Het te lang doorgaan met optimaliseren (The Law of Diminishing Returns)
Je kent het wel: je hebt een strategie gebouwd in Python, je backtest draait soepel op QuantConnect of MetaTrader, en je fine-tuned de parameters tot diep in de nacht.
Eén tweak meer, en die winst gaat door het dak. Of toch niet? Die verleiding is enorm. Maar er komt een moment dat elke extra aanpassing niet meer helpt, maar juist schaadt. Je verdient minder, niet meer. Dat is de wet van de afnemende meeropbrengst, en elke algoritmische trader krijgt er vroeg of laat mee te maken.
Waarom je stopt met optimaliseren
De wet van de afnemende meeropbrengst (The Law of Diminishing Returns) is simpel: je stopt met tijd of geld in een strategie te stoppen, maar de opbrengst per extra eenheid daalt. In trading betekent dit: na een bepaald punt maakt elke extra parameter-aanpassing je strategie niet beter, maar kwetsbaarder.
Stel je voor: je gebruikt een Python bot met een Simple Moving Average crossover.
Je test de 20/50-day combinatie. Resultaat: 12% winst met 15% drawdown. Dan probeer je 21/52. Iets beter. 22/53? Nog iets beter.
Maar na 50 iteraties zit je op 12,1% winst met 14,8% drawdown. Je hebt uren geprogrammeerd voor een fractie verschil.
Waarom is dit gevaarlijk? Omdat je in een valkuil stapt die ‘overfitting’ heet. Je past je model zo strak aan op historische data dat het in de toekomst faalt. De markt verandert, en jouw bot is te specifiek geworden voor een verleden dat nooit meer terugkomt.
Je betaalt een prijs voor elke extra parameter: complexiteit. En complexiteit is de vijand van robuustheid.
Een bot met 5 parameters die je begrijpt, is beter dan eentje met 50 die je toevallig hebt gevonden.
Hoe de optimalisatie-val werkt in de praktijk
Je begint met een basisstrategie. Laten we zeggen een momentum-strategie op de AEX-index, gebouwd in Python met de ccxt-library voor data.
Je backtest met historical data van de afgelopen 5 jaar. De resultaten zien er veelbelovend uit. Dan voeg je een filter toe: alleen trades tijdens hoge volume-uren. Betere resultaten. Dan voeg je een stop-loss toe: 2%. Nog beter.
Dan een trailing stop: 1,5%. Weer iets beter. Je bent nu 3 uur verder en hebt 15 parameters aangepast.
Elke aanpassing voelt logisch. Maar de curve verbeterd steeds minder.
De eerste 3 aanpassingen geven je 80% van de winst. De volgende 12 geven maar 2% extra. En die 2% komen met een kostenplaatje: je bot is nu extreem gevoelig voor specifieke marktcondities.
Backtesten op een broker als Interactive Brokers of LMAX Exchange geeft je toegang tot gedetailleerde data. Maar hoe meer je fijnstelt, hoe meer je ‘curve-fitted’ raakt.
Je bot presteert misschien perfect op de data van 2020-2024, maar faalt in 2025 omdat de markt een andere volatiliteit laat zien. Een concreet voorbeeld: een trader fine-tuned een RSI-strategie op de S&P 500. Na 100 runs vindt hij een instelling die 18% rendement geeft met 10% drawdown.
De markt is geen lab. Je kunt niet eindeloos experimenteren zonder de rekening te betalen.
Hij zet live in met €10.000. De eerste maand verliest hij 5%. Waarom?
Omdat zijn optimalisatie zich vastbijt in een patroon dat alleen bestond in de historische data, niet in de echte markt.
De kosten van te veel optimaliseren
Elke extra parameter die je toevoegt aan je bot, kost je op drie manieren: tijd, rekenkracht en focus.
Tijd: een backtest met 50 runs op 5 jaar data kan makkelijk 2 uur duren, afhankelijk van je hardware. Met een snellere machine (€2.000-€3.000) of cloud-computing (€50-€100 per maand op AWS) gaat het sneller, maar je betaalt nog steeds. Rekenkracht: complexe modellen met machine learning, zoals een Random Forest of LSTM-neuraal netwerk, vereisen flinke GPU’s. Een NVIDIA RTX 4090 kost rond de €1.800.
