Wat is 'Over-leveraging' en hoe herken je het in je backtest?

Alex de Vries

Quantitatief Analist & Algo-Trading Expert

Je backtest ziet er fantastisch uit. De equity curve stijgt gestaag, de drawdown is minimaal en je hebt duizenden trades gedraaid.

Maar dan ga je live en stort je account in één week in elkaar.

Wat is er misgegaan? Waarschijnlijk heb je te maken met over-leveraging. Dit is de valkuil waar bijna elke algorithmische trader in trapt. We gaan samen uitzoeken hoe je dit gevaar in je backtest spot, voordat het je echte geld kost.

Stap 1: Verzamel je backtest data en broker specificaties

Je hebt een paar dingen nodig voordat je kunt beginnen. Zorg dat je alle data bij de hand hebt.

1. Haal je historische data op via je broker API. Gebruik voor aandelen meestal 1-minuut of 5-minuut data van de afgelopen 2 jaar. Voor crypto bij Binance of Bybit heb je tick-data nodig voor accurate resultaten. Reken op ongeveer 500 MB aan CSV-bestanden per jaar voor een enkele asset.
2. Check je broker zijn hefboomregels. Bij Interactive Brokers is de standaard hefboom voor aandelen 1:4, voor indices 1:10. Bij crypto brokers zoals Kraken of BitMEX kan dit oplopen tot 1:50 of zelfs 1:100. Noteer deze getallen.
3. Open je Python backtesting omgeving. Gebruik libraries zoals Backtrader, Zipline of een custom script met pandas en numpy. Zorg dat je environment stabiel draait.
4. Stel je initiële inleg in op een realistisch bedrag. Begin met €5.000 of €10.000, niet met een miljoen. Dit maakt de hefboom effecten direct zichtbaar.

Dit is de basis voor elke eerlijke risico-analyse. Veelgemaakte fout: Broker data laden zonder rekening te houden met splitsingen of dividends. Dit vervormt je equity curve en verbergt risico's. Gebruik adjusted close prices voor aandelen.

Stap 2: Bereken je positiegrootte en hefboom per trade

Over-leveraging ontstaat als je positie te groot is ten opzichte van je account.

1. Bepaal je risico per trade. Een veilige standaard is 1% van je account. Bij €10.000 account is dat €100 risico per trade. Dit is je stop-loss bedrag.
2. Bereken de positiegrootte. Als je een aandeel koopt op €50 en je stop-loss ligt op €48, is het risico per aandeel €2. Je kunt dan 50 aandelen kopen (€100 / €2). Dit is je maximale positie.
3. Voeg de hefboom toe. Als je broker 1:5 hefboom biedt, kun je voor €50.000 kopen met €10.000 eigen vermogen. Je positie is dan 5x groter dan je eigen geld. In Python kun je dit berekenen met: positie_grootte = account_balance * leverage / entry_price.
4. Simuleer een trade in je backtest script. Koop 100 aandelen op €50 met een stop-loss op €48. Je risico is €200. Als je account €10.000 is, is dit 2% risico. Te hoog voor comfort.
5. Check de margin requirement. Sommige brokers eisen minimaal 25% eigen vermogen voor een positie. Bij €50.000 positie moet je dus €12.500 hebben. Zonder dit check je de margin call niet.

We gaan dit nu concreet berekenen voor elke trade in je backtest. Tijdsindicatie: 15-20 minuten om deze berekeningen voor 10 trades uit te voeren. Doe dit handmatig eerst, dan automatiseer je het later.

Veelgemaakte fout: Vergeten dat hefboom niet alleen winst versterkt, maar ook verlies. Begrijp goed de impact van hefboomwerking op je risicoprofiel; een 2% drawdown met 1:10 hefboom voelt immers als 20% pijn.

Stap 3: Draai je backtest en monitor de leverage ratio

Nu draaien we de backtest en kijken we naar de werkelijke hefboom die je gebruikt.

