Statistische Signifikanz

Von Jarosław Wasiński (EN) • Veroeffentlicht: 23. Okt. 2026

Ein Testergebnis, wonach Daten unter angenommenem Modell ein Ablehnungskriterium für eine bestimmte Nullhypothese erfüllen. Ein p-Wert ist unter dieser Hypothese und diesem Modell die Wahrscheinlichkeit eines mindestens so extremen Ergebnisses; nicht die Wahrscheinlichkeit eines realen Vorteils oder dass Zufall das Ergebnis verursachte. Statistische Signifikanz unterscheidet sich von nützlichem Vorteil nach Kosten. Stichprobengröße, Abhängigkeit, Mehrfachtests und Out-of-Sample-Auswahl beeinflussen die Deutung; keine allgemeine Tradezahl belegt einen Vorteil.

Beispiel. Bei 20 unabhängigen Tests wahrer Nullhypothesen mit α = 0.05 beträgt die erwartete Zahl falscher Ablehnungen 20 × 0.05 = 1, keine Garantie von genau einer. Die Wahrscheinlichkeit mindestens einer beträgt 1−0.95²⁰ ≈ 64.15%. Ohne weitere Annahmen gilt diese Formel nicht für abhängige Tests.

Das Konzept verstehen

Hypothese, Statistik, Annahmen, Entscheidungsschwelle und Effektschätzung mit Unsicherheit angeben. Mehr informative Beobachtungen können Präzision verbessern; Abhängigkeit verringert aber effektive Information. Ein kleiner positiver Erwartungswert kann viel mehr Belege verlangen als ein größerer Effekt; Ergebnisse müssen plausible Handelskosten enthalten.

Stichprobengröße und wirtschaftlicher Vorteil

Dreißig Gewinne in 50 unabhängigen Versuchen schätzen 60% Trefferquote; unter Binomialmodell beträgt das 95%-Wilson-Intervall ungefähr 46.2–72.4%. Auswahl, abhängige Trades und Regimewechsel können dieses einfache Modell ungeeignet machen. Trefferquote allein beschreibt keinen Erwartungswert: Gewinn- und Verlustgrößen sowie Kosten zählen ebenfalls.

Wirtschaftlich bedeutsamen Effekt, Out-of-Sample-Validierungsplan und Mehrfachtestkontrolle vor Auswahl der besten Variante festlegen. Signifikanz ersetzt weder Robustheitsprüfungen noch Risikokontrollen.

Häufiger Fehler

p = 0.03 nicht als 97% Wahrscheinlichkeit profitablen Handels lesen. Auch ein signifikanter Backtest überwindet weder wiederholte Modellauswahl, Informationsleck noch Regimewechsel.

Weiterlernen

Im Kurs: 15.10 Strategieprüfung — Wann das System und wann das eigene Verhalten korrigieren; 15.4 Backtesting und Forward-Testing — Methoden, Belege und Fallstricke. Quellen: American Statistical Association: Erklärung zu p-Werten.

Häufige Fragen

Genügen 100 Out-of-Sample-Trades?

Es gibt keine allgemeine Schwelle. Benötigte Information hängt von Effektgröße, Variation, Abhängigkeit, Forschungsdesign und erforderlicher Präzision ab.

Beweist ein nicht signifikanter Befund fehlenden Effekt?

Nein. Begrenzte Informationen oder hohe Streuung können eine Ablehnung verhindern. Berichten Sie die Schätzung und ihre Unsicherheit, statt die Nichtablehnung als Beweis für einen Effekt von null zu behandeln.

← Zum vollständigen Glossar