Survivorship Bias bei On-Chain-Modellen vermeiden

Definition

Survivorship Bias, auch Überlebensirrtum genannt, ist ein kognitiver Kurzschluss und ein statistischer Fehler, der auftritt, wenn ein Datensatz oder eine Analyse sich ausschließlich auf erfolgreiche Ergebnisse oder Entitäten konzentriert und dabei jene ignoriert, die gescheitert sind, verschwunden sind oder anderweitig von der Beobachtung ausgeschlossen wurden. An den Finanzmärkten bedeutet dies typischerweise, die Performance bestehender Investitionen zu bewerten, ohne jene zu berücksichtigen, die nicht mehr existieren, was zu einer Überschätzung der historischen Performance und einer übermäßig optimistischen Sicht auf die Marktgesundheit oder Strategieeffizienz führt.

Survivorship Bias ist die Tendenz, die Performance bestehender Investitionen zu bewerten, ohne jene zu berücksichtigen, die gescheitert sind, was zu einer Überschätzung der historischen Performance führt.

Kernaussage

Das Ignorieren des vollständigen historischen Universums von Vermögenswerten, einschließlich jener, die gescheitert oder delistet wurden, führt unweigerlich zu einer überhöhten Wahrnehmung der vergangenen Performance für jede Trading-Strategie oder Investmentthese. Dies ist besonders gefährlich im sich schnell entwickelnden und oft unbarmherzigen Kryptowährungsmarkt, wo Projekte mit beispielloser Geschwindigkeit entstehen und verschwinden können. Eine Strategie, die ausschließlich auf aktuell aktiven Vermögenswerten backgetestet wird, wird fast mit Sicherheit bessere Ergebnisse zeigen, als sie in Wirklichkeit erzielt hätte, da sie implizit alle „Verlierer“ aus ihrer historischen Stichprobe entfernt.

Mechanik

Survivorship Bias manifestiert sich in On-Chain-Modellen hauptsächlich durch die selektive Konstruktion des handelbaren Universums. Wenn Forscher oder Trader einen Datensatz für Backtesting oder Analyse erstellen, schließen sie oft unbeabsichtigt nur Vermögenswerte, Protokolle oder Adressen ein, die zum Zeitpunkt der Analyse noch aktiv oder relevant sind. Dies erzeugt eine verzerrte historische Ansicht, bei der:

Token-Universum: Wenn ein Backtest nur die Top-100-Kryptowährungen nach Marktkapitalisierung heute berücksichtigt, schließt er automatisch unzählige Token aus, die einst prominent waren, aber seitdem gescheitert, von Börsen delistet oder vollständig inaktiv geworden sind. Eine Strategie, die einen inzwischen nicht mehr existierenden Token wie LUNA (vor dem Kollaps) oder verschiedene frühe ICOs gehandelt hätte, würde so erscheinen, als hätte sie diese Misserfolge vermieden, wenn der Backtest nur aktuelle Überlebende umfasst.
Protokollauswahl: On-Chain-Modelle analysieren oft spezifische DeFi-Protokolle, NFTs oder DApps. Wenn sich die Analyse ausschließlich auf Protokolle konzentriert, die derzeit erfolgreich und liquide sind, ignoriert sie die zahlreichen Projekte, die gestartet, anfängliche Aufmerksamkeit erlangt und dann in Vergessenheit geraten sind oder kritische Exploits erlitten haben. Ein Modell, das Liquiditätspools analysiert, könnte beispielsweise nur jene auf etablierten Plattformen wie Uniswap oder Curve berücksichtigen und dabei die vielen kleineren, risikoreicheren Pools übersehen, die zusammengebrochen oder durch „Rug Pulls“ liquidiert wurden.
Adressaktivität: Bei der Analyse von Wallet-Verhalten oder Smart-Contract-Interaktionen kann die Konzentration auf nur aktuell aktive oder „Wal“-Adressen ebenfalls zu Bias führen. Die historische Analyse von Adressclustern könnte die Muster von Adressen übersehen, die einst bedeutsam waren, aber seitdem aufgrund von Geldverlusten, Projekt-Aufgaben oder einfach dem Ausstieg aus dem Markt inaktiv geworden sind. Dies kann zu einem unvollständigen Verständnis der historischen Marktdynamik und des Teilnehmerverhaltens führen.

Das Kernproblem besteht darin, dass das für die historische Analyse verwendete Marktuniversum nicht genau das Marktuniversum widerspiegelt, das zu jedem spezifischen Zeitpunkt in der Vergangenheit existierte. Dies führt zu einer künstlichen Aufblähung der Strategieperformance, da alle negativen Ergebnisse, die mit gescheiterten Vermögenswerten verbunden sind, systematisch aus der historischen Simulation entfernt werden.

