Alternative Daten richtig onboarden von der Trial-Lieferung zum belastbaren Signal.

Alternative Daten — Satellitenbilder, Kreditkarten-Transaktionen, Web-Scraping, App-Nutzung, Schiffsbewegungen — gelten seit Jahren als Edge im systematischen Trading. Die Realität ist ernüchternder: Die große Mehrheit der angebotenen Datensätze ist ihr Geld nicht wert. Sie enthalten zu wenig Historie, sind voller Bias, lassen sich nicht sauber mit dem eigenen Universum verknüpfen oder das vermeintliche Alpha ist längst weg, bevor der Vertrag unterschrieben ist. Das Problem ist nur: Man sieht das einem Datensatz nicht an. Verkaufsfolien zeigen immer eine schöne Backtest-Kurve. Wer ohne strukturierten Onboarding-Prozess kauft, zahlt fünf- bis sechsstellig pro Jahr für Daten, die nichts beitragen — und merkt es erst spät. Dieser Beitrag beschreibt einen belastbaren Prozess, mit dem sich Signal von Verkaufsfolie trennen lässt: von der Trial-Lieferung über Entity-Mapping, Bias- und Survivorship-Prüfung bis zur ehrlichen Alpha-Decay-Analyse. Er kostet Disziplin, spart aber teure Fehlkäufe und macht die wenigen wirklich wertvollen Sets überhaupt erst erkennbar.

Warum die meisten Alt-Data-Sets enttäuschen.

Der Markt für alternative Daten ist von Anbietern getrieben, deren Geschäftsmodell der Verkauf ist — nicht der Handelserfolg des Käufers. Das verzerrt die Anreize. Ein Datensatz wird mit der bestmöglichen Backtest-Kurve präsentiert, oft auf genau dem Zeitraum optimiert, der gut aussieht.

Hinzu kommen strukturelle Probleme. Viele Sets haben nur zwei bis drei Jahre Historie — zu wenig, um Saisonalität und Regimewechsel zu beurteilen. Andere wurden nachträglich rekonstruiert und enthalten dadurch Look-Ahead-Bias. Wieder andere decken nur einen verzerrten Ausschnitt des Marktes ab: bestimmte Regionen, bestimmte Firmengrößen, bestimmte Verbrauchergruppen.

Das bedeutet nicht, dass alternative Daten wertlos sind. Es gibt wertvolle Sets. Aber sie sind die Minderheit, und sie zu finden erfordert einen Prozess, der das Verkaufsnarrativ systematisch zerlegt. Wer ohne diesen Prozess kauft, trifft Entscheidungen auf Basis genau der Folie, die zum Verkaufen gebaut wurde.

Die Trial-Phase richtig nutzen.

Seriöse Anbieter stellen einen Trial-Datensatz bereit — oft einen historischen Ausschnitt. Genau hier entscheidet sich viel. Der häufigste Fehler ist, den Trial nur oberflächlich anzusehen und sich von der Anbieter-Backtest-Kurve überzeugen zu lassen.

Sinnvoller ist, den Trial wie einen eigenen kleinen Forschungsauftrag zu behandeln. Drei Fragen stehen im Zentrum: Lässt sich der Datensatz technisch sauber verarbeiten? Lässt er sich überhaupt mit dem eigenen Handelsuniversum verbinden? Und reicht die Historie für eine ehrliche Auswertung?

Wichtig ist, den Trial-Zeitraum zu kennen und zu prüfen, ob er repräsentativ ist. Ein Datensatz, der nur eine Bullenphase abdeckt, sagt wenig über das Verhalten in Stressphasen. Idealerweise verhandelt man eine Trial-Historie, die mindestens eine Marktturbulenz einschließt.

Realistisch ist eine gründliche Trial-Bewertung Wochen Arbeit, nicht Stunden. Das ist Absicht: Der Aufwand verhindert teure Fehlentscheidungen über mehrjährige Lizenzverträge.

Entity-Mapping als erste harte Hürde.

Alternative Daten kommen selten mit sauberen Tickern. Kreditkartendaten nennen Händlernamen, Satellitendaten geografische Koordinaten, Web-Scraping Produktmarken. Diese müssen erst korrekt mit börsennotierten Unternehmen verknüpft werden — und genau hier scheitern viele Onboardings still.

Ein Beispiel: Ein Konsumdatensatz zeigt Umsätze einer Marke. Aber gehört die Marke zur börsennotierten Mutter, zu einer Tochter, oder ist sie längst verkauft? Wer das falsch mappt, verknüpft Signale mit dem falschen Wertpapier — und der Backtest zeigt Alpha, das in der Realität nicht handelbar ist.

Entity-Mapping ist eigene Ingenieursarbeit: Es braucht eine gepflegte Referenz, die Marken, Tochtergesellschaften, Umfirmierungen und Übernahmen über die Zeit korrekt zuordnet — und zwar mit historischer Gültigkeit, nicht nur im heutigen Stand. Ein Datensatz, der sich nicht zu vertretbarem Aufwand mappen lässt, ist faktisch wertlos, egal wie gut sein Inhalt wäre.

