Startseite/Glossar/Data Snooping
Startseite/Glossar/Data Snooping
Analyse und Kennzahlen

Data Snooping

Von Jarosław Wasiński (EN) • Veroeffentlicht:
Data Snooping ist eine Verzerrung durch wiederholtes Durchsuchen oder Wiederverwenden derselben Daten, um attraktive Regeln auszuwählen. Ein Modell kann an zufällige historische Merkmale angepasst sein, statt einen wiederholbaren Mechanismus abzubilden. Dazu gehört auch, eine Strategie wiederholt zu ändern, nachdem ihre Ergebnisse auf einem vermeintlich unabhängigen Bewertungsdatensatz betrachtet wurden. Das Problem unterscheidet sich von einer Verzerrung durch Zukunftsinformationen, obwohl beide gemeinsam auftreten können.
Beispiel. Bei 50 unabhängigen Tests wahrer Nullhypothesen mit α = 0.05 beträgt die erwartete Zahl falscher Ablehnungen 2.5. Die Wahrscheinlichkeit mindestens einer beträgt 1−0.95⁵⁰ ≈ 92.3%. Tatsächliche Strategievarianten sind gewöhnlich nicht unabhängig.

Funktionsweise

Die gesamte Versuchsfamilie protokollieren: Parameter, Filter, Instrumente und verworfene Versionen. Entwicklung und Schlussprüfung trennen. Wiederholte Holdout-Sichtung macht ihn zum Teil der Modellauswahl und beeinträchtigt seine ursprüngliche Rolle als unabhängige Prüfung.

Häufiger Fehler

Die 92.3% des Modells bedeuten nicht, dass eine konkret ausgewählte Strategie mit dieser Wahrscheinlichkeit falsch ist. Korrektur für Mehrfachtests kann helfen, beseitigt aber weder Informationsleck noch fehlerhaftes Ausführungsmodell.

Weiterlernen

Im Kurs: 5.12 Automatisierung und Screening in der technischen Analyse — Werkzeuge, Ablauf und Fallstricke; 15.4 Backtesting und Forward-Testing — Methoden, Belege und Fallstricke. Quellen: ASA: Erklärung zu p-Werten.

Ein Protokoll der Forschungsentscheidungen

Verworfene Filter, Instrumente und manuelle Änderungen ebenso wie gespeicherte Dateien erfassen. Wurde eine Bedingung nach Holdout-Sichtung gewählt, gehört dieser Datensatz zur Entwicklung. Ein Schlusstest braucht Daten unabhängig von diesen Auswahlentscheidungen.

Primärquelle geprüft am 11. Oktober 2026: stat.ethz.ch.

Häufige Fragen

Beseitigt ein gutes Out-of-Sample-Ergebnis das Problem?
Nicht automatisch. Auswahlverfahren, frühere Versuche und Unabhängigkeit der Prüfdaten von Entwurfsentscheidungen zählen.
Macht die Bezeichnung OOS einen Datensatz unabhängig?

Nein. Sein tatsächlicher Einfluss auf die Regelwahl zählt, nicht sein Ordneretikett.

← Zum vollständigen Glossar

Jarosław Wasiński

Chefredakteur, ForexMechanics.com • Makro- und FX-Analyst

Unabhaengiger Analyst und Finanzmarkt-Experte mit ueber 20 Jahren Erfahrung an den Finanzmaerkten. Aktiv im Forex-Handel seit 2004, mit Schwerpunkt auf Fundamentalanalyse, der Struktur des OTC-Marktes und disziplinierter Risikosteuerung des Handelskapitals.

  • Gruender und Chefredakteur von MyBank.pl, der seit 2004 verlaessliche Finanzbildung anbietet.
  • Autor hunderter tiefgehender Marktkommentare, struktureller Analysen und Bildungsmaterialien fuer Trader und Investoren.
  • Verfechter der Markttransparenz. Er foerdert eine Ausbildung, die auf belastbaren Daten und institutionellen Berichten (BIS, ESMA, CFTC) basiert.

Alle Inhalte dienen ausschliesslich Bildungs- und Informationszwecken – sie stellen weder Anlageberatung noch eine Empfehlung dar. Bitte beachten Sie: Der gehebelte Handel (Forex/CFD) birgt ein hohes Risiko eines schnellen Kapitalverlusts.