Das Konzept der kurzfristigen Renditevorhersagbarkeit hat in der Finanzwissenschaft eine lange Geschichte. Bereits in den 1980er Jahren dokumentierten Forscher systematische Anomalien in Tagesdaten — Muster, die nicht mit der Hypothese effizienter Märkte vereinbar schienen. Doch schon damals war die methodische Herausforderung dieselbe wie heute: Wie unterscheidet man ein echtes Signal von einem statistischen Artefakt, das durch intensives Durchsuchen großer Datensätze entsteht? Unser Team verwendet für diese Abgrenzung einen internen Validierungsrahmen, den wir als Dreischritt-Prüfung bezeichnen. Zunächst wird jede beobachtete Regelmäßigkeit auf statistische Robustheit geprüft — inklusive Korrekturen für Mehrfachtests, die in vielen publizierten Studien fehlen. Dann folgt die ökonomische Plausibilitätsprüfung: Gibt es eine theoretisch konsistente Erklärung für das Muster, oder handelt es sich um eine post-hoc-Rationalisierung? Zuletzt bewerten wir die praktischen Grenzen: Was passiert, wenn man Transaktionskosten, Marktliquidität und zeitliche Instabilität des Musters berücksichtigt? Diese drei Ebenen zusammen liefern ein deutlich nüchterneres Bild als die meisten Einzelstudien allein. Vergangene Muster bieten keine verlässliche Grundlage für zukünftige Ergebnisse — das ist nicht Disclaimer-Sprache, sondern der empirische Befund selbst.

Ein zentrales Problem der Forschungsliteratur zur kurzfristigen Renditevorhersagbarkeit ist die sogenannte Publish-or-Perish-Verzerrung: Positive Befunde werden häufiger veröffentlicht als Replikationsversuche, die scheitern. Das führt dazu, dass der publizierte Forschungsstand systematisch optimistischer wirkt, als er tatsächlich ist. Unser Team hat bei der Sichtung der Literatur bewusst nach negativen Ergebnissen und gescheiterten Replikationen gesucht — und festgestellt, dass diese in Nischenjournalen oder als Arbeitspapiere verbleiben, während die ursprünglichen positiven Befunde breit rezipiert werden. Ein besonders aufschlussreiches Beispiel sind Intraday-Muster: Mehrere einflussreiche Studien beschrieben ausgeprägte Vorhersagbarkeitsmuster auf Minutenebene. Spätere Untersuchungen zeigten jedoch, dass diese Muster sowohl von der Marktphase als auch von der Handelsdichte abhängig waren — und in liquiden Phasen mit stabiler Marktteilnahme weitgehend verschwanden. Die Lektion daraus ist nicht, dass solche Muster grundsätzlich inexistent sind, sondern dass ihre Reichweite und Stabilität systematisch überschätzt werden, wenn man sich auf Primärstudien ohne Replikationskontext verlässt. Kritische Literaturbewertung ist deshalb kein akademisches Randthema, sondern methodisches Kernhandwerk.

Verhaltensökonomische Ansätze bieten eine der überzeugendsten theoretischen Rahmungen für kurzfristige Renditeanomalie. Die Idee: Wenn Marktteilnehmer systematisch auf Informationen unter- oder überreagieren, entstehen vorhersagbare Preisbewegungen — zumindest so lange, bis genügend informierte Akteure das Muster ausnutzen und es dadurch auflösen. Dieser Mechanismus erklärt gleichzeitig, warum Muster oft kurzlebig sind: Der Entdeckungsprozess selbst zerstört das Signal. Für unsere Analysen bedeutet das eine wichtige methodische Konsequenz — Muster, die auf historischen Daten identifiziert wurden, sind nicht zwingend auf künftige Marktbedingungen übertragbar, selbst wenn ihre statistische Robustheit im Rückblick beeindruckend wirkt. Das gilt insbesondere in regulatorisch veränderten Umfeldern, wie sie in der Schweiz durch sukzessive Anpassungen der Marktstrukturregeln entstanden sind. Mikro-strukturelle Effekte — Geld-Brief-Spannen, Markttiefe, Handelsfrequenz institutioneller Akteure — modulieren, welche Muster überhaupt messbar bleiben. Wer diese Einflussgrößen ausblendet, beschreibt nicht den Markt, sondern seinen Datensatz.

Statistische Methoden zur Identifikation kurzfristiger Renditevorhersagbarkeit haben sich in den letzten Jahren erheblich weiterentwickelt. Maschinelle Lernverfahren erlauben es heute, nichtlineare Zusammenhänge in hochfrequenten Daten zu erfassen, die klassische lineare Modelle verpasst hätten. Das klingt vielversprechend — und ist es methodisch auch, bis man die Überanpassungsproblematik ernst nimmt. Modelle mit hoher Parameterzahl neigen dazu, historische Daten perfekt zu erklären und zukünftige Muster schlecht vorherzusagen. Unser Team hat in eigenen Analysen festgestellt, dass die Differenz zwischen In-Sample- und Out-of-Sample-Performance bei komplexen Modellen systematisch unterschätzt wird, wenn keine strikte zeitliche Trennung der Datensätze vorgenommen wird. Die Faustregel, die wir intern verwenden: Ein Modell, das auf vergangenen Daten überzeugend wirkt, muss auf einem vollständig unabhängigen Zeitraum — ohne jede Anpassung — neu bewertet werden, bevor seine Aussagekraft diskutiert werden kann. Diese Anforderung klingt selbstverständlich. Sie wird in der Praxis erschreckend selten konsequent eingehalten. Vergangene Muster bieten keine verlässliche Grundlage für zukünftige Ergebnisse — und das gilt auch für die ausgefeiltesten Algorithmen.