Wer behauptet, ein Faktor sei robust, muss ihn auch beweisen können
Die meisten publizierten Marktanomalien verschwinden, sobald man die Daten richtig betrachtet. Unser Curriculum zeigt, wie man echte Signale von Zufallsfunden unterscheidet — mit Methoden, die in der akademischen Forschung erprobt sind.
entdeckt
CHF 0.00
Falsche Faktoren
Vom p-Wert zur kontrollierten Entdeckungsrate
Wir durchlaufen die wesentlichen Methoden der multiplen Testprozeduren, von klassischen Familienfehler-Methoden bis hin zu modernen FDR-Verfahren und deren Anwendung auf maschinelles Lernen in der Faktorforschung.
Wir beginnen mit der Frage, warum klassische Hypothesentests in der Faktorforschung versagen, wenn Hunderte von Variablen gleichzeitig geprüft werden. Dieser Abschnitt legt das Fundament für alle weiteren Methoden.
Das Problem der Multiplizität
Wenn man hundert Faktoren testet, erwarten wir rein zufällig fünf signifikante Ergebnisse. Wir zeigen, warum das kein theoretisches Problem ist, sondern die Realität der quantitativen Forschung.
Familienfehlerrate erklärt
Der Begriff FWER klingt abstrakt, beschreibt aber ein konkretes Risiko: mindestens eine Fehlentscheidung in einer ganzen Reihe von Tests. Wir erklären, wann diese Kontrolle sinnvoll ist.
Bonferroni, Holm, Hochberg — diese Namen tauchen in jeder Diskussion über multiple Tests auf. Wir erklären, wie sie funktionieren, wann sie zu konservativ sind und warum das in der Praxis teuer werden kann.
Bonferroni-Korrektur
Die einfachste Methode ist oft die erste Wahl, aber sie kauft Fehlerkontrolle mit einem hohen Preis an statistischer Power. Wir zeigen, wann dieser Tausch gerechtfertigt ist.
Schrittweise Verfahren
Holm und Hochberg verbessern Bonferroni, indem sie die Testreihenfolge berücksichtigen. Wir erklären den Unterschied und wann welche Methode vorzuziehen ist.
Die False Discovery Rate hat die Art und Weise verändert, wie Forscher mit multiplen Tests umgehen. Statt jeden einzelnen Fehler zu vermeiden, kontrolliert sie den erwarteten Anteil falscher Entdeckungen — pragmatischer und oft mächtiger.
Benjamini-Hochberg
Dieses Verfahren hat die FDR-Forschung begründet. Wir zeigen, wie es funktioniert, warum es unter bestimmten Annahmen gültig ist und wie man diese Annahmen in der Praxis prüft.
Abhängigkeitsstrukturen
Finanzdaten sind selten unabhängig. Wir behandeln Methoden, die auch bei korrelierten Tests gültige FDR-Kontrolle bieten, ein oft übersehener aber kritischer Punkt.
Theorie ohne Anwendung bleibt akademisch. In diesem Abschnitt implementieren wir die besprochenen Methoden in Python und R und wenden sie auf reale Datensätze aus der Faktorforschung an.
Python-Implementierung
Wir schreiben sauberen, dokumentierten Code für FDR-Verfahren und zeigen, wie man existierende Bibliotheken kritisch bewertet, statt sie blind zu verwenden.
R für Faktorforschung
R bleibt die Standardsprache in der Statistik. Wir demonstrieren, wie man mit etablierten Paketen arbeitet und gleichzeitig die zugrundeliegenden Annahmen versteht.
Der Lernpfad
Von statistischen Grundlagen bis zur eigenen Implementierung
Methoden vergleichen und bewerten
Nicht jede Korrektur passt zu jedem Problem. Wir lernen, FWER- und
FDR-Methoden danach zu bewerten, ob sie die Fragestellung angemessen
adressieren oder nur eine scheinbare Lösung bieten.
Der Vergleich verschiedener Verfahren anhand konkreter Kriterien — Power, Annahmen, Robustheit — ermöglicht eine informierte Methodenauswahl. Wir vermeiden pauschale Empfehlungen und betonen den Kontext.
Selbstständig implementieren
Am Ende steht die eigene Analyse. Die Teilnehmenden wenden die besprochenen Verfahren auf einen Datensatz ihrer Wahl an und dokumentieren ihre methodischen Entscheidungen nachvollziehbar.
Die praktische Umsetzung festigt das Verständnis und offenbart typische
Implementierungsfehler. Wir begleiten diesen Prozess mit Code-Reviews und
methodischer Rückmeldung, nicht mit vorgefertigten Lösungen.
Stimmen aus der Community
Was Forschende über unsere Herangehensweise sagen
Banking
"Endlich methodisch sauber arbeiten"
"Ich habe jahrelang Faktoren getestet, ohne die Multiplizitätsproblematik ernsthaft zu berücksichtigen. Das Curriculum hat mir gezeigt, wie viele meiner Ergebnisse fragwürdig waren. Heute dokumentiere ich jede Hypothese vor der Analyse."
Klare Methodik
Praxisnah
Nachvollziehbar
Quantitativer Forscher, Eine Schweizer Bank
Akademie
"Die Annahmen hinter den Methoden verstehen"
"Was mir besonders geholfen hat, war die konsequente Frage nach den Voraussetzungen jedes Verfahrens. Statt blind ein Paket zu verwenden, prüfe ich jetzt, ob die Unabhängigkeitsannahmen für meine Daten überhaupt plausibel sind."
Tiefes Verständnis
Kritische Fragen
Forschungsrelevant
Ökonometrikerin, Universität Zürich
Asset Management
"Code, der die Theorie ernst nimmt"
"Die Implementierung in Python war für mich der wertvollste Teil. Ich habe gelernt, wie man FDR-Verfahren nicht nur aufruft, sondern wirklich versteht und an spezifische Datensituationen anpasst."
Code-Qualität
Anpassbar
Dokumentiert
Datenanalyst, Asset Manager
Jetzt durchstarten
Bereit, Ihre Faktoranalyse methodisch zu überdenken?
Wir begleiten Sie von der ersten Frage bis zur eigenen Implementierung. Keine
vorgefertigten Rezepte, sondern ein tiefes Verständnis dafür, warum bestimmte Methoden
funktionieren — und unter welchen Bedingungen sie versagen.
Praktische Umsetzung in Python und R mit echten Datensätzen
Kritische Begleitung statt vorgefertigter Lösungen
Aktualisiert für 2026 mit neuesten FDR-Entwicklungen
Fokus auf nachvollziehbare Dokumentation aller Schritte
Methoden aus aktueller Forschung, nicht veraltete Lehrbuchinhalte