Survivorship Bias im Kryptohandel

Survivorship Bias im Kryptohandel

Definition:

Stellen Sie sich vor, Sie versuchen, zu lernen, wie man ein erfolgreiches Unternehmen aufbaut. Sie lesen Biografien von unglaublich erfolgreichen Unternehmern wie Elon Musk oder Jeff Bezos. Sie erfahren etwas über ihre Strategien, ihre Erfolge und die erstaunlichen Unternehmen, die sie aufgebaut haben. Aber was ist mit all den Unternehmen, die gescheitert sind? Was ist mit den unzähligen Unternehmern, die es versucht und nicht geschafft haben? Wenn Sie sich nur auf die Erfolge konzentrieren, verpassen Sie einen riesigen Teil des Bildes. Das ist im Wesentlichen der Survivorship Bias. Es ist die Tendenz, sich auf die Einheiten zu konzentrieren, die einen Prozess „überlebt“ haben, während man diejenigen übersieht, die es nicht geschafft haben, was zu einem verzerrten Verständnis der zugrunde liegenden Umstände führt.

Key Takeaway: Der Survivorship Bias führt zu ungenauen Analysen, indem er sich ausschließlich auf erfolgreiche Ergebnisse konzentriert und die Misserfolge ignoriert, was zu fehlerhaften Handelsstrategien und unrealistischen Erwartungen führt.

Mechanik

Der Survivorship Bias arbeitet durch selektive Datenpräsentation. Im Kontext des Kryptohandels bedeutet dies, sich auf die Performance bestehender Kryptowährungen (z. B. Bitcoin, Ethereum, Solana) zu konzentrieren und gleichzeitig die zahlreichen Altcoins zu ignorieren, die gescheitert, von den Börsen genommen oder einfach in der Versenkung verschwunden sind. Diese Misserfolge sind entscheidend für ein vollständiges Verständnis des Marktes, da sie die Risiken, die Fallstricke und die Faktoren aufzeigen, die sowohl zum Erfolg als auch zum Scheitern beitragen.

Hier ist eine Aufschlüsselung der Funktionsweise:

1. Datenauswahl: Der Händler oder Analyst berücksichtigt nur Daten von Kryptowährungen, die noch aktiv sind und gehandelt werden. Dies können historische Kursdaten, Handelsvolumen, Marktkapitalisierung oder andere relevante Kennzahlen sein.
2. Auslassung von Misserfolgen: Daten von gescheiterten Projekten, Betrügereien und von der Börse genommenen Coins werden ausgeschlossen. Dies erzeugt einen verzerrten Datensatz, da er nicht das gesamte Spektrum der Marktergebnisse repräsentiert.
3. Aufgeblähte Performance: Da die Misserfolge weggelassen werden, zeichnen die verbleibenden Daten oft ein günstigeres Bild des Marktes. Die Gesamtrenditen erscheinen höher, die Volatilität mag geringer erscheinen, und die wahrgenommene Erfolgsquote verschiedener Handelsstrategien wird aufgebläht.
4. Irreführende Schlussfolgerungen: Auf der Grundlage dieser verzerrten Daten ziehen Händler Schlussfolgerungen über Markttrends, die Wirksamkeit von Handelsstrategien und das allgemeine Risiko-Ertrags-Profil von Krypto-Investitionen. Diese Schlussfolgerungen sind oft ungenau und können zu schlechten Anlageentscheidungen führen.

Definition: Der Survivorship Bias ist der logische Fehler, sich auf die Menschen oder Dinge zu konzentrieren, die einen Selektionsprozess überstanden haben, und diejenigen zu übersehen, die dies nicht getan haben, typischerweise aufgrund ihrer mangelnden Sichtbarkeit.

Handelsrelevanz

Der Survivorship Bias wirkt sich in mehrfacher Hinsicht erheblich auf Handelsentscheidungen aus:

• Überschätzung der Renditen: Bei der Backtesting einer Handelsstrategie kann die Verwendung nur der Daten von überlebenden Kryptowährungen zu einer Überschätzung der potenziellen Renditen führen. Die Strategie mag im Backtest sehr profitabel aussehen, aber in Wirklichkeit hätte sie schlecht abgeschnitten, wenn sie auf eine breitere Palette von Vermögenswerten angewendet worden wäre, einschließlich derer, die gescheitert sind.
• Unterschätzung des Risikos: Das Fehlen gescheiterter Projekte in der Analyse kann zu einer Unterschätzung der mit Krypto-Investitionen verbundenen Risiken führen. Die Volatilität des Marktes und das Potenzial für erhebliche Verluste werden oft durch die Konzentration auf erfolgreiche Projekte verschleiert.
• Fehlerhafte Strategieentwicklung: Händler könnten Strategien auf der Grundlage der Performance einer ausgewählten Gruppe erfolgreicher Kryptowährungen entwickeln und davon ausgehen, dass diese Strategien im gesamten Markt konsistent funktionieren werden. Die Strategien sind jedoch möglicherweise spezifisch für die Eigenschaften der überlebenden Vermögenswerte und nicht auf die breitere Krypto-Landschaft anwendbar.
• Irreführende Performance-Kennzahlen: Performance-Kennzahlen wie Sharpe Ratio oder Sortino Ratio können durch den Survivorship Bias aufgebläht werden. Diese Kennzahlen werden verwendet, um die risikobereinigten Renditen einer Investition zu bewerten, aber sie liefern eine verzerrte Sichtweise, wenn sie auf verzerrten Daten basieren.

