Backtesting vs. Bootstrapping für FIRE in 2026

Historische Analyse – Backtesting

Historische Analyse ist ziemlich einfach. Wir verwenden historische Daten, um eine Strategie zu testen. Zum Beispiel nutze ich das bei finanzieller Unabhängigkeit oft, um verschiedene Entnahmeraten oder Entnahmestrategien zu vergleichen. Wir können das sogar verwenden, um Rebalancing zu vergleichen.

Dafür benötigen wir historische Daten. Für Financial Independence and Retire Early (FIRE)-Simulationen verwenden wir in der Regel die historischen Daten des US-Aktienmarktes. Diese Daten sind von 1871 bis heute verfügbar. Das bedeutet, wir haben eine ordentliche Menge an Daten zur Verfügung. Und da die Daten für jeden Monat verfügbar sind, können wir viele monatliche Simulationen durchführen.

Die reinste Form der historischen Analyse nennt sich Backtesting (auch historische Simulation genannt). Es bedeutet einfach, eine Strategie in der Vergangenheit so nachzuspielen, wie sie war. Wenn wir einen 50-jährigen Ruhestandstest durchführen, testen wir einen Zeitraum von Januar 1871 bis Januar 1921 und den Zeitraum von Februar 1871 bis Februar 1921 und so weiter.

Das ist die Strategie, die ich in diesem Blog schon lange verwende, und sie funktioniert gut, wenn Daten verfügbar sind.

Allerdings hat Backtesting zwei Nachteile:

• Es kann nicht von der Vergangenheit abweichen und andere Dinge testen, die hätten passieren können. Da die Zukunft ungewiss ist, bedeutet das, dass wir wenig Ahnung haben, wie unsere Strategie in einer Zukunft funktionieren würde, die sich von der Vergangenheit unterscheidet.
• Das zweite Problem ist, dass es nur Zeiträume testen kann, die verfügbar sind. Das kann ein Problem sein, wenn nur wenige Zeiträume verfügbar sind. Wenn du zum Beispiel 60 Jahre Daten hast, kannst du nur 120 monatliche Zeiträume von 50 Jahren Ruhestand testen. Und wenn du nur 50 Jahre hast, kannst du nur einen testen.

Eine andere Strategie, Bootstrapping, kann in diesen Fällen helfen.

Bootstrapping

Bootstrapping (oder Sampling) basiert ebenfalls auf historischen Daten. Aber während Backtesting eine Vergangenheit testet, erstellt Bootstrapping mehrere Vergangenheiten. Um das zu erreichen, erstellen wir viele Zeiträume mit Ziehung mit Zurücklegen. Das klingt kompliziert, ist es aber eigentlich gar nicht. In einem bestimmten Zeitraum folgen wir nicht der Reihenfolge der Jahre, sondern mischen sie. Wenn du zum Beispiel einen Datensatz von 1900 bis 1910 hast, könnte Bootstrapping für 5 Jahre solche Zeiträume erstellen:

• 1901, 1903, 1900, 1909, 1905
• 1905, 1908, 1902, 1902, 1910
• 1908, 1901, 1900, 1904, 1907
• 1909, 1909, 1901, 1907, 1904

Also ziehen wir für jedes Jahr des Zeitraums ein Jahr aus dem Set, wobei ein Jahr mehrfach vorkommen kann.

Der Hauptvorteil ist, dass wir viel mehr Testzeiträume erstellen können als mit Backtesting. Wenn wir 50 Jahre Daten haben, können wir problemlos Millionen verschiedener Testzeiträume erstellen. Und es kann Vergangenheiten erforschen, die nie zuvor passiert sind.

Natürlich ist der Hauptnachteil, dass es Vergangenheiten erstellt, die extrem unwahrscheinlich sind. Es könnte zum Beispiel zwei Große Depressionen hintereinander erstellen (oder sogar mehr als zwei). Es könnte auch mehrere Dotcom-Blasen ohne den Crash hintereinander erstellen.

Es gibt auch einige fortgeschrittene Bootstrapping-Techniken, wie Block-Bootstrapping. Aber darauf werden wir in diesem Artikel nicht eingehen.

