Analyse und Kennzahlen

Survivorship Bias

Von Jarosław Wasiński (EN) • Veroeffentlicht: 2. Apr. 2026 • Aktualisiert: 23. Okt. 2026

Survivorship Bias ist eine Verzerrung, die entsteht, wenn nur noch verfügbare Elemente bewertet und zuvor verschwundene ausgelassen werden. Beispiele sind Tests anhand der aktuellen Instrumentenzusammensetzung, Ranglisten aktiver Konten und Erzählungen über erfolgreiche Trader. Definieren Sie Kohorte, Analyseeinheit, Zeitraum und die Behandlung geschlossener oder fehlender Beobachtungen im Voraus. Ein fehlender Datensatz bedeutet nicht automatisch einen Verlust; sein Ausschluss kann jedoch Schlussfolgerungen verändern. Erfolgsstatistiken benötigen den zur erklärten Frage passenden Nenner. Die Ergebnisse der verbleibenden Teilnehmer beschreiben nicht automatisch alle, die es versucht haben.

Beispiel. Einhundert hypothetische Konten starten mit gleichem Kapital und ohne spätere Geldflüsse. Siebzig verbleiben am Periodenende mit durchschnittlich +10% Rendite; dreißig schlossen früher mit durchschnittlich −40% und handeln danach nicht. Der Gesamtkohortenmittelwert beträgt (70 × 10% + 30 × (−40%))/100 = −5%. Nur Überlebende zu untersuchen ergibt +10% und beantwortet eine andere Frage.

Die Kohorte vor Beobachtung der Ergebnisse definieren

Legen Sie fest, welche Konten, Systeme oder Instrumente anfangs zur Untersuchung gehörten und wie spätere Zugänge behandelt werden. Ein Verschwinden kann auf Verluste, eine Firmenschließung, eine Namensänderung oder das Entfernen von einer Plattform zurückgehen. Ein fehlender Datensatz bedeutet nicht automatisch einen bestimmten Verlust, darf aber nicht einfach ohne Prüfung seiner Auswirkungen verworfen werden. Das Beispiel verwendet ein arithmetisches Mittel mit ausdrücklich gleichen Anfangsgewichten.

Verzerrung in Daten und Erzählungen

Ein Backtest heutiger Indexmitglieder lässt früher entfernte Instrumente aus. Eine Rangliste aktiver Copy-Trading-Anbieter kann geschlossene Profile ausschließen. Interviews mit erfolgreichen Tradern sind keine repräsentative Statistik aller Teilnehmer. Siehe Brown, Goetzmann, Ibbotson and Ross: Survivorship Bias in Performance Studies zur Auswahl; eine einzelne Studie belegt keine allgemeine Forex-Verlustquote.

Die Verzerrung verringern

Verwenden Sie historische Zusammensetzungen und Kennungen, die geschlossene Elemente einschließen. Dokumentieren Sie Ein- und Austrittsdaten und die tatsächliche Schlussabrechnung. Beschreiben Sie bei unbekannten Ergebnissen eine Bandbreite möglicher Auswirkungen, statt ein Ergebnis zu erfinden. Prüfen Sie auch Backfill: Das Hinzufügen einer attraktiven Historie aus der Zeit vor der Aufnahme ist ein anderer Auswahlmechanismus. Eine chronologische OOS-Prüfung repariert keine Datenbank, aus der erfolglose Elemente bereits verschwunden sind.

Den Nenner auf die Frage abstimmen

Ein nach Kontenzahl gewichteter Mittelwert unterscheidet sich von einem kapitalgewichteten. Ergebnisse aktiver Teilnehmer beschreiben nicht automatisch Neueinsteiger. Kohorten mit unterschiedlichen Startdaten haben auch unterschiedliche Expositionszeiträume. Jede Analyse kann bei klarem Geltungsbereich sinnvoll sein; der Fehler liegt darin, die Frage nach einem attraktiven Ergebnis zu ändern. Angeben, ob die Einheit Person, Konto, Programm oder einzelner Versuch ist.

Veröffentlichte Statistiken prüfen

Nach Nenner, Erfolgskriterium, Zeitraum und fehlenden Beobachtungen fragen. Ein Ergebnis kann berechtigt aktive Profile betreffen, lässt sich aber ohne Begründung nicht auf die Gesamtkohorte übertragen. Im Kurs: Strategietests und Forex-Mythen und Fakten. Quelle geprüft am 11. Oktober 2026.

Häufige Fragen

Hat jedes fehlende Konto verloren?

Nein. Klären Sie die Tatsachen. Fehlende Daten erfordern eine ausdrückliche Behandlung der Unsicherheit statt einer automatischen Einordnung.

Beseitigt eine große Stichprobe diese Verzerrung?

Nein. Tausende ausgewählte Überlebende können weiterhin eine andere Frage beantworten als die Ergebnisse jedes Mitglieds der definierten Kohorte.

← Zum vollständigen Glossar