Warum gute Finanzdaten kein Zufall sind.
Warum gute Finanzdaten kein Zufall sind.

Zwei Kurse. Ein Wertpapier. Welcher stimmt? Eine Markteinordnung von ARIVA:

Stell dir vor, du öffnest zwei Finanzportale und suchst nach derselben Aktie. Auf dem ersten Portal steht ein Kurs von 102,40 Euro, auf dem zweiten sind es 102,48 Euro. Acht Cent Unterschied. Nicht viel, könnte man meinen. Aber welcher Kurs ist richtig? Die überraschende Antwort: möglicherweise beide. 

Denn ein Wertpapier kann an verschiedenen Handelsplätzen zu unterschiedlichen Preisen gehandelt werden. Vielleicht zeigt das eine Portal den letzten Handel in Frankfurt, das andere einen Kurs von einem weiteren Handelsplatz. Vielleicht unterscheiden sich die Zeitpunkte der Kursfeststellung. Oder eine Anwendung zeigt einen Geldkurs, während die andere den zuletzt gehandelten Preis darstellt. Keine dieser Angaben muss falsch sein. 

Der größte Fehler bei Finanzdaten ist nicht immer ein falscher Wert. Manchmal ist es ein richtiger Wert im falschen Zusammenhang. 

Genau darin liegt eine der zentralen Herausforderungen moderner Finanzdatenversorgung. Daten müssen nicht nur korrekt übertragen werden. Sie müssen auch eindeutig zugeordnet, fachlich richtig interpretiert und für ihren jeweiligen Einsatzzweck geeignet sein. 


Wann sind Finanzdaten wirklich verlässlich? 

Auf den ersten Blick scheint in dieser Markteinordnung von ARIVA Datenqualität eine einfache Frage zu sein: Stimmen die Zahlen oder stimmen sie nicht? In der Praxis ist die Antwort komplexer. 

Ein Aktienkurs kann korrekt sein, aber für eine Handelsanwendung zu alt. Eine historische Kursreihe kann vollständig sein, aber einen Aktiensplit nicht berücksichtigen. Eine Kennzahl kann mathematisch richtig berechnet worden sein, aber auf einem veralteten Basiswert beruhen. 

Datenqualität beschreibt deshalb nicht nur die Richtigkeit einzelner Werte, sondern ihre Eignung für einen bestimmten Anwendungszweck. 

Dafür müssen mehrere Eigenschaften zusammenspielen: 

  • Korrektheit: Entsprechen die Informationen der definierten Quelle und ihrer fachlichen Bedeutung? 
  • Aktualität: Liegen die Daten in der benötigten Aktualität vor? 
  • Vollständigkeit: Sind alle erforderlichen Informationen vorhanden? 
  • Konsistenz: Passen zusammengehörige Daten fachlich und zeitlich zueinander? 
  • Nachvollziehbarkeit: Lassen sich Herkunft, Zeitpunkt und gegebenenfalls Änderungen erkennen? 

Wie wichtig die einzelnen Eigenschaften sind, hängt von der Anwendung ab. 

Für eine Handelsplattform können Sekunden entscheidend sein. Bei einer langfristigen Analyse historischer Kursentwicklungen stehen dagegen andere Anforderungen im Vordergrund. 

Es gibt deshalb nicht die eine Datenqualität, die für alle Anwendungen gleichermaßen ausreicht. Entscheidend ist, dass die Daten zu dem passen, was Menschen mit ihnen tun möchten. 


Drei Herausforderungen, die man Finanzdaten nicht ansieht 

1. Unterschiedliche Quellen liefern unterschiedliche Informationen 

Finanzplätze sind global verteilt. Börsen, Handelsplätze, Emittenten und weitere Datenquellen veröffentlichen Informationen, die sich hinsichtlich Struktur, Aktualität und Kontext unterscheiden können. Das betrifft nicht nur Kurse. 