Jetzt, wo wir diese beiden Methoden erklärt haben, können wir einige Simulationen durchführen, um sie zu vergleichen.

Simulationen

Ich habe viele Simulationen in diesem Blog durchgeführt. Im Laufe der Zeit habe ich ein vollständiges Tool für historische Simulationen für FIRE entwickelt. Zum Beispiel habe ich dieses Tool verwendet, um die Ergebnisse der Trinity-Studie zu aktualisieren und zu verbessern. Alles ist online verfügbar.

In allen meinen Simulationen verwende ich monatliche Renditen. Ich werde Daten für den US-Aktienmarkt von 1871 bis 2025 verwenden. Ich werde auch US-Inflationsdaten für denselben Zeitraum verwenden. In allen Fällen werde ich alle potenziellen Startmonate testen.

Wenn du das auf ein anderes Land wie die Schweiz anwenden möchtest, müsstest du zusätzlich zu den Aktienmarktrenditen den USD/CHF-Wechselkurs verwenden. Und du bräuchtest auch die Schweizer Inflation. Ich habe vor, das in einem zukünftigen Artikel zu tun, da historische USD/CHF-Daten Probleme beim Backtesting aufweisen.

In diesen Simulationen werde ich kein jährliches Rebalancing durchführen und Gebühren von 0,10 % annehmen.

Für Bootstrapping werde ich 10.000 Simulationen für jeden Test durchführen. Obwohl ich monatliche Renditen verwende, erfolgt das Bootstrapping pro Jahr. Das vermeidet die Verwendung völlig zufälliger Daten und bewahrt etwas Logik in den Renditesequenzen.

Es ist wichtig zu beachten, dass Bootstrapping zufällig ist. Das bedeutet, wenn ich meine Simulationen mehrmals durchführe, erhalte ich mehrere Ergebnisse. Durch die Verwendung von 10.000 Simulationen sind die Ergebnisse jedoch relativ stabil. 10.000 Simulationen durchzuführen ist generell Standard für statistische Stabilität.

Erfolgsrate

Um diese beiden Methoden zu vergleichen und einige Schlussfolgerungen zu ziehen, beginnen wir mit der Erfolgsrate verschiedener Entnahmeraten und Portfolios.

Schon in diesem ersten Szenario gibt es mehr Unterschiede, als ich erwartet hatte. Das Erste, was mich überrascht hat, ist, dass Bootstrapping immer niedrigere Erfolgsraten liefert. Zum Beispiel bei der berühmten 4-%-Entnahmerate:

• Backtesting liefert etwa 97 % bei 100 % Aktien und 99 % bei 80 % Aktien
• Bootstrapping liefert etwa 90 % bei 100 % Aktien und 91,5 % bei 80 % Aktien

Dies ist ein sehr bedeutender Unterschied. Für viele Menschen könnte eine 7 % geringere Erfolgswahrscheinlichkeit eine Strategieänderung bedeuten. Also, welche Simulationsmethode ist falsch? Keine. Beide Simulationsmethoden dienen unterschiedlichen Zwecken. Der Hauptunterschied ist, dass Bootstrapping Marktzyklen ignoriert (Korrelation zwischen Jahren).

Es könnte Sequenzen erstellen, in denen wir mehrere Crashs hintereinander oder viele hervorragende Jahre hintereinander haben. In der Praxis passiert das normalerweise nicht, weil wir schon lange Marktzyklen haben. Solche Renditesequenzrisiken bestrafen unsere Erfolgsraten stark.

Aber Bootstrapping hat auch einen Vorteil. Wir wissen, woraus die Vergangenheit besteht, aber wir wissen nichts über die Zukunft. Wir erwarten, dass es Marktzyklen geben wird, und wir erwarten, dass sie der Vergangenheit einigermaßen ähneln, aber sie wird nicht exakt mit der Vergangenheit übereinstimmen. Bootstrapping bietet eine alternative Möglichkeit, eine Strategie zu testen.

Manchmal ist Backtesting zu optimistisch und Bootstrapping zu pessimistisch, daher ist es gut, beide zu verwenden, um eine Vorstellung vom Mittelweg zu bekommen.

Wir können weitermachen und zu 40 Jahren Ruhestand wechseln.

