Reversionsmodelle beruhen implizit auf Annahmen, die in Finanzmärkten nur begrenzt gelten. Renditen sind selten sauber normalverteilt. Extreme Ereignisse treten häufiger auf, als einfache Modelle erwarten. Korrelationen verändern sich. Liquidität verschwindet gerade dann, wenn sie gebraucht wird.

Wenn ein Modell davon ausgeht, dass ein Ereignis extrem selten ist, kann es Positionen aufbauen, obwohl der Markt gerade ein neues Regime betritt. Das ist besonders gefährlich, weil statistische Reversion oft gegen die aktuelle Bewegung handelt.

Ein scheinbar attraktives Signal kann deshalb ein fallendes Messer sein.

Fat Tails und Volatilitätscluster

Fat Tails beschreiben die erhöhte Wahrscheinlichkeit extremer Bewegungen. Volatilitätscluster bedeuten, dass hohe Schwankungen häufig in Gruppen auftreten. Beide Phänomene sind für Mean Reversion kritisch.

Ein Modell kann eine starke Bewegung als seltene Abweichung interpretieren. Wenn aber weitere extreme Tage folgen, wächst der Verlust. Gleichzeitig wird Ausführung schwieriger, Spreads weiten sich und Risikomanagement wird belastet.

Reversionsmodelle müssen deshalb nicht nur den Abstand zum Mittelwert prüfen, sondern auch das Umfeld. In steigender Volatilität kann ein Signal anders zu bewerten sein als in ruhigen Seitwärtsmärkten.

Walking the Band

Ein klassisches Problem bei Bollinger-Ansätzen ist das sogenannte Walking the Band. Der Preis bleibt über längere Zeit entlang eines Bandes, statt zur Mitte zurückzukehren. In starken Trends ist das nicht ungewöhnlich.

Wer jeden Bandkontakt als Reversal interpretiert, handelt gegen Momentum. Das kann über mehrere Signale hinweg zu Verlusten führen. Besonders problematisch wird es, wenn ein Modell Positionen nachkauft, weil die Abweichung immer extremer wirkt.

Das zeigt: Ein Band ist keine Grenze. Es ist eine Beschreibung der jüngeren Volatilität. Märkte sind nicht verpflichtet, diese Beschreibung zu respektieren.

Regimefilter als notwendige Schutzschicht

Regimefilter können helfen, statistische Reversion in den richtigen Kontext zu setzen. Sie sollen nicht jede Verlustphase vermeiden, aber sie können verhindern, dass ein Modell blind gegen starke Trends, Stressphasen oder strukturelle Brüche handelt.

Solche Filter können unterschiedliche Informationen nutzen: Trendzustand, Volatilitätsregime, Marktbreite, Liquidität, Macro-Stress oder Kreditbedingungen. Entscheidend ist, dass sie nicht nachträglich optimiert werden, sondern eine plausible Schutzfunktion haben.

Ein Reversionsmodell ohne Kontext kann in ruhigen Märkten gut aussehen und in Regimewechseln scheitern.

Robustheit statt perfekter Schwellenwerte

Ein häufiger Fehler besteht darin, Z-Score- oder Band-Schwellenwerte so lange zu verändern, bis der historische Backtest gut aussieht. Dadurch entsteht scheinbare Präzision. In Wirklichkeit wird oft nur die Vergangenheit angepasst.

Robuster ist die Frage, ob die Grundidee in benachbarten Annahmen stabil bleibt. Funktioniert die Logik nur bei einer engen Kombination aus Lookback, Bandbreite und Exit? Oder bleibt sie auch dann plausibel, wenn Parameter leicht verändert, Kosten erhöht und andere Marktphasen betrachtet werden?

Gerade statistische Reversion sollte nicht auf exakte Grenzen angewiesen sein. Wenn ein Modell nur funktioniert, weil eine historische Schwelle perfekt getroffen wurde, ist Vorsicht geboten. Ein professioneller Research-Prozess bevorzugt breite Stabilität gegenüber punktgenauer Optimierung.

Was Logimetriq daraus ableitet

Logimetriq betrachtet Z-Score- und Bollinger-Reversion als nützliche Forschungswerkzeuge, aber nicht als vollständige Strategien. Die zentrale Frage lautet: Ist die Abweichung temporär, oder hat sich der relevante Mittelwert verändert?

Öffentliches Research sollte diese Grenze klar machen. Statistische Extremwerte sind Hinweise, keine Garantien. Robustheit entsteht erst durch Kostenprüfung, Regime-Kontext und kritische Interpretation.

Disclaimer

Dieser Beitrag dient ausschließlich Informations- und Bildungszwecken. Er stellt keine Anlageberatung und keine Aufforderung zum Kauf oder Verkauf von Finanzinstrumenten dar. Backtests und historische Analysen sind hypothetisch und keine Garantie für zukünftige Ergebnisse.