Alternative Daten: Stellenanzeigen, Reddit, X, Satelliten, Kartenzahlungen

Vertiefung12 Min. Lesezeit · 32 Quellen

Alternative Daten sind Informationen über Unternehmen und Märkte jenseits von Kursen, Bilanzen und amtlicher Statistik: Stellenanzeigen, Beiträge auf Reddit und X, Satellitenbilder, Kartenzahlungen, App-Downloads oder Standortdaten. Sie liegen oft lange vor den Quartalszahlen vor, sind aber teuer, lückenhaft und rechtlich heikel. Hier erfährst du, wie die wichtigsten Arten funktionieren, was die Forschung über ihren Wert zeigt und warum sich jeder Vorsprung schnell abnutzt.

Was alternative Daten sind

Klassische Daten sind Kurse und Umsätze an der Börse, Bilanzen und Quartalsberichte sowie Makrodaten wie Inflation oder Arbeitsmarkt. Sie erscheinen nach festen Regeln, für alle gleichzeitig. Alternative Daten entstehen nebenbei: wenn Firmen Stellen ausschreiben, Kunden mit Karte zahlen, Menschen posten oder Satelliten die Erde fotografieren. Sie sind früher da, roh (erst die Aufbereitung macht daraus ein Signal) und ungleich verteilt, weil gute Datensätze viel kosten. Meist geht es um Nowcasting: zu schätzen, was im nächsten Quartalsbericht stehen wird. Wert hat ein Signal nur, soweit es von der Erwartung der Analysten abweicht und noch nicht im Kurs steckt.

Web-Scraping: Stellenanzeigen, Preise, Bewertungen

Beim Web-Scraping lesen Programme regelmäßig Webseiten aus. Das ist billig, aber anfällig: Jede Umgestaltung einer Seite kann den Datenstrom unterbrechen.

• Stellenanzeigen zeigen Wachstum und Strategie. Laut Gutiérrez u. a. (2020) hängt die Veränderung der Zahl der Online-Anzeigen mit der künftigen Geschäftsentwicklung zusammen, vor allem wenn sie Wachstum statt Ersatz bedeuten; Anleger reagieren positiv darauf. Für den Gesamtmarkt gehört das Verhältnis offener Stellen zur Beschäftigung laut Kothari und O’Doherty (2023) zu den stärksten bekannten Vorhersagegrößen der Aktienrisikoprämie. Aber: Eine Anzeige ist keine Einstellung. Sie kann doppelt auftauchen, für mehrere Stellen stehen oder online bleiben, wenn die Stelle längst besetzt ist.
• Onlinepreise: Im Billion Prices Project sammelten Cavallo und Rigobon (2016) bis 2010 täglich 5 Mio. Preise von mehr als 300 Händlern in 50 Ländern; die daraus gebauten Indizes laufen in den meisten Ländern mit den amtlichen Verbraucherpreisen. Sie zeigen Inflation und Rabatte, aber nicht, was gekauft wird.
• Produktbewertungen: Huang (2018) wertete mehr als 14,5 Mio. Kundenbewertungen bei Amazon aus den Jahren 2004 bis 2015 aus. Ungewöhnlich gute Bewertungen sagten Umsätze und Gewinnüberraschungen voraus; eine Long/Short-Strategie danach brachte etwa 55,7 bis 73,0 Basispunkte Überrendite im Monat. Risiko: gekaufte Bewertungen.

Social Media und Foren: Reddit, X, Stocktwits

Auf Reddit, etwa im Forum WallStreetBets, auf X (früher Twitter) und auf Stocktwits schreiben Anleger, was sie kaufen. Daraus entstehen zwei Signale: Aufmerksamkeit (wie oft eine Aktie erwähnt wird) und Stimmung, gemessen mit der Sentimentanalyse. Wörterbücher allein führen dabei in die Irre: Laut Loughran und McDonald (2011) sind fast drei Viertel der Wörter, die ein verbreitetes allgemeines Wörterbuch als negativ führt, in Geschäftsberichten nicht negativ gemeint. Heute helfen maschinelles Lernen und große Sprachmodelle (LLMs).

