Alternative Daten klingen nach einem Vorsprung, und oft sind sie das auch. Panels zum Kartenausgabeverhalten, Satellitenbilder, web-extrahierte Signale, Stellenausschreibungen, aus öffentlichen Quellen gescrapte Geschäftsberichte: Jede dieser Quellen verspricht einen Blick auf ein Unternehmen, bevor sich dieser Blick in den berichteten Kennzahlen niederschlägt. Das Problem ist, dass der größte Teil der Arbeit, die darüber entscheidet, ob ein Signal den Kontakt mit einem Backtest übersteht, in der Pipeline geschieht und nicht im Modell. Ein Panel, das im Notebook prädiktiv aussieht, kann in dem Moment auseinanderfallen, in dem Sie fragen, wann jede Zeile tatsächlich bekannt sein konnte oder zu welchem Emittenten sie gehört.
Dies ist also ein Beitrag über die Verrohrung. Der unspektakuläre Teil ist genau die Stelle, an der alternative Daten entweder zu einem brauchbaren Signal werden oder sich klammheimlich in einen Lookahead-Bug verwandeln, den Sie in die Produktion ausliefern.
Ingestion, Normalisierung und das Datierungsproblem
Jede Quelle kommt in ihrer eigenen Form. Kartendaten erreichen Sie als aggregierte Panels mit einer eigenen Händler-Taxonomie. Satellitenanbieter liefern Bildmaterial oder vorberechnete Zählungen in ihrem eigenen Takt. Stellenausschreibungen und gescrapte Geschäftsberichte sind Text, mit allem Parsing und aller Deduplizierung, die das mit sich bringt. Ingestion bedeutet, die Eigenheiten jedes Feeds zu dokumentieren, bevor in ein gemeinsames Schema normalisiert wird: Einheiten, Währungen, Geografien und die Frage, was eine “Woche” für diesen Anbieter im Vergleich zu jenem bedeutet.
Der Teil, der darüber entscheidet, ob das Signal echt ist, ist die Point-in-Time-Erfassung. Eine Zeile hat mindestens zwei relevante Daten: das Ereignisdatum, das die Daten beschreiben, und das Datum, zu dem Sie es erstmals hätten wissen können. Anbieter korrigieren Panels häufig nachträglich, füllen Korrekturen rückwirkend auf und revidieren Zählungen noch Wochen später. Wenn Sie nur den jeweils letzten Wert speichern, liest ein Backtest Zahlen, die an dem Tag, an dem er vorgibt zu handeln, gar nicht existierten, und die Strategie sieht besser aus, als sie je war. Die Lösung besteht darin, eine Vintage-Historie zu führen, sodass ein Signal auf den Zeitpunkt datiert wird, zu dem es bekannt wurde, und Korrekturen als neue Beobachtungen ergänzt statt überschrieben werden. Das ist dieselbe Point-in-Time-Disziplin, die auch Fundamentaldaten brauchen; alternative Daten verbergen den Leakage nur besser, weil niemand eine Referenzreihe hat, gegen die er prüfen könnte.
Lizenzierung, Compliance und was Sie verwenden dürfen
Bevor all das überhaupt eine Rolle spielt, müssen die Datenlizenzbedingungen die beabsichtigte Nutzung erlauben. Mehrere Fragen entscheiden in der Regel über das Engagement:
- Erlaubt der Vertrag abgeleitete Signaldaten oder nur interne Analyse, und dürfen die Ergebnisse mit Kunden geteilt oder zur Verwaltung externen Kapitals genutzt werden?
- Sind die Daten bei Karten- und ähnlichen Panels an der Quelle einwilligungsbasiert und anonymisiert, und verhindert die Aggregation tatsächlich eine Re-Identifizierung?
- Erlauben beim Scrapen öffentlicher Geschäftsberichte oder Webseiten die Bedingungen der Quelle und die Regeln der einschlägigen Jurisdiktion eine Erhebung in der geplanten Frequenz und Größenordnung?
- Wesentliche nicht-öffentliche Informationen: Ein Panel, das granular genug ist, um die Ergebnisse eines einzelnen Emittenten vor der Veröffentlichung abzulesen, ist ein Compliance-Problem, kein Vorsprung.
Das sind Rahmenbedingungen, um die herum man konzipiert, und kein Papierkram, den man später noch anschraubt. Ein Signal, dessen Herkunft Sie nicht belegen können, lässt sich nicht in einen regulierten Prozess einbinden, und genau der Prüfpfad, der festhält, woher jede Zeile stammt, versetzt Sie in die Lage, die Frage zu beantworten, wenn sie gestellt wird.
Deduplizierung, Entitätszuordnung und der Nachweis, dass das Signal echt ist
Rohe Feeds wiederholen sich. Derselbe Geschäftsbericht wird zweimal gescrapt, dieselbe Ausschreibung taucht auf mehreren Portalen auf, ein Händler erscheint in drei Schreibweisen. Die Deduplizierung muss vor der Aggregation erfolgen, sonst blähen sich die Zählungen auf eine Weise auf, die eher mit dem Erhebungsaufwand korreliert als mit irgendetwas am Geschäft selbst.
Dann folgt die Entitätsauflösung: die Zuordnung jedes Datensatzes zu dem Emittenten, den er betrifft. Kartenhändler, ausschreibende Arbeitgeber und berichtende Entitäten tragen selten saubere Ticker oder LEIs, und dieselbe Marke kann auf eine Tochtergesellschaft, eine Muttergesellschaft oder einen privaten Wettbewerber verweisen, der überhaupt nicht investierbar ist. Macht man das falsch, schreibt man das Signal eines Konkurrenten dem eigenen Namen zu. Wir behandeln jeden Treffer als nachvollziehbare Entscheidung mit einem Konfidenzwert, nicht als zufälligen String-Match, und wir halten den nicht zugeordneten Rest sichtbar, denn genau dort verbirgt sich die Verzerrung.
Die letzte Prüfung ist die Frage, ob das Signal die Welt widerspiegelt oder die Art und Weise, wie Sie es erhoben haben. Ein Sprung bei den gescrapten Ausschreibungen kann eine Einstellungswelle bedeuten, oder er bedeutet, dass ein Anbieter die Seiten gewechselt hat oder dass Sie einen Parser repariert haben. Die Verteidigung ist öde und notwendig: ein Validierungsfenster zurückhalten, auf Drift achten, wenn sich die Erhebung ändert, und die alternative Reihe gegen eine verfügbare Ground Truth abgleichen, und sei es eine nachlaufende berichtete Kennzahl. Wenn sich ein Signal nur dann bewegt, wenn sich Ihre Pipeline ändert, ist es ein Artefakt, und es ist weit günstiger, das in der Evaluierung zu entdecken als nachdem jemand darauf gehandelt hat.