Unsere Hauptbeobachtung ist, dass Bootstrapping schlechtere Erfolgsraten liefert als Backtesting. Allerdings können wir jetzt beobachten, dass sich der Trend bei höheren Entnahmeraten umkehren kann. Das Ausmaß des Unterschieds zwischen Backtesting und Bootstrapping wird kleiner, je höher die Entnahmerate ist.

Wir können prüfen, ob das bei 50 Jahren Ruhestand so bleibt.

Der gleiche Trend setzt sich fort. Wir können bereits sehen, dass die Bootstrapping-Ergebnisse bei etwa 4,2 % Entnahmerate besser werden.

Insgesamt finde ich die Ergebnisse faszinierend. Ich hatte nicht so einen großen Unterschied zwischen Backtesting und Bootstrapping erwartet. Diese Ergebnisse zeigen die Grenzen beider Methoden.

Endwerte

Wir sollten uns auch die Auswirkungen auf die Endwerte ansehen.

Dafür können wir uns die durchschnittlichen Endwerte nach 40 Jahren mit 100 % Aktien ansehen.

Der Unterschied zwischen den beiden Methoden ist ziemlich erheblich. Wir können sehen, dass Bootstrapping immer einen höheren durchschnittlichen Endwert hat. Das mag kontraintuitiv klingen, wenn man bedenkt, dass die durchschnittliche Erfolgsrate bei Bootstrapping niedriger ist. Aber da wir Jahre zufällig ziehen, können wir Sequenzen mit außergewöhnlichen Renditen erhalten, die den Durchschnitt verzerren. Generell sind durchschnittliche Endwerte bei solchen Simulationen zu hohen Werten verzerrt.

Eine andere Sache, die wir bemerken, ist, dass die Progression bei Backtesting linear ist, bei Bootstrapping aber nicht. Wie kann eine höhere Entnahmerate eine höhere Performance liefern? Der Grund ist einfach: Bootstrapping basiert auf zufälliger Stichprobenziehung. Das bedeutet, dass jede Simulation unterschiedlich sein kann, und wenn wir uns einen durchschnittlichen Endwert ansehen, kann es zwischen den Durchläufen erhebliche Schwankungen geben.

Der Vollständigkeit halber können wir die gleiche Simulation für 50 Jahre durchführen:

Die Beobachtungen sind für 50 Jahre die gleichen wie für 40 Jahre. Alle Endwerte sind höher, wie erwartet, weil wir einen Durchschnitt verwenden.

Schlechteste Dauer

Die letzte Kennzahl, die ich mir gerne ansehe, ist die schlechteste Dauer einer Simulation. Das bedeutet, wie früh sie im schlimmsten Fall gescheitert sein könnte. Produziert Bootstrapping andere Ergebnisse als Backtesting?

Wir können die Ergebnisse direkt für 50 Jahre Simulationen prüfen.

Wieder sind die Backtesting-Kurven linear, während die Bootstrapping-Kurven sehr instabil sind. Das liegt an der zufälligen Natur des Bootstrapping. Und wir können aus dieser Grafik schnell erkennen, dass es bei Bootstrapping nicht wirklich Sinn macht, die schlechteste Dauer zu finden. Da wir einen einzelnen Wert aus 10.000 Simulationen erhalten, landen wir einfach bei der schlechtesten zufälligen Auswahl von Jahren aus der Vergangenheit.

Insgesamt sollten wir die Kennzahl der schlechtesten Dauer wahrscheinlich vergessen, wenn wir uns die Bootstrapping-Simulation ansehen.

Kurze Zeiträume

Ein großer Vorteil von Bootstrapping ist die Möglichkeit, kurze historische Zeiträume zu handhaben. Ich habe das bereits mit FIRE-Simulationen mit moderner Geschichte versucht. Aber das ist mit Backtesting nicht großartig, da wir durch den Datensatz begrenzt sind.

Da wir etwa 150 Jahre Daten haben, dachte ich, es wäre interessant, sie für 50-jährige Ruhestandszeiträume zu vergleichen. Also teilen wir unseren Datensatz in drei Teile:

• 1875 bis 1925
• 1925 bis 1975
• 1975 bis 2025

Und wir führen Bootstrapping für jeden dieser drei Zeiträume für 50 Jahre Ruhestand durch. Das Ziel ist zu sehen, wie verschiedene Zeiträume für FIRE funktioniert hätten.