1. Run je backtest voor minimaal 2 jaar historische data. Gebruik een Python script dat per trade de leverage berekent. Voeg een kolom toe aan je resultaten DataFrame: leverage_ratio = position_value / account_equity.
2. Stel je script in om de max leverage te loggen. Print elke trade de leverage ratio. Stel een limiet in, bijvoorbeeld 1:3 voor aandelen of 1:10 voor crypto. Als je hier overheen gaat, markeer de trade als 'risicovol'.
3. Check de equity curve na elke trade. Als je account groeit maar de leverage stijgt sneller, ben je over-leveraged. Bijvoorbeeld: je account groeit van €10.000 naar €12.000, maar je positiegrootte groeit naar €60.000 (leverage 1:5).
4. Identificeer drawdowns. Een drawdown van meer dan 10% met hoge leverage (1:5+) duidt op over-leveraging. Gebruik een Python functie zoals max_drawdown = (peak - trough) / peak om dit te meten.
5. Test met verschillende hefboomniveaus. Draai je backtest op 1:1, 1:3, en 1:5. Vergelijk de resultaten. Als de winst op 1:5 plotseling instort bij een kleine marktbeweging, weet je dat het te ver gaat.

Dit is waar de fouten boven water komen. Veelgemaakte fout: Alleen kijken naar totale winst. Een hoge winst met extreme leverage betekent nog steeds risico op een margin call. Focus op de maximale drawdown en de leverage tijdens die drawdown.

Stap 4: Analyseer de resultaten en pas je risicomanagement aan

Nu je de data hebt, is het tijd om te analyseren en bij te sturen.

1. Sorteer je trades op leverage ratio. Kijk naar de top 10 trades met de hoogste hefboom. Vaak zie je dat deze trades grote verliezen hebben of net onder een margin call zitten.
2. Bereken de gemiddelde leverage per trade. Als dit boven 1:3 ligt voor aandelen of 1:10 voor crypto, pas dan je positieberekening aan. Verlaag je risico per trade naar 0,5% in plaats van 1%.
3. Simuleer een stress-test. Pak een dag met extreme volatiliteit, zoals 5 mei 2021 (crypto crash) of 20 oktober 2020 (aandelen dip). Draai je backtest op die dag en kijk of je account overleeft met je huidige leverage.
4. Pas je stop-loss aan. Als je stop-loss te ver weg is, wordt je positie groter voor hetzelfde risico. Verkort de stop-loss tot 2-3% van de entry prijs, en verklein je positie daardoor.
5. Voeg een leverage limiet toe aan je bot. In Python kun je een if-statement gebruiken: if leverage_ratio > max_leverage: skip_trade(). Stel max_leverage in op 1:2 voor conservatief handelen.

Dit is waar je echt leert van je backtest. Tijdsindicatie: 30-45 minuten voor analyse en aanpassingen.

Dit is de moeite waard om live verliezen te voorkomen. Veelgemaakte fout: Je risicomanagement niet testen op out-of-sample data. Gebruik de eerste 18 maanden voor tuning en de laatste 6 maanden voor validatie. Zo voorkom je overfitting en leer je wanneer je bot moet ingrijpen bij position rebalancing.

Stap 5: Valideer met een verificatie-checklist

Voordat je live gaat, loop je deze checklist af. Het is je veiligheidsnet.

• Is je maximale leverage in de backtest lager dan je broker limiet? (bijv. 1:2 vs 1:5)
• Ligt je gemiddelde drawdown onder de 10%?
• Heb je elke trade een stop-loss? Geen uitzonderingen.
• Is je risico per trade maximaal 1% van je account?
• Heb je de stress-test overleefd zonder margin call?
• Logt je bot elke leverage ratio en markeert deze boven je limiet?
• Is je initiële inleg realistisch (€5.000-€10.000) en niet te hoog?

Als je alle punten met 'ja' beantwoordt, ben je klaar voor de volgende stap. Test nog een maand op een demo account met je aangepaste bot. Pas als die stabiel draait, ga je live.

Over-leveraging is een stille dief. Het steelt je account langzaam, tot het te laat is.

Door deze stappen te volgen, spot je het in je backtest en bouw je een bot die echt duurzaam is. Begin vandaag nog, je toekomstige zelf zal je dankbaar zijn.