Alternative-Data-Marktplätze: Edge oder Marketing?

Satellitenbilder von Parkplätzen, Kreditkarten-Transaktionen, Stellenanzeigen, Schiffs- bewegungen, App-Downloads, Wetterprognosen — die Welt der Alternative Data ist seit zehn Jahren ein eigenes Geschäftsfeld. Marktplätze versuchen, diese Quellen für kleinere Fonds zugänglich zu machen. Was funktioniert, was kostet zu viel und was ist schlicht Marketing?

Worüber wir reden, wenn wir Alt-Data sagen.

Alternative Data sind Datensätze, die nicht aus klassischen Marktquellen (Börsen-Feeds, Fundamentaldaten, News) stammen, aber wirtschaftliche oder unternehmens-spezifische Signale enthalten. Die typischen Kategorien:

• Transaction Data: anonymisierte Kreditkarten- und Bankkonto-Daten — wer kauft was, wo, wie oft.
• Web & App Data: Traffic auf Webseiten, App-Downloads, Suchvolumina, Reviews.
• Geolocation: anonymisierte Mobilfunkdaten, Besucherströme in Filialen, Verkehrsmuster.
• Satellite & Imagery: Parkplatz-Frequenz, Schiffsbewegungen, Pipeline-Aktivität, Rohstoff-Lagerung.
• Sentiment & News: Social-Media-Stimmung, KI-gestützte Earnings-Call-Analyse, Reddit-Volumen.
• ESG & Corporate: Umweltberichte, Patente, Stellenanzeigen, Lieferketten-Daten.

Der Edge ist theoretisch klar: wer die Filial-Frequenz einer Einzelhandelskette zwei Wochen vor dem Quartalsbericht kennt, hat einen Informationsvorsprung gegenüber dem Konsens. Praktisch ist die Hürde, aus Roh-Daten ein handelbares Signal zu destillieren, häufig höher als die Erwartung.

Wer verkauft was?

Die Spannweite ist enorm: vom kostenlosen Nasdaq-Data-Link-Sample bis zum sechsstelligen Jahresvertrag für Satelliten-Pipelines. Was alle Marktplätze gemeinsam haben: sie aggregieren das Angebot und bieten standardisierte Verträge. Das spart Zeit gegenüber der direkten Verhandlung mit jedem Anbieter.

Nasdaq Data Link — der ehemalige Quandl.

Wer 2015 Alt-Data wollte, kam an Quandl nicht vorbei. Nach der Übernahme durch Nasdaq wurde die Plattform aufgeteilt: kuratierte Premium-Datensätze (Wiki Prices, ZACKS-Schätzungen, Wikipedia-Pageviews) sind weiterhin über die API erreichbar, viele Free-Tier-Datasets verschwanden oder zogen um. Heute ist Nasdaq Data Link der wahrscheinlich einfachste Einstieg.

Ein typischer Pull sieht so aus:

import nasdaqdatalink

nasdaqdatalink.ApiConfig.api_key = "YOUR_KEY"

# Wikipedia-Pageviews für Aktien-Tickers
data = nasdaqdatalink.get_table(
    "WIKI/PAGEVIEWS",
    ticker="AAPL",
    date={"gte": "2024-01-01", "lte": "2024-12-31"},
)
print(data.head())

# Earnings-Schätzungen
zacks = nasdaqdatalink.get_table(
    "ZACKS/EE",
    ticker="MSFT",
)
print(zacks.tail())

Wer mit Sentiment, Erwartungen und einfachen Web-Daten experimentieren will, kommt mit Nasdaq Data Link weit. Für tiefe institutionelle Datensätze (Kreditkarten, Geolocation) müssen Sie woanders hin.

Eagle Alpha und der Buy-Side-Markt.

Eagle Alpha ist der bekannteste Vendor-Aggregator für institutionelle Buy-Side-Kunden. Statt selbst Daten zu verkaufen, kuratieren sie über 1 500 Anbieter und matchen sie mit Kundenanfragen. Das ist wertvoll, weil der Markt extrem fragmentiert ist: ein spezieller Indien-Konsumdaten-Anbieter ist anders nicht zu finden.

Was Sie dort bekommen: kuratierte Datenkataloge, Onboarding-Hilfe, Vergleichs- Backtests und juristisches Vetting (DSGVO, US-Privacy, Lizenzklauseln). Was es kostet: für kleine Fonds zu viel. Eagle Alpha ist für Vermögensverwalter ab rund 500 Mio. AUM ausgelegt.

Snowflake Marketplace und AWS Data Exchange.

Die wahrscheinlich interessanteste Entwicklung der letzten Jahre: Cloud-Provider werden zu Daten-Marktplätzen. Snowflake hat das Modell perfektioniert — ein Anbieter stellt einen geteilten Datenbank-View bereit, Sie aktivieren ihn in Ihrer Snowflake- Instanz, ohne dass Daten kopiert werden. Updates erfolgen live.