Auch Stammdaten wie Wertpapierbezeichnungen, Produktmerkmale oder Handelsplatzzuordnungen können je nach Quelle unterschiedlich dargestellt werden. Für Finanzanwendungen entsteht daraus eine wichtige Aufgabe: Informationen müssen eindeutig zugeordnet und in eine Struktur gebracht werden, mit der sich zuverlässig arbeiten lässt. 

Eine zentrale Rolle spielen dabei Wertpapierkennungen wie ISIN, WKN und FIGI. Sie helfen, Finanzinstrumente zu identifizieren. Für die eindeutige Interpretation eines konkreten Kurswerts reichen sie allein jedoch nicht aus. Dazu müssen auch Handelsplatz, Kursart und Zeitpunkt berücksichtigt werden. Erst das Zusammenspiel dieser Informationen macht aus einzelnen Datenfeldern eine sinnvoll nutzbare Finanzinformation. 

2. Vergangene Kurse sind nicht immer unveränderlich 

Wer sich einen langfristigen Aktienchart ansieht, erwartet eine nachvollziehbare Darstellung der Kursentwicklung. Doch was passiert, wenn ein Unternehmen seine Aktien splittet? Bei einem Aktiensplit im Verhältnis 1:2 wird aus einer Aktie rechnerisch die doppelte Anzahl. Unter ansonsten unveränderten Bedingungen halbiert sich der Kurs je Aktie entsprechend. 

Ein historischer Chart, der diesen Vorgang nicht berücksichtigt, könnte einen massiven Kurseinbruch suggerieren, obwohl sich der wirtschaftliche Wert der gesamten Position allein durch den Split nicht verändert hat. Deshalb können historische Kursreihen für bestimmte Anwendungen nachträglich angepasst werden. 

Auch Dividenden und andere Kapitalmaßnahmen können bei der Berechnung und Darstellung historischer Wertentwicklungen eine Rolle spielen. Welche Anpassungen sinnvoll sind, hängt davon ab, ob beispielsweise reine Kursveränderungen oder Gesamtrenditen betrachtet werden sollen. Hinzu kommen Korrekturen bereits veröffentlichter Daten. 

Was diese Markteinordnung von ARIVA zeigt: Historische Finanzdaten sind damit mehr als ein Archiv vergangener Zahlen. Sie benötigen eine fachlich nachvollziehbare Behandlung von Veränderungen und Korrekturen. 

Das ist unter anderem für Performanceanalysen, Risikomodelle und die Überprüfung von Anlagestrategien relevant. 

3. Korrekte Ausgangsdaten garantieren noch keine korrekten Ergebnisse 

Besonders deutlich wird das bei Finanzkennzahlen. Kennzahlen entstehen häufig durch Berechnungen auf Basis mehrerer Informationen. Ihre Aussagekraft hängt deshalb nicht nur von der verwendeten Formel ab, sondern auch von den zugrunde liegenden Daten. Ein Beispiel sind strukturierte Finanzprodukte. 

Für ihre Darstellung und Vergleichbarkeit benötigen Finanzanwendungen aktuelle Stammdaten wie Emittent, Basiswert, Produkttyp, Laufzeit oder produktspezifische Merkmale. Ergänzend können Kennzahlen wie Hebel, Aufgeld oder Seitwärtsrendite wichtige Informationen liefern. Doch was passiert, wenn ein Basiswert nicht korrekt zugeordnet ist? Wenn eine relevante Produkteigenschaft verändert wurde oder Ausgangsdaten unterschiedliche Zeitstände haben? Dann kann eine Berechnung technisch einwandfrei ausgeführt werden und trotzdem ein Ergebnis liefern, das für den vorgesehenen Vergleich ungeeignet ist. 

Für Banken, Broker und Finanzportale ist das besonders relevant. Ihre Nutzer:innen sollen Finanzprodukte finden, Eigenschaften nachvollziehen und Unterschiede erkennen können. Dafür müssen Stammdaten, Marktdaten und berechnete Kennzahlen fachlich zusammenpassen. 