Trading-Relevanz

Für quantitative Trader und Forscher, die On-Chain-Modelle entwickeln, ist das Verständnis und die Minderung von Survivorship Bias von größter Bedeutung. Seine Präsenz kann zu schwerwiegend irreführenden Schlussfolgerungen über die Lebensfähigkeit und Rentabilität einer Strategie führen. Eine Strategie, die in einem Backtest als hochprofitabel erscheint, könnte im Live-Trading aufgrund dieses Bias schlecht oder sogar katastrophal abschneiden.

Erstens sind aufgeblähte Backtest-Ergebnisse die direkteste Konsequenz. Eine Strategie könnte historisch beeindruckende Renditen und geringe Drawdowns aufweisen, aber diese Zahlen werden künstlich erhöht, da die Strategie implizit angenommen wird, alle gescheiterten Vermögenswerte vermieden zu haben. Dies schafft ein falsches Sicherheitsgefühl und kann zu übermäßigem Vertrauen in ein fehlerhaftes Modell führen. Zweitens ist eine irreführende Risikobewertung eine erhebliche Gefahr. Wenn die historische Volatilität und der maximale Drawdown einer Strategie auf einem Universum von nur überlebenden Vermögenswerten berechnet werden, wird das wahre Risikoprofil unterschätzt. Der tatsächliche Markt mit seinen inhärenten Misserfolgen und Black-Swan-Ereignissen ist weitaus risikoreicher, als die verzerrten historischen Daten vermuten lassen. Dies kann dazu führen, dass Trader mehr Risiko eingehen als beabsichtigt, was zu erheblichen Kapitalverlusten führt.

Darüber hinaus kann Survivorship Bias die Generalisierbarkeit einer Strategie auf zukünftige Marktbedingungen behindern. Ein Modell, das auf einem voreingenommenen Datensatz trainiert wurde, kann Muster identifizieren, die spezifisch für erfolgreiche Vermögenswerte sind, anstatt robuste Marktdynamiken widerzuspiegeln. Wenn es in einer Live-Umgebung eingesetzt wird, in der ständig neue Projekte entstehen und alte scheitern, kann die Strategie Schwierigkeiten haben, sich anzupassen oder wie erwartet zu funktionieren. Letztendlich ist das Ziel der On-Chain-Modellierung, robuste, wiederholbare Vorteile zu identifizieren. Survivorship Bias untergräbt dieses Ziel, indem er eine idealisierte statt einer realistischen historischen Landschaft präsentiert.

Risiken

Die Risiken, die mit Survivorship Bias in On-Chain-Modellen verbunden sind, gehen über bloße statistische Ungenauigkeiten hinaus und beeinflussen die Kapitalallokation, das psychologische Vertrauen und den gesamten Trading-Erfolg.

Überschätzung von Alpha und Renditen: Das unmittelbarste Risiko ist der Glaube, dass eine Strategie mehr Alpha oder höhere Renditen generiert, als sie tatsächlich tut. Dies kann zu unrealistischen Gewinnerwartungen und schlechten Investitionsentscheidungen führen, da Kapital auf der Grundlage einer unerreichbaren historischen Performance zugewiesen wird.
Unterschätzung von Drawdown und Volatilität: Durch den Ausschluss von Vermögenswerten, die erhebliche Preisrückgänge oder einen vollständigen Ausfall erlitten haben, erscheinen die historischen Drawdown- und Volatilitätsmetriken einer Strategie niedriger, als sie tatsächlich waren. Dies kann zu unzureichendem Risikomanagement, unangemessener Positionsgröße und einer höheren Wahrscheinlichkeit katastrophaler Verluste unter ungünstigen Marktbedingungen führen.
Falsches Vertrauen und psychologische Auswirkungen: Trader und Investoren könnten ein falsches Vertrauen in ihre Modelle entwickeln, was sie dazu verleitet, übermäßige Hebelwirkung einzusetzen oder größere Wetten einzugehen. Wenn die Strategie im Live-Trading unweigerlich schlechter abschneidet, kann dies zu erheblichem psychischem Stress, Zweifeln und potenziell impulsiven Entscheidungen führen, eine potenziell solide Strategie vorzeitig aufzugeben oder umgekehrt, eine fehlerhafte zu verstärken.
Suboptimale Kapitalallokation: Ressourcen, sei es Rechenleistung für die Datenverarbeitung oder tatsächliches Trading-Kapital, könnten falsch auf Strategien verteilt werden, die nicht wirklich robust sind. Dies lenkt Kapital von potenziell effektiveren Strategien oder sichereren Investitionen ab und behindert das gesamte Portfoliowachstum.
Systemisches Risiko in Ökosystemen: Wenn ein erheblicher Teil des Marktes auf Modellen basiert, die von Survivorship Bias betroffen sind, könnte dies zu systemischer Instabilität beitragen. Eine kollektive Fehleinschätzung des Risikos bei vielen Teilnehmern könnte zu Kaskadenfehlern führen, wenn die Marktbedingungen von den voreingenommenen historischen Erwartungen abweichen.

