Funding Rates töten deinen Hebel: Warum PnL×50x eine Fiktion ist

Angenommen, du hast eine Strategie optimiert. Der Backtest zeigt PnL +55 %, MaxDD -0,9 %. Du berechnest MaxLev: $\lfloor 50 / 0.9 \rfloor = 55\times$. Du multiplizierst: $55\% \times 55 = +3025\%$. Dreitausend Prozent über zwei Jahre. Du suchst dir gedanklich schon deinen Lamborghini aus.

Drei Monate nach dem Live-Start liegt dein Kapital unter dem Ausgangswert. Die Strategie funktioniert exakt wie im Backtest — gleiche Einstiege, gleiche Ausstiege, gleicher Drawdown. Aber du verlierst Geld. Jeden Tag. Konsequent.

Der Grund: Funding Rates. Eine unsichtbare Gebühr, die dein Backtest nicht oder falsch berücksichtigt hat.

Wie Funding Rates funktionieren

Auf Krypto-Börsen haben unbefristete Swaps (Perpetuals) kein Verfallsdatum. Um den Futures-Preis an den Spot-Preis zu koppeln, nutzen Börsen einen Funding-Mechanismus — periodische Zahlungen zwischen Long- und Short-Positionen.

Mechanik bei Binance/Bybit:

• Funding wird alle 8 Stunden gezahlt (00:00, 08:00, 16:00 UTC)
• Die Funding Rate wird durch die Differenz zwischen Futures- und Spot-Preis bestimmt
• Ist die Funding Rate positiv — zahlen Longs an Shorts
• Ist sie negativ — zahlen Shorts an Longs
• Typischer Satz: $\pm 0.01\%$ pro 8 Stunden (kann in Extremsituationen bis zu $\pm 0.5\%$ erreichen)

Formel für eine einzelne Zahlung:

$\text{Funding cost} = \text{Position size} \times \text{Funding rate}$

Mit Hebel $L$ und Kapital $C$:

$\text{Funding cost} = C \times L \times \text{Rate}$

Warum Backtests beim Hebel lügen

Die Standard-Kennzahl MaxLev (Maximum Leverage) ist die theoretische Obergrenze des Hebels, bei der der Drawdown das Zielniveau nicht überschreitet:

$\text{MaxLev} = \left\lfloor \frac{\text{Target DD}}{\text{MaxDD}} \right\rfloor$

Diese Formel berücksichtigt keine Kosten, die vom Hebel abhängen. Bei 1x Hebel ist die Funding Rate eine unbedeutende Gebühr. Bei 58x — eine Katastrophe.

Lineare vs. quadratische Kosten

Handelsgebühren (Maker-/Taker-Fees) sind linear — sie sind proportional zum Handelsvolumen und hängen nicht vom Hebel ab. Funding Rates sind ebenfalls linear bezüglich der Positionsgröße, wachsen aber bei Umrechnung pro Kapitaleinheit proportional zum Hebel:

$\text{Funding cost per capital} = L \times \text{Rate} \times \text{Frequency}$

Bei Haltedauer $H$ Tagen und 3 Zahlungen pro Tag:

$\text{Total funding} = L \times \text{Rate} \times 3 \times H$

Neuberechnung: Strategiebeispiele unter Berücksichtigung von Funding

Als Beispiel betrachten wir drei hypothetische Strategien mit unterschiedlichen Risikoprofilen. Parameter: unbefristete Futures, 25-monatiger Testzeitraum, typische Funding Rate von 0,01 % pro 8 Stunden.

Ursprüngliche Ergebnisse (ohne Funding)

Berechnung der Funding-Kosten

def funding_cost(
    leverage: float,
    trading_time_pct: float,
    test_days: int = 750,  # 25 months
    funding_rate: float = 0.0001,  # 0.01% per 8h
    payments_per_day: int = 3,
) -> float:
    """
    Calculate cumulative funding costs as % of capital.

    Returns:
        Funding cost as percentage of initial capital
    """
    active_days = test_days * trading_time_pct
    daily_cost = funding_rate * payments_per_day * leverage
    total_cost = daily_cost * active_days
    return total_cost * 100  # in percent

Berechnungen:

a_funding = funding_cost(55, 0.15, 750)

b_funding = funding_cost(66, 0.05, 750)

c_funding = funding_cost(3, 0.45, 750)

Ergebnisse unter Berücksichtigung von Funding

Auf den ersten Blick erscheint das tolerierbar: Funding frisst 3-6 % des finalen PnL@ML. Aber das ist die durchschnittliche Funding Rate. Sehen wir uns an, was bei erhöhten Raten passiert.

Die Funding Rate ist keine Konstante

Die typische Funding Rate von 0,01 % ist ein Median-Wert. In der Realität schwanken die Raten:

Bei 55x Hebel in einem bullischen Markt (0,03 %): kostet ein Tag in einer Long-Position allein durch Funding 4,95 % des Kapitals.