Was zwischen Datenquelle und Finanzanwendung passiert 

Ein Kurs auf dem Smartphone wirkt selbstverständlich. Er ist da, sobald die Anwendung geöffnet wird. Was Nutzer:innen nicht sehen: Zwischen der ursprünglichen Datenquelle und der fertigen Anzeige können zahlreiche Verarbeitungsschritte liegen. 

Daten werden übernommen, Finanzinstrumenten zugeordnet, in geeignete Formate gebracht und je nach Anforderung auf Plausibilität geprüft. Manche Informationen werden ergänzt, andere bilden die Grundlage für zusätzliche Berechnungen. Erst anschließend stehen sie in der benötigten Struktur für digitale Anwendungen zur Verfügung, beispielsweise über eine API oder einen Datenfeed. Dabei unterscheiden sich die Anforderungen erheblich. 

Realtime-Marktdaten müssen mit möglichst geringer Verzögerung entsprechend den Anforderungen der Anwendung bereitgestellt werden. Historische Daten benötigen konsistente Zeitreihen. Bei strukturierten Produkten kommt es auf die korrekte Abbildung komplexer Produktmerkmale und die Berechnung aussagekräftiger Kennzahlen an. 

Eine API kann diese Informationen effizient übertragen. Sie beantwortet jedoch nicht automatisch die Frage, ob die Daten vollständig, korrekt zugeordnet und für ihren Zweck geeignet sind. 

Die Qualität einer Finanzdatenlösung entscheidet sich deshalb nicht allein an ihrer Schnittstelle, sondern auch an der fachlichen und technischen Arbeit dahinter. 


Warum Datenqualität auch eine Frage der Verantwortung ist 

Automatisierte Prüfungen sind bei großen Datenmengen unverzichtbar. Sie können helfen, fehlende Werte, ungewöhnliche Veränderungen oder widersprüchliche Informationen zu erkennen. Aber nicht jede Auffälligkeit ist ein Fehler. Ein außergewöhnlicher Kurssprung kann auf eine fehlerhafte Datenübertragung hinweisen. Er kann aber ebenso das Ergebnis einer tatsächlichen Marktbewegung sein. 

Ob eine Abweichung plausibel ist, lässt sich deshalb nicht immer allein anhand eines Grenzwerts beurteilen. Häufig sind zusätzliche Informationen über das Finanzinstrument, den Handelsplatz oder das Marktgeschehen erforderlich. Datenqualität verlangt damit beides: leistungsfähige Technologie und fachliches Verständnis. 

Seit 1998 beschäftigt sich ARIVA mit der Verarbeitung und Bereitstellung von Finanzdaten. Aus dieser Erfahrung wissen wir, wie unterschiedlich die Anforderungen von Banken, Brokern, Finanzportalen und anderen Unternehmen sein können. Manche benötigen Realtime-Kurse für ihre Anwendungen. Andere arbeiten mit umfangreichen historischen Datenbeständen oder benötigen detaillierte Stammdaten und Kennzahlen für strukturierte Finanzprodukte. 

Unser Anspruch ist es, Daten so bereitzustellen, dass unsere Kund:innen sie sinnvoll in ihren Anwendungen einsetzen können. Dazu gehören robuste Technologie, fachliche Kompetenz und Menschen, die bei Fragen persönlich ansprechbar sind. Denn auch die beste technische Lösung muss zu den Anforderungen derjenigen passen, die täglich mit ihr arbeiten. 


Am Ende geht es darum, was Menschen aus verlässlichen Daten machen. 

Ein kleines Fazit dieser Markteinordnung von ARIVA: Wer Finanzdaten bereitstellt, trägt dazu bei, wie Menschen Finanzmärkte wahrnehmen. Ein Chart hilft, Entwicklungen einzuordnen. Eine Wertpapiersuche macht Produkte auffindbar. Kennzahlen ermöglichen Vergleiche. Historische Kursreihen schaffen eine Grundlage für Analysen. Für die Menschen, die diese Anwendungen nutzen, ist meist nicht sichtbar, welche Datenquellen, Berechnungen und technischen Prozesse dahinterstehen. Sie erwarten, dass die Informationen verständlich, aktuell und verlässlich sind. 