Die Belege sind gemischt. Forenbeiträge helfen laut Antweiler und Frank (2004), die Volatilität vorherzusagen; ihr Einfluss auf Renditen ist statistisch signifikant, aber wirtschaftlich klein. Berühmt wurde Bollen u. a. (2011): Stimmungsmaße aus Twitter-Beiträgen von 2008 sollten die Tagesrichtung des Dow Jones mit 87,6 % Trefferquote vorhersagen. Lachanski und Pav (2017) konnten das nicht reproduzieren; ein Effekt zeigte sich nur im ursprünglichen Zeitraum und nicht außerhalb der Stichprobe. Das passt zu Data Snooping. Auf WallStreetBets sagten ausführliche Kaufempfehlungen vor dem Squeeze bei GameStop Renditen voraus, danach nicht mehr, während Beiträge über Kursdruck und Aufmerksamkeit zunahmen (Bradley u. a. 2024).

Meme-Aktien 2021

Laut SEC (2021, S. 18) schloss GameStop, die bekannteste Meme-Aktie, am 27. Januar 2021 bei 347,51 US-Dollar, mehr als 1.600 % über dem Schlusskurs vom 11. Januar, begleitet von großem Interesse in Foren wie WallStreetBets. Die Leerverkaufsquote erreichte 122,97 % des Streubesitzes (SEC 2021, S. 21). Ein Short Squeeze, also Eindeckungskäufe der Leerverkäufer, war laut dem Bericht trotzdem nicht der Haupttreiber:

Die Foren haben den Kurs hier eher bewegt als vorhergesagt. Wer ihre Stimmung misst, misst einen Teil des Geschehens selbst. Sprachmodelle, die Schlagzeilen bewerten, sagten laut Lopez-Lira und Tang (2026) die Kursdrift nach Nachrichten voraus, vor allem bei kleinen Aktien und schlechten Nachrichten; mit der Verbreitung der Modelle sanken die Renditen.

Satellitenbilder: Parkplätze, Öltanks, Nachtlicht, Felder

• Parkplätze: Laut Katona u. a. (2025) handelten Investoren mit Zugang zu Satellitendaten großer US-Händler profitabel, besonders vor schlechten Quartalszahlen. Leerverkäufe wurden besser informiert, Käufe von Privatanlegern schlechter, die Liquidität um die Berichte sank.
• Öltanks: Der Schatten auf dem Dach eines Schwimmdachtanks zeigt den Füllstand. Solche Schätzungen nehmen laut Mukherjee u. a. (2021) den wöchentlichen US-Lagerdaten einen Teil der Überraschung. Auch Schiffe lassen sich verfolgen, siehe Schiffsdaten.
• Nachtlicht: Henderson u. a. (2012) messen Wachstum an der Helligkeit bei Nacht (Nachtlicht-Daten). In Ländern mit schwacher Statistik wich die neue Schätzung des Jahreswachstums um bis zu 3 Prozentpunkte von den amtlichen Zahlen ab.
• Felder: Aufnahmen in mehreren Spektralkanälen zeigen, wie grün Felder sind. Das ist ein Hinweis auf Ernten. Dafür genügen oft frei verfügbare Bilder mit 10 m Auflösung (ESA 2015), für Autos und Tankdächer nicht.

Grenzen: Wolken und teure Auflösung. Außerdem zeigt ein Parkplatz nichts vom Onlinehandel.

Transaktionsdaten: Kartenzahlungen und E-Mail-Belege

Transaktionsdaten stammen aus Kartenzahlungen eines Panels, einer Stichprobe von Karteninhabern, deren Umsätze anonymisiert weitergegeben werden. Daraus wird der Umsatz eines Händlers hochgerechnet, oft lange vor Quartalsende. E-Mail-Belege gehen weiter: Apps lesen mit Zustimmung der Nutzer Bestellbestätigungen aus deren Postfach. Wie viel solche Daten zeigen, belegen Chetty u. a. (2024) mit einer öffentlichen Datenbank aus anonymisierten Firmendaten zu Konsum, Umsätzen und Beschäftigung in der Pandemie. Fallstricke: Barzahler fehlen, ein wechselndes Panel verschiebt die Hochrechnung, und ohne wirksame Anonymisierung sind es personenbezogene Daten.

Zahlenbeispiel: Umsatz aus einem Kartenpanel

Apps, Web-Traffic, Standorte und Nachrichten

Geschätzte App-Downloads und Web-Traffic zeigen, wie viele Menschen ein Angebot nutzen. Suchanfragen bei Google messen laut Da u. a. (2011) die Aufmerksamkeit, vermutlich vor allem von Privatanlegern: Mehr Suchen sagten für zwei Wochen höhere Kurse und innerhalb eines Jahres eine Umkehr voraus. Geolokationsdaten von Smartphones zeigen Besuche in Filialen oder Werken. Froot u. a. (2017) bauten unter anderem aus rund 50 Mio. Mobilgeräten Echtzeit-Maße für Händlerumsätze; sie erklärten Umsatz- und Gewinnüberraschungen und brachten um die Quartalszahlen im Schnitt 3,4 % Überrendite.