PnL pro aktivem Tag vs. Funding pro Tag

Hier die entscheidende Berechnung — tägliche Strategierendite gegenüber täglichen Kosten:

a_pnl_per_day = 55 * 55 / 112.5  # PnL@ML / active days = 26.9%/day



b_pnl_per_day = 25 * 66 / 37.5  # = 44.0%/day

Bei solchen Zahlen erscheint Funding unkritisch. Aber das sind Durchschnittswerte. Das eigentliche Problem liegt woanders.

Das eigentliche Problem: Funding während eines Drawdowns

Funding-Kosten akkumulieren sich kontinuierlich, solange die Position offen ist — auch während Drawdown-Phasen. Beispiel: Ein maximaler Drawdown von 0,9 % (Strategie A) wird bei 55x Hebel zu:

$\text{Effective DD} = 0.9\% \times 55 = 49.5\%$

Das ist bereits am Rande der Liquidation. Jetzt kommt Funding hinzu:

$\text{DD with funding} = 49.3\% + \text{accumulated funding during DD period}$

Dauert der Drawdown 3 Tage bei einer Funding Rate von 0,01 %:

$\text{Funding over 3 days} = 0.0001 \times 3 \times 55 \times 3 = 4.95\%$

Gesamt: $49.5\% + 4.95\% = 54.45\%$ — Liquidation bei der Standard-Maintenance-Margin von 50 %.

Formel für sicheren Hebel unter Berücksichtigung von Funding

$L_{safe} = \frac{\text{Target DD} - \text{Funding buffer}}{|\text{MaxDD}|}$

wobei der Funding-Puffer das erwartete Funding über die typische Drawdown-Dauer ist:

$\text{Funding buffer} = \text{Rate} \times 3 \times L \times \text{DD duration (days)}$

Dies ist eine rekursive Gleichung (der Funding-Puffer hängt von $L$ ab). Die Lösung:

$L_{safe} = \frac{\text{Target DD}}{|\text{MaxDD}| + \text{Rate} \times 3 \times \text{DD duration}}$

def safe_leverage(
    max_dd_pct: float,
    target_dd_pct: float = 50.0,
    funding_rate: float = 0.0001,
    dd_duration_days: float = 3.0,
) -> float:
    """
    Safe leverage accounting for funding costs during drawdown.
    """
    denominator = max_dd_pct / 100 + funding_rate * 3 * dd_duration_days
    return target_dd_pct / 100 / denominator

a_safe = safe_leverage(0.9, 50.0, 0.0001, 3.0)

a_safe_high = safe_leverage(0.9, 50.0, 0.0003, 3.0)

Fazit: Bei typischer Funding Rate liegt der sichere Hebel für Strategie A bei 50x, nicht 55x. Bei erhöhtem Funding — bei 42x. Die Differenz im PnL@ML:

• Naiv: $55\% \times 55 = +3025\%$
• Mit Funding (0,01 %): $55\% \times 50 - 165\% = +2585\%$
• Mit Funding (0,03 %): $55\% \times 42 - 400\% = +1910\%$

Praktische Integration von Funding in Backtests

Die Berücksichtigung von Funding Rates in Backtests ist keine Option — sie ist notwendig. Hier eine minimale Implementierung:

import pandas as pd
import numpy as np

def load_funding_rates(symbol: str) -> pd.DataFrame:
    """Load historical funding rates from warehouse."""
    path = f"warehouse/data/{symbol}/funding/"
    return df  # columns: [timestamp, rate]

def apply_funding_to_trades(trades, funding_rates, leverage: int = 1):
    """
    Subtract real funding costs from each trade's PnL.
    """
    for trade in trades:
        mask = (
            (funding_rates.index >= trade.entry_time) &
            (funding_rates.index <= trade.exit_time)
        )
        payments = funding_rates.loc[mask, 'rate']

        direction = 1 if trade.side == 'long' else -1
        total_funding = payments.sum() * direction * leverage

        trade.pnl_pct -= total_funding * 100

    return trades

In einer gut gebauten Backtesting-Engine werden Funding Rates automatisch geladen und auf jeden Trade angewendet. Das liefert ein realistisches Bild — und das ist oft weniger rosig, als man es sich wünschen würde.

Realistischer Hebel-Bereich

Als Beispiel — wie die Funding Rate den sicheren Hebel bei unterschiedlichen MaxDD-Werten beeinflusst:

Wichtige Beobachtung: Bei Strategien mit niedrigem Drawdown (Strategie A, B) reduziert Funding den effektiven Hebel erheblich. Bei Strategien mit hohem Drawdown (Strategie C) ist der Funding-Einfluss minimal — weil der Hebel bereits auf 3x begrenzt ist.

