Survivorship Bias, auf Deutsch Überlebensverzerrung, entsteht, wenn bei einer Analyse nur die erfolgreichen oder noch existierenden Anlagen berücksichtigt werden. Gescheiterte oder inzwischen verschwundene Anlagen fallen dagegen aus der Betrachtung. Das kann historische Ergebnisse besser aussehen lassen, als sie tatsächlich waren.
Ein typisches Beispiel sind Fonds. Angenommen, man untersucht die langfristige Performance aller heute noch verfügbaren Fonds. Fonds, die wegen schlechter Ergebnisse geschlossen oder mit anderen Fonds zusammengelegt wurden, fehlen möglicherweise in den Daten. Übrig bleiben überproportional viele erfolgreiche Produkte. Die durchschnittliche historische Performance kann dadurch überschätzt werden.
Auch bei Anlagestrategien und Backtests ist der Survivorship Bias relevant. Wird eine Strategie beispielsweise nur mit Aktien getestet, die heute noch in einem Index enthalten sind, fehlen Unternehmen, die zwischenzeitlich insolvent wurden, übernommen wurden oder aus dem Index ausgeschieden sind. Der Blick zurück wird dadurch schöner, als die damalige Realität tatsächlich war.
Der Survivorship Bias betrifft nicht nur die Performance. Auch Risiken können unterschätzt werden, wenn besonders schlechte Beobachtungen aus einem Datensatz verschwinden.
Ein konkretes Beispiel liefert der Small-Firm-Effekt. Im Blog Small-Firm-Effekt oder warum kleine Aktien besser abschneiden als grosse erklären wir, weshalb Survivorship Bias auch bei der Untersuchung historischer Renditen kleiner Unternehmen eine Rolle spielen kann.
Wer nur die Gewinner untersucht, findet erstaunlich viele erfolgreiche Strategien. Das Problem sind meistens jene, die es nicht bis in den Datensatz geschafft haben.