Das hat zwei Konsequenzen. Erstens, Latenz und Konsistenz sind nicht mehr ein Problem des Käufers — der Anbieter pflegt eine einzige Quelle. Zweitens, die kommerziellen Modelle entwickeln sich weg von „Jahresgebühr" hin zu „Pay-per-Query". Für explorative Strategieentwicklung sehr attraktiv.

AWS Data Exchange folgt der gleichen Logik, ist aber technisch breiter (S3-Drops, APIs, Datenbanken). Wer schon AWS-zentriert arbeitet, findet hier eine wachsende Auswahl — von Bloomberg-Sub-Feeds bis zu öffentlichen Wirtschaftsdaten.

Wann lohnen sich Alt-Data wirklich?

Aus zehn Jahren Beratungspraxis: in zwei Fällen. Erstens, wenn Sie eine spezifische Hypothese haben, die sich nicht aus klassischen Daten validieren lässt. Beispiel: Sie vermuten, dass ein Einzelhändler in Spanien Marktanteile verliert. Mit Geolocation- oder Kreditkarten-Daten lässt sich das Wochen vor dem Earnings-Call überprüfen.

Zweitens, wenn Sie ein Investment-Universum von 50 bis 500 Titeln systematisch überwachen und ein zusätzliches Signal-Layer aufbauen, das mit klassischen Faktoren nicht korreliert. Hier kommen Alt-Data-Faktoren als kleine, aber konsistente Verbesserungen des Sharpe-Ratios ins Spiel.

Wann lohnt es sich nicht? Wenn die jährlichen Kosten eines Datensatzes mehr als 1 bis 2 Prozent Ihres AUM oder Ihres erwarteten Edge-Werts ausmachen. Dann ist die Datennachfrage größer als die Strategie sie tragen kann.

Stolperfallen aus der Praxis.

• Survivorship & Look-Ahead: viele Anbieter liefern Daten erst nach öffentlicher Verfügbarkeit, ohne Point-in-Time-Snapshot. Sie testen versehentlich gegen ein perfektes Wissen, das Sie real nie hatten.
• Sample-Größe: Kreditkarten-Daten basieren oft auf einem Panel von wenigen Millionen Karten — extrapoliert auf hunderte Mio. Konsumenten. Das ist ein Modellrisiko, kein Datenrisiko.
• Lizenzfragen: bei manchen Datasets dürfen Sie Backtests fahren, aber keine produktive Strategie betreiben. Sorgfältig lesen.
• Datenpflege: alternative Daten ändern Format und Coverage häufiger als klassische Marktdaten. Kalkulieren Sie 0,5 bis 1 FTE für Pflege ein.
• Multiple Testing: 1 000 Datensätze gegen 1 000 Strategien getestet — Sie finden immer etwas. Disziplin in der Hypothesenbildung ist wichtiger als die Datenquelle.

Eine pragmatische Roadmap.

Wenn Sie heute starten wollen, gehen Sie in drei Schritten vor. Erstens, formulieren Sie zwei bis drei konkrete Hypothesen — keine offene Suche. Beispiel: „Wir glauben, dass App-Downloads Frühindikatoren für SaaS-Umsatzwachstum sind." Zweitens, finden Sie pro Hypothese ein günstiges Sample-Dataset (Nasdaq Data Link, Snowflake Marketplace), das die Hypothese testbar macht. Drittens, wenn das Backtesting positiv ist, verhandeln Sie mit dem Anbieter über produktive Lizenz und Datenfluss.

Diese Reihenfolge — Hypothese, Sample, dann Vollvertrag — vermeidet die häufigste Falle: tausende Euro für einen Datensatz auszugeben, der am Ende keinen handelbaren Edge produziert.

Fazit.

Alternative Data sind weder Heilsbringer noch reines Marketing. Sie sind ein spezialisiertes Werkzeug, das in bestimmten Strategien einen messbaren Vorsprung liefert — und in vielen anderen ein teurer Distraktor ist. Die Marktplätze haben die Hürden gesenkt, die Disziplin in der Auswahl bleibt Ihre Aufgabe.

Mein wichtigster Ratschlag: behandeln Sie Alt-Data wie jede andere Forschungsinvestition. Ein Datensatz, der Ihnen 200 Backtest-Stunden kostet und keinen Edge bringt, ist nicht „mein Backtest war schlecht" — es ist eine sehr teure Lernerfahrung über Ihren Markt.

Sie wollen Alt-Data in Ihre Strategie einbauen und die Vendor-Landschaft strukturiert evaluieren? Erstgespräch buchen — wir filtern gemeinsam, was zu Ihrem Edge passt und was Ihr Budget verschwendet.