Also, hier sind die Ergebnisse.

Und die Ergebnisse sind definitiv interessant! Jeder Zeitraum unterscheidet sich stark von den anderen. Ich hatte tatsächlich nicht so einen großen Unterschied erwartet. Wir können einige Beobachtungen machen:

• Der schlechteste Zeitraum für den Ruhestand war der Zeitraum von 1925 bis 1975. Das macht Sinn, da er die Große Depression enthielt, die schlimmste Finanzkrise der Neuzeit. Selbst eine 3-%-Entnahmerate hätte nicht wirklich gut funktioniert.
• Der beste Zeitraum, um in Rente zu gehen, sind die letzten 50 Jahre, von 1975 bis 2025.
• Der früheste Zeitraum, von 1875 bis 1925, liegt irgendwo in der Mitte.

Die gute Nachricht ist, dass die letzten 50 Jahre die besten Zeiten waren, um frühzeitig in Rente zu gehen. Wenn dieser Trend anhält, haben wir eine gute Chance auf den Ruhestand. Es gab jedoch in der Vergangenheit Perioden, in denen es viel schwieriger war, in Rente zu gehen, das sollten wir nicht vergessen.

Deine eigenen Simulationen durchführen

Wenn diese Simulationen dich dazu gebracht haben, deine eigenen Bootstrapping-Simulationen durchzuführen, habe ich einen Rechner für dich. Unser fortschrittlicher FIRE-Rechner hat jetzt eine neue Funktion, um vom Backtesting zum Bootstrapping zu wechseln (ändere im Formular die Simulationsmethode).

Vorerst habe ich diese Simulationen auf 2.500 Läufe begrenzt, um Probleme auf den Servern zu vermeiden. Ich werde dies überwachen und sehen, ob ich es erhöhen kann. Möglicherweise siehst du nicht viel Zufälligkeit zwischen den Läufen, da Anfragen zur Leistungsoptimierung zwischengespeichert werden.

Du kannst ihn auch direkt unten verwenden, indem du die Simulationsmethode änderst und die Ergebnisse vergleichst.

Fazit

Insgesamt bietet Bootstrapping eine interessante alternative Simulationsmethode zum Backtesting. Beide Simulationsmethoden haben Vor- und Nachteile, und beide können ein interessantes Werkzeug sein, um unsere FIRE-Strategien zu testen.

Dennoch müssen wir vorsichtig sein, wenn wir die Ergebnisse des Bootstrappings betrachten. Eine wichtige Sache in der Börsengeschichte ist, dass es immer Zyklen gegeben hat. Das bedeutet, dass es eine serielle Korrelation zwischen den Jahren gibt, die beim Bootstrapping völlig vergessen wird. Dies ist einer der Gründe, warum die Ergebnisse beim Bootstrapping im Allgemeinen schlechter sind als beim Backtesting.

Für mich ist der Hauptvorteil des Bootstrappings, mit kurzen Datenperioden arbeiten zu können. Zum Beispiel die Simulation des Ruhestands für 50 Jahre mit den Daten der letzten 50 Jahre. Das ist mit Backtesting einfach nicht möglich.

Es gibt eine weitere interessante Simulationsmethode, die viele Leute für die FIRE-Planung verwenden: Monte-Carlo-Simulationen. Anstatt sich auf die Vergangenheit zu konzentrieren, versucht diese Methode, die Zukunft zu simulieren. Ich möchte sie im nächsten Teil dieser Serie behandeln. Dann möchte ich meine Schweizer FIRE-Analyse mit diesen Methoden konsolidieren.

Bisher plane ich keine Änderung meiner Strategie. Aber diese schlechteren Ergebnisse mit Bootstrapping bestärken mich darin, meine unterdurchschnittliche Entnahmerate von 3,8 % zu verwenden.

Wenn du an anderen fortgeschrittenen Simulationen interessiert bist, möchtest du vielleicht etwas über Equity Glidepaths für FIRE lesen.

Wie sieht es bei Ihnen aus? Welche Simulationsmethode bevorzugst du?