Genau deshalb ist Datenqualität mehr als eine technische Kennzahl. Sie beeinflusst die Nutzbarkeit digitaler Finanzangebote und das Vertrauen, das Menschen in die angezeigten Informationen setzen können. 


Ein richtiger Wert ist erst der Anfang 

Zwei unterschiedliche Aktienkurse können gleichzeitig korrekt sein. Eine historische Kursreihe kann trotz vollständiger Daten ein irreführendes Bild vermitteln. Und eine mathematisch richtige Kennzahl kann auf ungeeigneten Ausgangsdaten beruhen. Diese Beispiele zeigen, warum Datenqualität im Finanzmarkt so anspruchsvoll ist. 

Es genügt nicht, Informationen schnell und fehlerfrei zu übertragen. Sie müssen richtig zugeordnet, fachlich eingeordnet, nachvollziehbar verarbeitet und kontinuierlich gepflegt werden. Für ARIVA ist das seit mehr als 25 Jahren Teil der täglichen Arbeit mit Finanzdaten. 

Denn verlässliche Finanzinformationen entstehen nicht zufällig. Sie entstehen dort, wo Daten, Technologie und menschliche Expertise zusammenkommen. 


Häufige Fragen zur Datenqualität bei Finanzdaten aus dieser Markteinordnung von ARIVA

Können zwei unterschiedliche Aktienkurse gleichzeitig richtig sein? 

Ja. Eine Aktie kann an verschiedenen Handelsplätzen zu unterschiedlichen Preisen gehandelt werden. Auch Kursart und Zeitpunkt der Kursfeststellung beeinflussen die angezeigten Werte. Zwei unterschiedliche Kurse müssen deshalb keinen Datenfehler bedeuten. Entscheidend ist, dass Handelsplatz, Kursart und Zeitstempel eindeutig zugeordnet werden können. 


Was bedeutet Datenqualität bei Finanzdaten? 

Datenqualität beschreibt, wie korrekt, aktuell, vollständig, konsistent und nachvollziehbar Finanzdaten für einen bestimmten Anwendungszweck sind. Ein Kurs kann beispielsweise korrekt übertragen worden sein, für eine Echtzeit-Anwendung aber bereits zu alt sein. Gute Datenqualität bedeutet deshalb nicht nur richtige Zahlen, sondern auch deren fachlich richtige Einordnung. 


Warum werden historische Aktienkurse nachträglich angepasst? 

Historische Kursreihen können angepasst werden, um Kapitalmaßnahmen wie Aktiensplits oder bestimmte Ausschüttungen bei der Darstellung von Wertentwicklungen zu berücksichtigen. Auch nachträgliche Datenkorrekturen können Veränderungen erforderlich machen. Welche Anpassungen sinnvoll sind, hängt von der Datenquelle und dem jeweiligen Analysezweck ab. 


Wie prüfen Finanzdatenanbieter die Qualität von Marktdaten? 

Zur Qualitätssicherung können automatisierte Plausibilitätsprüfungen, Vollständigkeitskontrollen, die Überprüfung von Wertpapierzuordnungen und Vergleiche mit definierten Referenzquellen eingesetzt werden. Auffälligkeiten müssen gegebenenfalls fachlich bewertet werden, da beispielsweise ein ungewöhnlicher Kurssprung nicht zwangsläufig auf einen Fehler hinweist. 


Warum reicht eine Finanzdaten–API allein nicht aus? 

Eine API ermöglicht die technische Bereitstellung von Finanzdaten. Sie garantiert jedoch nicht automatisch, dass die gelieferten Informationen vollständig, aktuell, korrekt zugeordnet und für den jeweiligen Einsatzzweck geeignet sind. Entscheidend sind auch die Qualität der Datenquellen, ihre Verarbeitung und die fachlichen Prüfungen vor der Bereitstellung. 


Diese Markteinordnung von ARIVA Erfahre mehr über unsere Lesitungen. Sind wir eigentlich schon bei LinkedIn vernetzt?