Im Krypto-Bereich werden diese Risiken durch die inhärente Volatilität des Marktes, schnelle Innovationszyklen und die Prävalenz von Projekten mit kurzer Lebensdauer verstärkt. Rug Pulls, Smart-Contract-Exploits, Projekt-Aufgaben und Börsen-Delistings sind häufige Vorkommnisse, die, wenn sie in historischen Daten ignoriert werden, ein unrealistisch rosiges Bild potenzieller Renditen zeichnen.

Geschichte und Beispiele

Survivorship Bias ist nicht nur im Krypto-Bereich zu finden; er hat eine lange Geschichte in der traditionellen Finanzwelt. Ein klassisches Beispiel betrifft Investmentfonds: Wenn man nur die Performance von Fonds analysiert, die heute noch existieren, erscheinen die durchschnittlichen Renditen deutlich höher, als wenn man die Renditen von Fonds einbezieht, die aufgrund schlechter Performance geschlossen oder fusioniert wurden. Ähnlich können auch Aktienmarktindizes, die regelmäßig schlecht performende Unternehmen entfernen und neue, erfolgreiche hinzufügen, eine Form von Survivorship Bias aufweisen, wenn sie nicht korrekt angepasst werden.

Im Kontext von On-Chain-Modellen gibt es zahlreiche spezifische Beispiele:

Der ICO-Boom und -Bust (2017-2018): Viele On-Chain-Modelle, die während oder nach dieser Periode entwickelt wurden, könnten sich auf die wenigen ICOs konzentrieren, die überlebt und floriert haben (z.B. Ethereum, Binance Coin), während sie die Tausenden ignorieren, die gescheitert sind, Betrug waren oder einfach verschwanden. Ein Backtest, der nur die „Gewinner“ einschließt, würde die Rentabilität einer ICO-Investmentstrategie drastisch überschätzen.
DeFi-Sommer und nachfolgende Abstürze (2020-2022): Das schnelle Wachstum des dezentralen Finanzwesens führte zur Entstehung unzähliger neuer Protokolle. Viele boten hohe Renditen und innovative Funktionen, aber eine beträchtliche Anzahl erlitt Exploits, Rug Pulls oder konnte ihre Modelle einfach nicht aufrechterhalten. Wenn ein On-Chain-Modell für Yield Farming oder Liquiditätsbereitstellung nur aktuell erfolgreiche Protokolle wie Aave oder Compound berücksichtigt, ignoriert es die historischen Risiken, die mit Projekten wie Iron Finance (TITAN) oder verschiedenen algorithmischen Stablecoins verbunden sind, die ihre Bindung verloren und zusammenbrachen.
NFT-Projekte: Der NFT-Markt hat ein explosives Wachstum und nachfolgende Korrekturen erlebt. Eine On-Chain-Analyse von NFT-Trading-Strategien, die nur erfolgreiche Kollektionen wie CryptoPunks oder Bored Ape Yacht Club einschließt, während die überwiegende Mehrheit der Projekte, die wenig bis gar kein Handelsvolumen oder Wert sahen, ausgelassen wird, wäre stark voreingenommen. Die wahre historische Performance einer NFT-Trading-Strategie muss die zahlreichen gescheiterten oder illiquiden Kollektionen berücksichtigen.
Börsen-Delistings: Token werden häufig von Börsen delistet, aufgrund von geringem Volumen, regulatorischen Bedenken oder Projekt-Scheitern. Wenn ein Backtest Daten von einer großen Börse verwendet, aber Token nicht berücksichtigt, die während des historischen Zeitraums delistet wurden, nimmt er implizit an, dass die Strategie diese Token ohne Probleme weiter gehalten oder gehandelt hätte, was unrealistisch ist.

Diese Beispiele verdeutlichen, dass man zur genauen Bewertung der historischen Performance das handelbare Universum so rekonstruieren muss, wie es zu jedem Zeitpunkt existierte, einschließlich aller Vermögenswerte, die zum Handel verfügbar waren, unabhängig von ihrem späteren Schicksal.

