Datenfehler und Verzerrungen beim Backtesting erkennen

Ein Backtest kann bereits vor der eigentlichen Auswertung verfälscht sein, wenn er unvollständige, falsch zeitlich zugeordnete oder nachträglich ausgewählte Daten verwendet.

Look-ahead Bias, Survivorship Bias und Data Snooping können ein historisches Ergebnis aussagekräftiger erscheinen lassen, als es tatsächlich ist.

Eine nachvollziehbare Untersuchung dokumentiert deshalb nicht nur Regeln, sondern auch Herkunft, Verfügbarkeit und Auswahl der Daten.

Auf den Punkt gebracht

Welche Datenfehler können einen Backtest verfälschen?

Historische Backtests können unter anderem durch Look-ahead Bias, Survivorship Bias, selektive Datenauswahl, Data Snooping und fehlerhafte Kursbereinigung verzerrt werden. Diese Fehler können ein Regelmodell aussagekräftiger oder historisch auffälliger erscheinen lassen, als es unter einer realistischeren Datenbasis wäre. Deshalb müssen Datenquelle, zeitliche Verfügbarkeit und Auswahlregeln nachvollziehbar dokumentiert werden.

Definition: Was ist eine Datenverzerrung?

Eine Datenverzerrung entsteht, wenn die verwendeten historischen Informationen die damalige Entscheidungssituation nicht korrekt abbilden.

Das kann passieren, wenn Informationen zu früh verfügbar erscheinen, nicht mehr existierende Wertpapiere fehlen oder nur jene Märkte ausgewählt werden, deren Ergebnisse bereits bekannt sind.

Die wichtigsten Datenfehler

Typische Verzerrungen in historischen Backtests
Verzerrung	Bedeutung	Beispiel	Mögliche Gegenmaßnahme
Look-ahead Bias	Der Test verwendet Informationen, die zum simulierten Zeitpunkt noch nicht verfügbar waren.	Ein Geschäftsbericht wird bereits am Bilanzstichtag statt am Veröffentlichungstag berücksichtigt.	Daten nach ihrem tatsächlichen Verfügbarkeitszeitpunkt zuordnen.
Survivorship Bias	Gescheiterte oder nicht mehr bestehende Wertpapiere fehlen im Datensatz.	Ein historischer Index wird nur mit Unternehmen untersucht, die heute noch existieren.	Historische Indexzusammensetzungen und ausgeschiedene Titel einbeziehen.
Selection Bias	Märkte, Zeiträume oder Wertpapiere werden anhand bereits bekannter Ergebnisse ausgewählt.	Ein Modell wird nur für jene Länder gezeigt, in denen es historisch auffällig war.	Auswahlkriterien vor der Ergebnisbetrachtung festlegen.
Data Snooping	Sehr viele Regelvarianten werden mit demselben Datensatz untersucht.	Aus zahlreichen Varianten wird nur die historisch auffälligste dargestellt.	Alle getesteten Varianten dokumentieren und getrennte Daten verwenden.
Fehlerhafte Kursbereinigung	Splits, Dividenden oder Kapitalmaßnahmen werden unvollständig verarbeitet.	Ein Aktiensplit erscheint im Datensatz als starker Kursverlust.	Datenbereinigung, Renditeart und Kapitalmaßnahmen offenlegen.
Fehlende Transaktionsannahmen	Kosten und Ausführung werden unrealistisch vereinfacht.	Jede Regeländerung wird ohne Gebühren oder Verzögerung ausgeführt.	Kosten, Spreads und Ausführungsregeln transparent modellieren.

Checkliste für nachvollziehbare historische Daten

Aus welcher Quelle stammen die Daten?
Welchen Zeitraum decken sie ab?
Wann waren die Informationen tatsächlich verfügbar?
Sind ausgeschiedene Wertpapiere enthalten?
Wurden historische Indexzusammensetzungen verwendet?
Wie wurden Splits und Dividenden behandelt?
Welche Märkte oder Wertpapiere wurden ausgeschlossen?
Wurden Auswahlregeln vorab festgelegt?
Wie viele Modellvarianten wurden mit denselben Daten untersucht?
Welche Gebühren und Ausführungsannahmen sind enthalten?
Gibt es fehlende oder nachträglich korrigierte Datenpunkte?