Bias- und Survivorship-Prüfung.

Jeder alternative Datensatz hat blinde Flecken. Die Aufgabe ist, sie zu finden, bevor man auf ihnen handelt. Vier Bias-Typen sind besonders verbreitet:

• Coverage-Bias: Der Datensatz deckt nur einen Teil des Marktes ab — etwa nur große Firmen oder nur eine Region. Signale für nicht abgedeckte Werte fehlen oder sind unzuverlässig.
• Survivorship-Bias: Firmen oder Datenquellen, die im Untersuchungszeitraum verschwanden, fehlen rückwirkend. Das schönt jede Auswertung systematisch.
• Reporting-Bias: Die abgedeckte Population ändert sich über die Zeit — neue Quellen kommen hinzu, alte fallen weg. Was wie ein Trend aussieht, ist manchmal nur eine Veränderung der Stichprobe.
• Backfill-Bias: Historische Werte wurden nachträglich ergänzt oder revidiert und waren live nie in dieser Form bekannt.

Die Prüfung erfordert, die Zusammensetzung des Datensatzes über die Zeit zu betrachten — nicht nur seinen Inhalt zu einem Stichtag. Bleibt die Abdeckung stabil? Wachsen die Stichproben sprunghaft? Solche Brüche sind Warnsignale, die in der Verkaufsfolie nie auftauchen.

Alpha-Decay ehrlich messen.

Selbst ein sauberer, gut gemappter Datensatz kann wertlos sein, weil sein Edge schon weg ist. Alpha-Decay beschreibt, wie schnell ein Signal an Vorhersagekraft verliert — durch breitere Verfügbarkeit der Daten, durch andere Marktteilnehmer, durch eingepreiste Information.

Zwei Decay-Dimensionen sind zu prüfen. Erstens der Latenz-Decay: Wie schnell muss man auf das Signal reagieren, bevor es verpufft? Wenn die Daten erst mit Tagen Verzögerung geliefert werden, das Signal aber nur Stunden trägt, ist es unbrauchbar. Zweitens der Crowding-Decay: Verliert das Signal über die Jahre an Kraft, weil es immer mehr Marktteilnehmer nutzen?

Ein praktischer Test ist, die Signalstärke über aufeinanderfolgende Zeiträume zu vergleichen. Bricht sie in den jüngeren Perioden ein, ist das Set vermutlich überlaufen. Wichtig ist hier, ehrlich gegen sich selbst zu sein: Ein attraktiver Gesamt-Backtest, der seine Kraft nur aus den frühen Jahren zieht, ist eine Falle.

Der strukturierte Onboarding-Trichter.

Aus den einzelnen Prüfungen lässt sich ein Trichter bauen, der Kandidaten in fester Reihenfolge filtert — von billig zu teuer in der Prüfung, sodass schwache Sets früh ausscheiden:

Der Vorteil dieser Reihenfolge: Die teuren Auswertungen macht man nur für Sets, die die billigen Hürden überstanden haben. Die meisten Kandidaten scheitern schon bei Mapping oder Historie — bevor man Aufwand in eine vollständige Alpha-Analyse steckt.

Grenzen und realistische Erwartung.

Auch der beste Prozess macht aus mittelmäßigen Daten kein Gold. Er verhindert vor allem Fehlkäufe und schafft Vergleichbarkeit zwischen Anbietern. Die ehrliche Erwartung: Von zehn evaluierten Sets überstehen oft nur ein oder zwei den gesamten Trichter — und selbst die liefern meist nur einen marginalen, kombinierbaren Edge, kein eigenständiges Handelssystem.

Zudem ist der Prozess selbst Aufwand. Ein gründliches Onboarding pro Datensatz bindet Wochen an Analystenzeit. Für kleine Teams kann das bedeuten, sich auf wenige, vielversprechende Quellen zu konzentrieren, statt den ganzen Markt zu screenen.

Und es bleibt ein bewegliches Ziel: Ein heute wertvolles Set kann in zwei Jahren überlaufen sein. Onboarding ist deshalb kein einmaliger Akt, sondern braucht ein laufendes Monitoring — sonst zahlt man weiter für ein Signal, das längst verschwunden ist. Der Prozess endet nicht mit der Kaufentscheidung, sondern begleitet die Lizenz über ihre gesamte Laufzeit.

Sie erwägen den Kauf eines alternativen Datensatzes oder wollen Ihren bestehenden Alt-Data-Bestand kritisch durchleuchten? Unverbindlich anfragen — wir bauen mit Ihnen einen reproduzierbaren Onboarding-Trichter aus Mapping-, Bias- und Decay-Tests und prüfen ehrlich, welche Sets ihren Preis tatsächlich wert sind.