De valkuil van te veel indicatoren toevoegen aan je model
Je kent het wel: je bouwt een gave trading bot in Python, je sluit je aan bij een broker via API, en dan wil je meteen alles uit de kast halen.
Dus voeg je RSI toe, MACD, Bollinger Bands, een stukje volume-analyse, misschien nog wat Fibonacci levels en een custom indicator die je op een forum vond. Klaar voor de start, toch? Helaas. Te veel indicatoren is een valkuil waar veel beginnende quads intrappen. Je model wordt complex, ondoorzichtig en presteert slechter dan je had gehoopt. Laten we eens kijken naar een paar veelgemaakte fouten en hoe je ze voorkomt.
Fout 1: De indicator-salade
Stel je voor: je hebt een bot die loopt op de API van Interactive Brokers. Je hebt een strategie gebaseerd op 12 verschillende indicatoren.
Je backtest ziet er prachtig uit in Python met backtrader of vectorbt, want de lijnen kruisen elkaar constant en de equity curve gaat omhoog.
Maar in de live trading bots gaat het mis. De bot aarzelt, want elke indicator geeft een ander signaal. De RSI zegt 'koop', maar de MACD zegt 'verkoop' en de Bollinger Bands knijpen samen zonder duidelijke richting.
Waarom misgaat dit? Omdat je model overfit raakt.
Je past te veel variabelen toe op historische data. Het resultaat is een bot die in de backtest €5000 winst lijkt te maken, maar in de praktijk €200 verliest omdat de markt net iets anders reageert. De gevolgen zijn een overgevoelig model dat te veel trades aangaat en te weinig consistentie heeft. Oplossing: kies maximaal drie kernindicatoren die elkaar aanvullen.
Bijvoorbeeld: een trendindicator (SMA), een momentumindicator (RSI) en een volatiliteitsindicator (ATR). Test elke indicator apart op een broker demo-account voordat je ze combineert.
Zo bouw je robuustheid in plaats van complexiteit.
Fout 2: De verleiding van custom indicators
Je vindt op een forum een 'super-indicator' die claimt de markt te voorspellen. Je bouwt hem na in Python, voegt hem toe aan je bot en je backtest resultaten schieten door het dak. Lekker bezig! Maar wat blijkt?
De indicator is eigenlijk een verkapte moving average met een rare smoothing.
In een choppy markt op de DAX future loopt je bot constant achter de feiten aan. Het misgaat komt doordat custom indicators vaak gebaseerd zijn op hindsight bias. Ze zien er goed uit omdat ze specifiek op die historische data zijn getuned.
De gevolgen: je bot handelt te laat, je risicomanagement faalt en je verliest geld op simpele marktbewegingen. Oplossing: test custom indicators op out-of-sample data en op meerdere markten. Gebruik een broker die API-toegang biedt tot verschillende assets, zoals crypto via Binance of aandelen via DEGIRO. Als de indicator het op drie verschillende markten doet, pas hem dan toe. Zo vermijd je toeval en bouw je duurzame strategieën.
Fout 3: Te veel data snoepen
Je zit achter je scherm en je voegt elke dataset toe die je kunt vinden: tickdata, orderboekdata, sentiment data van Twitter, economische kalenders.
Je bot wordt een data-monster. In Python draai je alles met Pandas, maar je backtest duurt nu uren in plaats van minuten.
De bot raakt overweldigd en je weet niet meer welke data echt waarde toevoegt. Waarom misgaat dit? Omdat elke extra dataset ruis introduceert en je model overfit maakt. De gevolgen: je bot reageert op toevallige pieken in bijvoorbeeld sentiment data, terwijl de basis trend het echte werk doet.
Je risico op verlies neemt toe omdat je model te complex wordt.
Oplossing: begin met een simpele dataset: price data (OHLCV) en misschien één extra bron zoals volume of open interest. Gebruik een broker die betrouwbare data levert, zoals Alpaca voor aandelen of Kraken voor crypto. Voeg alleen extra data toe als je een duidelijke hypothese hebt, zoals bij een VWAP strategie implementeren, en die kunt testen met een A/B test in je backtest.
