Zum Inhalt

Survivorship Bias

Taleb: „We see only the survivors, and only the survivors, which imparts such a mistaken perception of the odds. The survivorship bias depends on the size of the initial population of those who started in the activity."

Das Konzept

Survivorship Bias entsteht, wenn wir nur die Überlebenden eines Prozesses beobachten können, nicht die Gesamtheit der Teilnehmer. Der „Friedhof" der Verlierer ist nicht sichtbar — wir schließen daher fälschlicherweise, dass die Überlebenden etwas Besonderes getan haben.

Taleb's zentrales Beispiel: Monkeys on Typewriters. Nehmen wir 10.000 Affen, die Münzen werfen. Nach 10 Würfen haben statistisch 9–10 Affen zehnmal hintereinander Kopf geworfen. Sie würden in der Presse als Genies gefeiert. Würden wir nur diese Affen sehen (die Überlebenden), könnten wir ihre Strategie analysieren, ihre Biografie schreiben, ihre Technik nachahmen — und kämen zu keiner sinnvollen Erkenntnis.

Im Trading-Kontext

Fonds-Track-Records: Ein Manager mit 5 Jahren perfekter Performance kann pures Glück sein. Bei 10.000 Managern, die jährlich eine 50/50 Entscheidung treffen, werden statistisch mehrere 5-mal in Folge richtig liegen — rein durch Zufall. Der Markt zeigt uns nur diese Manager (die anderen sind already out of business oder aufgegeben). Wir interpretieren ihre Performance als Können.

Backtesting-Strategien: Wenn wir über alle möglichen Parameter-Kombinationen optimieren und die beste auswählen, zeigen wir uns nur die Überlebende Parameterr-Kombination — not the distribution of all tested ones. Overfitting ist institutionalisierter Survivorship Bias.

Börsenmärkte selbst: Langfristige Rendite-Statistiken basieren oft auf Indizes, die Gewinner-Aktien aufnehmen und Verlierer rauswerfen. Die historische Marktrendite überschätzt das, was ein zufälliger Investor realisiert hätte.

Hedgefonds-Datenbanken: Fonds, die schlechte Performance haben, melden oft keine Daten mehr. Datenbanken-Analysen mit Survivorship-Bias zeigen zu hohe Durchschnittsrenditen.

Messformel

Um Survivorship Bias zu korrigieren: Analyse muss die gesamte Anfangspopulation kennen, nicht nur die Überlebenden. Wie viele haben die gleiche Strategie versucht? Wie viele sind gescheitert? Erst mit diesem Nenner ergibt sich die wahre Erfolgswahrscheinlichkeit.

Verbindung zu anderen Konzepten

Survivorship Bias ist ein Spezialfall des alternative_histories-Frameworks: Wir sehen nur die realisierte Geschichte (die Überlebenden), nicht die Verteilung aller möglichen Pfade. Daher überschätzen wir systematisch die Qualität der Strategie hinter dem Ergebnis.

Im Out-of-Sample-Testing (→ robustness_obsession): Echter Out-of-Sample-Test ist das Gegenmittel — Strategie wird auf Daten getestet, die zum Zeitpunkt der Entwicklung nicht bekannt waren. Verhindert, dass die Strategie nur auf die historischen Überlebenden optimiert ist.

Praktische Anwendung

  • Nie einen Track Record beurteilen ohne Frage: Wie viele haben dieselbe Strategie versucht? Wie viele sind gescheitert?
  • Bei Backtests: Wie viele Parameter-Varianten wurden getestet? Die beste Variante war wahrscheinlich ein Lucky Survivor.
  • Bei Marktdaten: Welche Aktien, Länder, Asset-Klassen existieren seit dem Beginn des Datensatzes? Hinzugefügte und entfernte Werte verzerren Langzeit-Renditen.
  • Manager-Due-Diligence: Absolute Rendite ist wenig aussagekräftig. Sharpe, Max Drawdown, Konsistenz über verschiedene Regimes — und die Frage nach dem Anfangspool.