Strategien zur Minimierung des Funding-Einflusses

1. Hedge-neutrale Positionen

Die Funding Rate wird durch die Differenz zwischen Futures- und Spot-Preis bestimmt. Wenn deine Strategie Hedging über Spot erlaubt — wird Funding neutralisiert:

• Long Futures + Short Spot = 0 Netto-Exposure gegenüber Funding
• Aber: Short-Positionen auf Spot in Krypto sind begrenzt (erfordern ein Margin-Konto oder Lending)

2. Wechsel zu Börsen mit niedrigerem Funding

Verschiedene Börsen haben unterschiedliche Funding Rates für dasselbe Asset. Die Überwachung von Funding-Arbitrage ist eine eigene Strategie, ausführlich beschrieben im Artikel Funding Rate Arbitrage Across Exchanges.

3. Timing der Einstiege

Funding wird zu festen Zeiten gezahlt (00:00, 08:00, 16:00 UTC). Wenn ein Trade eine Minute vor einer Zahlung geschlossen wird — fällt kein Funding an. Das ist eine Mikro-Optimierung, aber bei 58x Hebel ist das Einsparen von 0,58 % durch eine übersprungene Zahlung erheblich.

4. Dynamischer Hebel

Statt eines festen Hebels, nutze einen adaptiven Hebel:

$L_{dynamic} = L_{base} \times \frac{\text{Rate}_{median}}{\max(\text{Rate}_{current}, \text{Rate}_{median})}$

Wenn Funding erhöht ist, verringert sich der Hebel automatisch und begrenzt so die Kosten.

Empfehlungen zur Integration von Funding in die Pipeline

Funding Rates müssen ein verpflichtender Bestandteil der Backtesting-Pipeline sein:

• Historische Funding Rates für jedes Symbol laden
• Jeden Trade um das tatsächliche Funding über die Haltedauer korrigieren
• MaxLev mit der Formel inklusive Funding-Puffer berechnen
• Im Report beide Zahlen anzeigen: PnL@ML ohne Funding und mit Funding

Praktische Regel: Wenn eine Strategie bei einer Funding Rate von 0,03 % (die in 20-30 % der Zeit während eines Bullenmarkts auftritt) nicht mehr profitabel ist — ist sie nicht bereit für den produktiven Einsatz mit hohem Hebel. Reduziere den Hebel auf ein Niveau, bei dem die Strategie auch im Worst-Case-Funding-Szenario profitabel bleibt.

Fazit

Funding Rates sind eine Steuer auf den Hebel. Wie eine echte Steuer sind sie bei kleinen Beträgen unmerklich und bei großen verheerend.

Drei Regeln:

1. Berechne PnL@ML immer unter Berücksichtigung von Funding. Die Formel ohne Funding ist Marketing, kein Trading. Lade historische Funding Rates und ziehe die echten Kosten von jedem Trade ab.

2. Verwende die Formel für den sicheren Hebel:

$L_{safe} = \frac{\text{Target DD}}{|\text{MaxDD}| + \text{Rate} \times 3 \times \text{DD duration}}$

3. Teste bei 3x Funding. Wenn die Strategie bei 0,03 % Funding profitabel ist (nicht nur bei 0,01 %) — ist sie robust. Wenn nicht — reduziere den Hebel.

Wunderschöne PnL-Zahlen bei 50-60x Hebel sind eine angenehme Illusion. Funding Rates sind kalte Realität. Zwischen beiden liegt der Unterschied zwischen einem Backtest und einem Handelskonto.

Mehr zur Mathematik von Drawdowns und Volatility Drag bei hohem Hebel findest du in unserem Artikel Loss-Profit Asymmetry. Wie man Konfidenzintervalle für funding-adjustierte Ergebnisse erhält — Monte Carlo Bootstrap for Backtests.

Nützliche Links

1. Binance — Funding Rate History
2. Binance — Introduction to Funding Rates
3. Bybit — Understanding Funding Rates
4. Deribit Insights — The Hidden Cost of Perpetual Swaps
5. Lopez de Prado — Advances in Financial Machine Learning, Chapter 14: Backtest Statistics
6. Kevin Davey — Building Winning Algorithmic Trading Systems: Transaction Costs

Zitation

@article{soloviov2026fundingratesleverage,
  author = {Soloviov, Eugen},
  title = {Funding Rates Kill Your Leverage: Why PnL×50x Is a Fiction},
  year = {2026},
  url = {https://marketmaker.cc/ru/blog/post/funding-rates-kill-leverage},
  version = {0.1.0},
  description = {How funding rates on Binance/Bybit turn beautiful high-leverage backtest results into guaranteed losses. Formulas, recalculation of real strategies, and the maximum leverage at which funding does not eat into profits.}
}