Häufige Missverständnisse

Mehrere Missverständnisse hindern Trader und Forscher oft daran, Survivorship Bias in ihren On-Chain-Modellen vollständig zu adressieren.

Ein häufiges Missverständnis ist der Glaube, dass Survivorship Bias nur für Token gilt, die auf Null gefallen sind. Während Token, die auf Null kollabieren, die dramatischsten Beispiele sind, entsteht der Bias auch durch den Ausschluss von Vermögenswerten, die lediglich delistet wurden, illiquide wurden oder einfach so schlecht performten, dass sie in aktuellen Analysen ignoriert werden. Ein Token muss nicht völlig wertlos sein, um Bias einzuführen; seine Entfernung aus dem aktiven Universum reicht aus, um historische Performance-Metriken zu verzerren. Ähnlich könnten Protokolle, die technisch noch in Betrieb sind, aber einen erheblichen Nutzerverlust oder TVL (Total Value Locked) erlitten haben, implizit aus einer Liste der „Top-Protokolle“ ausgeschlossen werden, was zu Bias führt.

Ein weiteres häufiges Missverständnis ist, dass Datenanbieter Survivorship Bias automatisch handhaben. Obwohl einige hochwertige Datenanbieter eine historische Universumskonstruktion anbieten, ist dies keine universelle Funktion, insbesondere für die granularen, sich schnell ändernden Daten, die für die On-Chain-Analyse erforderlich sind. Viele Datenfeeds liefern einfach aktuelle aktive Symbole oder historische Daten für derzeit gelistete Vermögenswerte. Es liegt in der Verantwortung des Forschers, explizit ein umfassendes historisches Universum anzufordern oder zu konstruieren, das delistete oder gescheiterte Entitäten einschließt. Sich ausschließlich auf einen Datenanbieter zu verlassen, ohne dessen Methodik zu verstehen, kann den Bias aufrechterhalten.

Schließlich glauben einige, dass Survivorship Bias im kurzfristigen Handel oder bei hochliquiden Vermögenswerten vernachlässigbar ist. Obwohl seine Auswirkungen über sehr kurze Zeiträume weniger ausgeprägt sein mögen, beeinflusst er dennoch den historischen Kontext und die Auswahl des Vermögensuniversums. Selbst bei hochliquiden Vermögenswerten ändert sich die Zusammensetzung der Top-Assets im Laufe der Zeit. Eine kurzfristige Strategie, die auf den aktuellen Top-10-Assets backgetestet wird, könnte immer noch die historische Volatilität und den eventuellen Rückgang eines Assets übersehen, das einst in den Top 10 war, aber seitdem an Gunst verloren oder gescheitert ist. Das Prinzip bleibt: Jede historische Analyse, die das vollständige, zeitlich variierende Universum handelbarer Vermögenswerte nicht berücksichtigt, ist anfällig für diesen Bias.

Zusammenfassung

Survivorship Bias stellt eine erhebliche Herausforderung bei der Entwicklung und dem Backtesting von On-Chain-Trading-Modellen dar, insbesondere in der dynamischen und volatilen Kryptowährungslandschaft. Er entsteht aus der Tendenz, sich ausschließlich auf erfolgreiche oder derzeit existierende Vermögenswerte, Protokolle oder Adressen zu konzentrieren und dabei jene zu ignorieren, die gescheitert, delistet oder inaktiv geworden sind. Diese selektive Beobachtung führt zu einer Überschätzung der historischen Strategieperformance, einer Unterschätzung des wahren Risikos und letztendlich zur Erstellung von Modellen, die für Live-Trading-Umgebungen nicht robust genug sind.

Um Survivorship Bias effektiv zu mindern, ist es für quantitative Trader und Forscher unerlässlich, das historische handelbare Universum akribisch zu rekonstruieren. Dies beinhaltet das aktive Suchen und Einbeziehen von Daten für alle Vermögenswerte, die zu einem bestimmten Zeitpunkt verfügbar waren, unabhängig von ihrem späteren Schicksal. Durch die Einbeziehung der „Verlierer“ neben den „Gewinnern“ in Backtests können Modelle eine weitaus realistischere und zuverlässigere Bewertung ihrer historischen Wirksamkeit erzielen, was zu fundierteren Entscheidungen und widerstandsfähigeren Trading-Strategien in der komplexen Welt der On-Chain-Finanzen führt. Diesen Bias zu ignorieren, ist vergleichbar damit, ein Minenfeld zu durchqueren, während man nur auf die Wege schaut, auf denen andere erfolgreich gegangen sind, und dabei die vielen Wege ignoriert, auf denen sie gescheitert sind.