Nachrichten lassen sich in Echtzeit maschinell lesen. Laut Tetlock (2007) sagte Pessimismus in einer Zeitungskolumne Kursdruck voraus, der sich später umkehrte: Stimmung statt neuer Information. ESG-Daten aus Nachrichten und Berichten sind uneinheitlich, wie die stark abweichenden ESG-Ratings zeigen (Berg u. a. 2022); mehr unter ESG-ETFs.

Wie wichtig die Herkunft ist, zeigt der erste Betrugsfall der US-Börsenaufsicht gegen einen Anbieter alternativer Daten (SEC-Pressemitteilung 2021): Er verkaufte Schätzungen zur Nutzung von Apps und versprach, vertrauliche Firmendaten nur anonymisiert zu verwenden. Tatsächlich passte er von Ende 2014 bis Mitte 2018 seine Schätzungen mit nicht anonymisierten Daten an und einigte sich mit der Behörde auf 10 Mio. US-Dollar Strafe.

Datenarten im Vergleich

Vorlauf und Kosten sind qualitative Einschätzungen, keine gemessenen Werte.

Für Fortgeschrittene: Was ist ein Signal wert?

Den Wert eines Datensatzes schätzt das Fundamentalgesetz des aktiven Managements von Grinold (1989): Die Information Ratio hängt von der Treffsicherheit ab, dem Informationskoeffizienten (IC), und von der Breite, der Zahl unabhängiger Wetten im Jahr. Clarke u. a. (2002) ergänzten den Transferkoeffizienten: Beschränkungen wie ein Leerverkaufsverbot lassen nur einen Teil der Prognosegüte im Portfolio ankommen.

• Look-ahead: Anbieter können Historien überarbeiten oder Panels nachträglich angleichen. Ein Backtest braucht Point-in-Time-Daten, also den Stand von damals. Sonst droht Look-ahead-Bias; fehlen Pleiten und Übernahmen, kommt Survivorship Bias dazu.
• Overfitting: Aus Tausenden Variablen passt immer eine im Rückblick. Harvey u. a. (2016) verlangen für neue Faktoren einen t-Wert über 3,0, Bailey u. a. (2016) schätzen die Probability of Backtest Overfitting (siehe Backtest-Overfitting).
• Bekannte Faktoren: Prüfe, ob ein Signal nur nachbildet, was Momentum, Größe oder Qualität schon erklären.
• Kapazität: Veröffentlichte Signale bringen laut McLean und Pontiff (2016) mehr in illiquiden Aktien mit hohem eigenem Risiko, also dort, wo sich wenig Geld bewegen lässt.

Was die Forschung zeigt

• Kurse werden informativer: Laut Zhu (2019) senken alternative Daten die Kosten der Informationsbeschaffung; Manager handeln seltener opportunistisch mit eigenen Aktien und investieren effizienter.
• Ungleicher Zugang: Zahlende Investoren gewinnen, Privatanleger handeln schlechter informiert (Katona u. a. 2025); amtliche Daten verlieren ihr Überraschungsmonopol (Mukherjee u. a. 2021).
• Signale verfallen: Bei 97 veröffentlichten Renditeprädiktoren lagen die Renditen laut McLean und Pontiff (2016) außerhalb der Stichprobe 26 % und nach der Veröffentlichung 58 % niedriger (Alpha Decay). Ähnlich bei WallStreetBets und Sprachmodellen.
• Kein Gratisvorteil: Nach dem Grossman-Stiglitz-Paradox können Märkte nicht vollkommen effizient sein, wenn Information Geld kostet. Wer zahlt, wird für Mühe und Kosten entlohnt. Mehr unter Effizienzmarkthypothese.

Recht und Ethik: Datenschutz, Scraping, Insiderrecht

Ein Überblick, keine Rechtsberatung. Datenschutz: Personenbezogen sind laut EU-Kommission (2026) auch Standortdaten, IP-Adressen, Cookie-Kennungen und Werbe-IDs von Smartphones. Anonymisierte Daten fallen nur aus der DSGVO heraus, wenn die Anonymisierung unumkehrbar ist; pseudonymisierte bleiben personenbezogen. Wer Karten-, E-Mail- oder Standortdaten kauft, muss wissen, wie Einwilligung und Anonymisierung zustande kamen.