Cloud-GPU’s kosten €1-€3 per uur. Je optimalisatie-sessie kan snel oplopen naar €100-€200 per run.
Focus: tijd die je besteedt aan het fijnstellen van parameters, besteed je niet aan het onderzoeken van nieuwe strategieën.
Je verliest creativiteit en innovatiekracht. Je wordt een perfectionist in plaats van een pionier. Er is ook een psychologische prijs.
Elke mislukte optimalisatie voelt als een persoonlijke fout. Je begint te twijfelen aan je eigen code, je data, je broker. Die twijfel maakt je onzeker en kan leiden tot het uitstellen van live-trading, wat je uiteindelijk geld kost.
Modellen en prijzen voor efficiënte optimalisatie
Er zijn manieren om slimmer te optimaliseren zonder in de val te lopen. Gebruik geen eindeloze brute-force runs, maar intelligente methoden.
Een populair model is Bayesian Optimization. Dit is een wiskundige techniek die binnen parameter optimization voorspelt welke instellingen waarschijnlijk beter presteren, gebaseerd op eerdere runs.
Je bespaart tijd en rekenkracht. Libraries als Hyperopt of Optuna in Python doen dit voor je. Kosten: gratis, open-source. Je betaalt alleen met je tijd om het te leren (1-2 dagen).
Een andere aanpak is Walk-Forward Optimization. Je splitst je data op in meerdere periodes en bepaalt per periode hoe vaak je je parameters opnieuw optimaliseert.
Dit geeft een realistischer beeld. Je betaalt hiermee wel meer rekenkracht, maar het voorkomt overfitting. Een cloud-server met 8 cores en 16GB RAM (€50-€100 per maand) is hiervoor ideaal. Voor risicomanagement is het slim om je bot te testen op meerdere brokers.
- Python-ontwikkelomgeving: gratis (VS Code, Jupyter)
- Backtesting-library (Backtrader of Zipline): gratis
- Cloud-computing voor zware runs: €50-€150 per maand
- Broker-API toegang: €0-€10 per maand (afhankelijk van broker)
- Hardware (als je lokaal draait): €1.500-€3.000 voor een krachtige PC
Interactive Brokers (IBKR) biedt een gratis API, maar vraagt een minimum deposit van €0 voor account opening, wel een maandelijkse fee van €10 als je niet handelt.
LMAX Exchange is een ECN-broker voor professionelen, met lage spreads maar een hogere instap (minimaal €10.000 account). Gebruik deze om je strategie te valideren op verschillende liquiditeitsomstandigheden. Prijsindicatie voor een solide setup: De totale initiële investering kan oplopen tot €3.000-€5.000, maar met slimme optimalisatie bespaar je op de lange termijn tijd en geld.
Praktische tips om te stoppen met te veel optimaliseren
Stel een harde limiet in. Zeg: ik voer maximaal 20 runs uit per strategie.
Daarna stoppen en live testen. Geen uitzonderingen. Gebruik out-of-sample data.
Splits je dataset: 70% voor training en optimalisatie, 30% voor testen. Als je bot op die 30% presteert, is het waarschijnlijk robuust. Zo niet, stop ermee.
Focus op risicomanagement boven winstoptimalisatie. Een strategie met 10% rendement en 5% drawdown is beter dan 15% rendement met 20% drawdown. Gebruik tools zoals de Sharpe Ratio of drawdown-analyse om dit te meten, niet alleen absolute winst. Test op meerdere tijdsframes en markten.
Een bot die werkt op de AEX, faalt misschien op de DAX.
Gebruik een broker zoals Interactive Brokers om toegang te krijgen tot 130+ markten. Zo ontdek je snel of je strategie generiek is of toevallig.
Automatiseer je evaluatie. Schrijf een Python-script dat na elke run automatisch de prestaties evalueert en een seintje geeft als de verbetering onder de 1% ligt. Zo voorkom je eindeloos scrollen door Excel-sheets.
Onthoud: trading is een marathon, geen sprint. Een bot die nu live gaat met een eenvoudige, geteste strategie, verdient je meer op de lange termijn dan een perfect geoptimaliseerde bot die nooit de markt in gaat.
Stop op tijd, en geef jezelf de ruimte om te groeien.