Risiken

Die Nichtberücksichtigung des Survivorship Bias im Kryptohandel setzt Händler verschiedenen erheblichen Risiken aus:

• Unrealistische Erwartungen: Zu glauben, dass der Markt durchweg rentabel ist und erfolgreiche Strategien leicht replizierbar sind.
• Schlechte Vermögensallokation: Starke Investitionen in Vermögenswerte auf der Grundlage irreführender Performance-Daten, was zu einem schlecht diversifizierten Portfolio führt.
• Erhöhte Verluste: Die Umsetzung von Handelsstrategien, die im breiteren Markt ineffektiv sind und zu erheblichen finanziellen Verlusten führen.
• Übermut: Die Entwicklung einer übermütigen Einstellung gegenüber den eigenen Handelsfähigkeiten, die auf dem wahrgenommenen Erfolg von Strategien basiert, was zu leichtsinnigen Entscheidungen führt.
• Verpasste Chancen: Das Ignorieren potenziell wertvoller Erkenntnisse aus den Fehlern anderer Projekte, wie z. B. Frühwarnzeichen für Betrügereien oder nicht nachhaltige Geschäftsmodelle.

Geschichte/Beispiele

Der Survivorship Bias ist ein allgegenwärtiges Problem in den Finanzmärkten und hat zahlreiche historische Beispiele, darunter:

• Frühe ICOs: Im ICO-Boom (Initial Coin Offering) von 2017 sammelten viele Projekte erhebliche Mittel ein, scheiterten aber letztendlich. Wenn ein Anleger nur die Performance erfolgreicher ICOs analysieren würde, hätte er eine sehr verzerrte Sicht auf den Gesamtmarkt. Die Misserfolge, die oft Betrug, Missmanagement oder mangelnde Akzeptanz beinhalteten, waren entscheidend für das Verständnis der damit verbundenen Risiken.
• Backtesting von Handelsstrategien: Stellen Sie sich vor, Sie backtesten eine Strategie nur mit den Kursdaten von Bitcoin seit seiner Gründung. Während die Strategie sehr rentabel erscheinen mag, würde sie die zahlreichen Altcoins, die im gleichen Zeitraum gescheitert sind, nicht berücksichtigen. Dies würde zu einer unrealistischen Bewertung des tatsächlichen Potenzials und des Risikos der Strategie führen.
• Die Dotcom-Blase: Die Dotcom-Blase der späten 1990er und frühen 2000er Jahre liefert ein klassisches Beispiel für den Survivorship Bias. Viele Internetunternehmen gingen an die Börse und erlebten ein rasantes Wachstum, aber die überwiegende Mehrheit scheiterte letztendlich. Wenn Sie sich nur die erfolgreichen Unternehmen wie Amazon oder Google ansehen würden, würden Sie die entscheidenden Lektionen aus den Misserfolgen verpassen, wie z. B. nicht nachhaltige Geschäftsmodelle und überhöhte Bewertungen.
• Analyse der Fondsperformance: Bei der Bewertung der Performance von Kryptofonds ist es wichtig, die Fonds zu berücksichtigen, die geschlossen oder fusioniert wurden. Wenn Sie nur die überlebenden Fonds analysieren, könnten Sie die Performance der gesamten Branche überschätzen.
• Coin-Delistings: Wenn Coins von großen Börsen genommen werden, kann dies ein Zeichen für zugrunde liegende Probleme sein. Das Ignorieren dieser Ereignisse und die Konzentration nur auf die Coins, die weiterhin gelistet sind, kann zu einem verzerrten Bild der Gesundheit des Marktes und der mit bestimmten Projekten verbundenen Risiken führen.

Die Bekämpfung des Survivorship Bias erfordert eine bewusste Anstrengung, Daten sowohl von erfolgreichen als auch von erfolglosen Projekten zu suchen und zu analysieren. Dazu gehört die Recherche nach gescheiterten ICOs, von der Börse genommenen Coins und Projekten, die aufgegeben wurden. Indem Sie diese umfassenden Daten in Ihre Analyse einbeziehen, können Sie ein realistischeres Verständnis des Kryptomarktes entwickeln, Risiken mindern und fundiertere Handelsentscheidungen treffen.