Scraping: In Deutschland erlaubt § 44b des Urheberrechtsgesetzes (UrhG 1965) Text und Data Mining rechtmäßig zugänglicher Werke; die Kopien sind danach zu löschen, und Rechtsinhaber können die Nutzung online maschinenlesbar vorbehalten. Nutzungsbedingungen gelten daneben. Im US-Fall hiQ gegen LinkedIn fiel das Auslesen öffentlicher Profile nach den Urteilen des Berufungsgerichts wohl nicht unter das Anti-Hacking-Gesetz CFAA; 2022 entschied das Bezirksgericht aber, dass hiQ mit Scraping und falschen Konten gegen die Nutzungsbedingungen verstoßen hatte, und der Vergleich sah 500.000 US-Dollar und eine dauerhafte Unterlassung vor (Proskauer Rose 2022).

Insiderrecht: Eine Insiderinformation ist nach Art. 7 der Marktmissbrauchsverordnung (MAR) eine präzise, nicht öffentlich bekannte Information über einen Emittenten oder ein Finanzinstrument, die den Kurs erheblich beeinflussen könnte; Art. 14 verbietet, damit zu handeln (EuGH 2026, Rn. 5–7). Analysen und Schätzungen auf Grundlage öffentlich verfügbarer Daten sind nach Erwägungsgrund 28 nicht per se Insiderinformationen (BaFin 2026). Wann etwas öffentlich ist, fasste der Europäische Gerichtshof am 16. April 2026 eng: Laut EuGH (2026) erst nach einer Veröffentlichung nach Art. 17 MAR. Die Mitteilung an einen begrenzten Kreis genügt nicht, ebenso wenig die bloße Einsicht auf Antrag.

Als Einschätzung heißt das: Wer selbst Parkplätze zählt oder Preise sammelt, wertet öffentliche Daten aus. Heikel sind Daten aus dem Unternehmen selbst: vertrauliche Kennzahlen, durchgesickerte Pläne, Mitteilungen an wenige. Prüfe bei jedem Datensatz, wer ihn erhoben hat und mit welcher Erlaubnis.

Grenzen und typische Fehler

• Kosten vor Nutzen: Ein teurer Datensatz braucht viel Kapital, bis er sich rechnet, in einem privaten Depot also kaum je.
• Datenqualität und kurze Historie: Panels wechseln, Scraper brechen ab, und wenige Jahre trennen kleine Vorteile nicht vom Zufall.
• Crowding: Je mehr Investoren dieselben Daten kaufen, desto schneller steckt die Information im Preis.
• Mehrdeutigkeit: Volle Parkplätze können Rabatte bedeuten, viele Anzeigen hohe Fluktuation, gute Stimmung eine Spekulationsblase.
• Herkunft: Daten unklarer Quelle können Datenschutz-, Vertrags- oder Insiderrecht verletzen.

Für Privatanleger erklären alternative Daten vor allem, warum Kurse schon vor den Quartalszahlen reagieren. Als Hintergrund taugen sie, als Kauf- oder Verkaufssignal kaum. Dieser Artikel ist keine Anlageberatung.

So rechnet Portfolio Lab

Die Seite Stimmung rechnet einen eigenen Angst-Gier-Index aus sechs Bausteinen von Marktdaten, je Baustein als Perzentil-Rang der letzten zwei Jahre, sobald mindestens vier Bausteine Werte haben. Dazu kommen die Put/Call-Quote der Optionen auf drei große Index-ETFs als tägliche Momentaufnahme und die Positionierung der Spekulanten aus den COT-Berichten mit einem COT-Index über drei Jahre; Renditen danach zählen ab der Veröffentlichung drei Tage nach dem Stichtag (Methodik). Die Seite Schiffe (Beta) zählt Tanker und Frachtschiffe in zwölf Gebieten an Engpässen aus AIS-Meldungen eines terrestrischen Empfängernetzes. Erfasst werden Positionen und Zahlen, keine Mengen (Methodik).

Beiträge von X oder Reddit wertet Portfolio Lab nicht aus, weil der Zugang in großem Umfang Verträge und Gebühren der Plattformen voraussetzt. Auch Kartendaten, Satellitenbilder und Standortdaten nutzt die App nicht. In Backtests fließen Stimmungs- und Schiffsdaten nicht als Signal ein.

Dieser Artikel erklärt eine Methode; er ist keine Anlage- oder Steuerberatung. Zahlenbeispiele sind vereinfacht und gerundet. Alle Begriffe im Glossar.