Fout 4: De broker-API niet begrijpen
Je bot draait soepel op de API van je broker, maar je hebt geen rekening gehouden met latency, rate limits en order types.
Je voegt een indicator toe die snel moet reageren, maar je broker limiteert het aantal requests per minuut. Je bot mist een entry en loopt achter op de markt. Of erger: je bot plaatst te veel orders en je betaalt €20 per dag aan transactiekosten.
Waarom misgaat dit? Omdat elke extra indicator je bot zwaarder maakt en meer vraagt van de API.
De gevolgen: je bot wordt traag, je risico op slippage neemt toe en je winst verdwijnt in kosten.
Oplossing: test je bot op een demo-account bij je broker en meet de latency. Gebruik een rate limiter in je Python-code en kies order types die passen bij je grid trading strategie (bijvoorbeeld limit orders in plaats van market orders). Houd rekening met transactiekosten: bij DEGIRO betaal je €2 per trade, bij Interactive Brokers varieert het, maar houd rekening met €0,01 per aandeel. Zorg dat je bot efficiënt draait voordat je extra indicatoren toevoegt.
Fout 5: Risicomanagement uit het oog verliezen
Je bent zo gefocust op het toevoegen van indicatoren dat je vergeet na te denken over stop-loss, position sizing en drawdown.
Je bot gaat short op de DAX future omdat de RSI overbought is, maar je hebt geen stop-loss ingesteld. De markt draait en je verlies loopt op tot €500 in één trade. Je voelt je gefrustreerd en vraagt je af wat er misging.
Waarom misgaat dit? Omdat technische indicatoren in 2026 geen risicomanagement vervangen.
De gevolgen: één slechte trade kan je hele week winst opslokken. Je bot wordt emotioneel onstabiel en je vertrouwen daalt.
Oplossing: bouw risicomanagement in je kern. Gebruik een ATR-based stop-loss en position sizing van maximaal 1-2% van je kapitaal per trade. Test dit in je backtest en op een live demo-account. Bijvoorbeeld: als je €10.000 hebt, riskeer je maximaal €100 per trade.
Gebruik Python libraries zoals backtrayer of pyportfolioopt om je risico te berekenen. Zo blijft je bot stabiel, ook als de markt turbulent is.
Fout 6: De backtest-valkuil
Je backtest laat mooie resultaten zien met 10 indicatoren. Je voelt je zelfverzekerd en zet de bot live.
Maar de live resultaten vallen tegen. Je beseft dat je backtest te optimistisch was: je hebt geen rekening gehouden met slippage, spreads of de impact van nieuws op je broker API.
Waarom misgaat dit? Omdat backtests vaak te schoon zijn. Extra indicatoren maken het model gevoelig voor kleine data-fouten. De gevolgen: je bot verliest geld op momenten dat de backtest winst liet zien.
Je risicomanagement faalt en je kapitaal daalt sneller dan verwacht. Oplossing: gebruik realistische backtests.
Voeg slippage en transactiekosten toe in je Python-simulatie. Test op meerdere tijdsframes en markten. Bijvoorbeeld: test je bot op de S&P 500 future, de EUR/USD en crypto via Binance.
Gebruik een broker die historische data levert voor backtesting, zoals Interactive Brokers of Alpaca. Zo krijg je een eerlijker beeld.
Checklist: voorkom de valkuil
- Kies maximaal 3 kernindicatoren die elkaar aanvullen.
- Test custom indicators op out-of-sample data en meerdere markten.
- Begin met simpele data (OHLCV) en voeg alleen extra bronnen toe met een duidelijke hypothese.
- Meet API-latency en rate limits; gebruik demo-accounts voor testen.
- Bouw risicomanagement in: stop-loss, position sizing en drawdown limieten.
- Gebruik realistische backtests met slippage, spreads en transactiekosten.
- Houd het simpel: elke extra indicator moet een duidelijke meerwaarde hebben.
Onthoud: een bot met drie goede indicatoren presteert vaak beter dan een bot met twaalf halfwerkende.
Hou het praktisch, test veel en blijf leren. Je bent niet alleen – elke trader maakt deze fouten. Het gaat erom dat je ze herkent en corrigeert. Succes met je trading bots!