Warum korrekte Berechnungen trotzdem irreführend sein können

Ein Backtest kann mathematisch korrekt berechnet sein und dennoch eine verzerrte Aussage liefern.

Die Berechnung kann nur die Daten verarbeiten, die ihr zur Verfügung stehen. Sind diese Daten unvollständig, zeitlich falsch zugeordnet oder selektiv ausgewählt, bleibt auch das korrekt berechnete Ergebnis problematisch.

Datenqualität und Rechenlogik müssen deshalb getrennt geprüft werden.

Datenverzerrungen im LTI-Kontext

LearnTestInvest möchte historische Situationen so darstellen, dass Nutzer möglichst nachvollziehen können, welche Informationen zum jeweiligen Zeitpunkt verfügbar waren.

Entscheidungen sollen nicht mit später bekannt gewordenen Informationen bewertet werden.
Nutzer sollen zwischen damaliger Erwartung und heutigem Wissen unterscheiden.
Nachträgliche Gewissheit soll sichtbar werden.
Das bekannte Ergebnis darf nicht unbemerkt zur vermeintlich offensichtlichen Erklärung werden.
Regelmodell und tatsächliche Entscheidung sollen auf derselben Informationsbasis verglichen werden.

Aussagekraft und Grenzen

Selbst korrekte Rechenlogik beseitigt keine Verzerrung in ungeeigneten oder unvollständigen Daten.
Historische Datenquellen bilden nicht automatisch die damalige Entscheidungssituation korrekt ab.
Datenverzerrungen können auch nach der Auswertung noch unentdeckt bleiben.

Häufige Fragen

Was ist Look-ahead Bias?

Look-ahead Bias entsteht, wenn ein Backtest Informationen verwendet, die zum simulierten Entscheidungszeitpunkt noch nicht verfügbar waren.

Was ist Survivorship Bias?

Survivorship Bias entsteht, wenn nicht mehr bestehende oder gescheiterte Wertpapiere aus dem historischen Datensatz fehlen. Dadurch kann das Ergebnis systematisch günstiger erscheinen.

Was bedeutet Data Snooping?

Data Snooping bezeichnet die wiederholte Untersuchung zahlreicher Regeln oder Varianten mit demselben Datensatz. Je mehr Varianten betrachtet werden, desto größer ist die Wahrscheinlichkeit eines zufällig auffälligen historischen Ergebnisses.

Können vollständig korrekte Kursdaten trotzdem zu einer problematischen Aussage führen?

Ja. Auch korrekte Kursdaten können problematisch ausgewählt oder mit Informationen kombiniert werden, die zum damaligen Zeitpunkt nicht verfügbar waren.

Autor und Veröffentlichung

Autor

Jorge Leyria

Veröffentlichungsdatum

31.07.2026

Aktualisiert am

31.07.2026

Methodik-Hinweis

Die dargestellten Beispiele und Kennzahlen dienen der Erklärung historischer Untersuchungsmethoden. Sie stellen keine Prognose, Empfehlung oder Bewertung einer konkreten Anlageentscheidung dar. Historische Ergebnisse hängen von Datenbasis, Zeitraum, Modellannahmen und Berechnungsmethode ab.

Bildungshinweis

Die Inhalte und Funktionen von LearnTestInvest dienen der Bildung, Simulation, Selbstbeobachtung und Analyse von Investitionsentscheidungen. Sie stellen keine individuelle Anlageberatung, Finanzberatung, Kaufempfehlung, Verkaufsempfehlung oder Aufforderung zum Handel dar. Historische Daten, Simulationen, Regelmodelle und Kennzahlen erlauben keine verlässlichen Aussagen über zukünftige Entwicklungen oder Ergebnisse.