Institutional Money, Ausgabe 4 | 2025

Der Survivorship Bias entsteht, wenn Backtests nur aktu- ell aktive Aktien einbeziehen und nicht mehr notierte oder insolvente Vermögenswerte ignorieren. Solche Auslassun- gen führen systematisch zu überhöhten Renditen und zu XQWHUVFKÌW]WHQ 5LVLNHQ (LQH KÌXljJH 8UVDFKH LVW GLH 9HU- wendung der aktuellen S&P-500-Indexmitglieder als his- torisches Anlageuniversum. Diese Praxis führt zu dem, was Garcia und Gould in den 90er-Jahren als „Preinclusion Bias“ bezeichneten, ebenfalls eine Form von Look-Ahead Bias, bei der die zukünftige Indexmitgliedschaft vergangene (QWVFKHLGXQJHQ EHHLQijXVVW 'LH $XVZLUNXQJHQ VLQG JXW dokumentiert: Mark Grinblatt und Sheridan Titman taten dies bereits 1989 in „Mutual Fund Performance: An Analy- sis of Quarterly Portfolio Holdings“, publiziert im Journal of Business, aber auch Edwin J. Elton, Martin J. Gruber und Christopher R. Blake mit „Survivor Bias andMutual Fund Performance“ von 1996 schätzten jährliche Renditever- zerrungen zwischen 0,1 Prozent und 0,9 Prozent. Stephen J. Brown, William Goetzmann, Roger G. Ibbotson und Stephen A. Ross konnten 1992 in „Survivorship Bias in Per- formance Studies“ darlegen, dass selbst geringe Biases die Persistenz der Performance verfälschen können. Der Look-Ahead Bias entsteht, wenn eine Strategie Infor- mationen verwendet, die zum Zeitpunkt der Entschei- GXQJVljQGXQJ QRFK QLFKW EHNDQQW ZDUHQ 'D]X JHKĆUW die Auswahl von Merkmalen, Parametern oder Symbo- len basierend auf Ergebnissen des gesamten Zeitraums, ZRGXUFK ]XNĞQIWLJHV :LVVHQ LQ GHQ %DFNWHVW HLQijLHĕW Auch als Multiple-Testing Bias bekannt, tritt er auf, wenn wiederholte Experimente mit demselben Datensatz zu ¶EHUDQSDVVXQJ 2YHUljWWLQJ IĞKUHQ ,P )LQDQ]ZHVHQ ZR GLH 6WLFKSUREHQJUĆĕH NOHLQ XQG GDV 6LJQDO 5DXVFKHQ9HU- hältnis sehr niedrig ist, ist dieser Bias besonders problema- tisch. So konnten David H. Bailey, Jonathan Michael Bor- wein, Marcos M. López de Prado und Qiji Jim Zhu 2015 Der Wunsch, mithilfe von LLM-Modellen bessere Anlageergebnisse zu erzielen, ist naheliegend. Leider zeigen entsprechende Untersuchungen, dass man sich von den bisher zur Verfügung stehenden Angeboten nicht zu viel erwarten sollte. Zusammenfassung von LLM-basierten Investmentstrategien Kurze Evaluierungsperioden und wenig Aktien in den Methoden Methode Evaluierungsperiode Evaluierungssymbole Code MarketSenseAI 1 Jahr und 3 Monate 100 TradingGPT Keine Angaben Keine Angaben FinMem 6 Monate 5 FinAgent 6 Monate 6 FinRobot Keine Angaben Keine Angaben TradExpert 1 Jahr 30 FinCon 8 Monate 8 TradingAgents 3 Monate 3 MarketSenseAI 2.0 2 Jahre 100 Längere Zeiträume und breitere Aktienuniversen wären wichtig , um verlässlichere Aussagen zur Robustheit der Ergebnisse LLM-basierter Anlagestrategien treffen zu können. Evaluierungssymbole sind hier Aktien. Quelle: Studie N o . 4/2025 | institutional-money.com 97 Investmentstrategien | THEORIE & PRAXIS FOTO: © DANIEL | GENERIERT MIT KI | STOCK.ADOBE.COM