20 von 20 nach Midterm-Wahlen: Was die Statistik aushält, wenn man sie nachrechnet

Am Dienstag wählen die USA einen neuen Kongress, und seit Wochen kursiert dieselbe Zahl: Seit 1946 lag der S&P 500 zwölf Monate nach jeder der 20 Midterm-Wahlen höher, im Schnitt um 14,7 Prozent. J.P. Morgan kommt für die 19 Wahlen seit 1950 auf etwa 15 Prozent. Ich habe die Zahlen nachgerechnet. Die Trefferquote ist mit Zufall allein schwer zu erklären. Der Renditeabstand zu gewöhnlichen Jahren ist dagegen kleiner, als die Schlagzeile nahelegt, und hält einer Korrektur für die Zahl der möglichen Tests nicht stand. Handeln werde ich das Muster nicht.

Die Datenbasis

Die vollständigste Tabelle, die ich gefunden habe, listet alle 20 Wahlen seit 1946 mit der Kursveränderung des S&P 500 vom Schluss vor dem Wahltag bis zwölf Monate später, ohne Dividenden. Dieselbe Quelle nennt die Vergleichsgröße: Das gleiche Zwölfmonatsfenster ab Anfang November brachte in allen Jahren seit 1950 im Schnitt 9,5 Prozent und war in 57 von 75 Fällen positiv.

Schon beim Sammeln fällt etwas auf. CNBC zitiert eine Auswertung von Schwab ab 1974 mit drei und sechs Monaten Horizont: im Schnitt 5,7 Prozent nach drei Monaten, positiv in 11 von 13 Fällen, und 12,4 Prozent nach sechs Monaten, positiv in allen 13. Fidelity misst von 30. November bis 30. November. Jede Quelle wählt ihr eigenes Startjahr und ihr eigenes Fenster. Bei einem robusten Effekt wäre das egal. Ob es egal ist, weiß man erst, wenn man alle Varianten nebeneinanderlegt, und das macht kaum jemand.

Der Test

Ich rechne mit den 19 Wahlen ab 1950, damit Stichprobe und Vergleichsreihe denselben Zeitraum abdecken. Aus den Angaben der Quelle lässt sich die Vergleichsgruppe ohne Midterm-Jahre ableiten: 38 von 56 Fenstern positiv, im Schnitt etwa 7,5 Prozent. Das sind meine Ableitungen aus gerundeten Werten, keine gemeldeten Zahlen.

import numpy as np
from scipy import stats

# 12-Monats-Rendite nach Midterm-Wahlen 1946-2022 (Kursindex, %)
# Quelle: Tabelle purepowerpicks.com, Stand 27.10.2026
r = np.array([0.1, 16.2, 33.2, 11.1, 24.8, 12.9, 13.7, 22.0, 4.9, 21.7,
              1.3, 24.0, 27.8, 21.9, 15.8, 6.9, 4.5, 4.2, 12.4, 15.1])
seit_1950 = r[1:]                       # 19 Wahlen, gleicher Zeitraum wie Basis

# Basis: gleiches Fenster 1950-2024, Mittel 9,5 %, 57 von 75 positiv
p0 = (57 - 19) / (75 - 19)              # Nicht-Midterm-Jahre, ca. 0,68
m0 = (75 * 9.5 - seit_1950.sum()) / 56  # Nicht-Midterm-Mittel, ca. 7,5 %

# 1) Trefferquote: 19 von 19 bei Wahrscheinlichkeit p0
p_treffer = stats.binom.sf(18, 19, p0)  # P(X >= 19)
print(f"P(19/19 | p0={p0:.2f}) = {p_treffer:.4f}")    # ca. 0,0006

# 2) Renditeabstand (Welch). Streuung der Basisjahre ANGENOMMEN
sd0 = 16.0                              # Annahme, nicht aus der Quelle
se = np.sqrt(seit_1950.var(ddof=1) / 19 + sd0**2 / 56)
t = (seit_1950.mean() - m0) / se
print(f"Mittel {seit_1950.mean():.1f} vs. {m0:.1f}, t = {t:.2f}")  # ca. 2,7

# 3) Mehrfachtests: 4 Zyklusjahre x 3 Horizonte = 12 Hypothesen
t_krit = stats.norm.ppf(1 - 0.05 / 12 / 2)
print(f"Bonferroni-Schwelle: {t_krit:.2f}")           # ca. 2,87

# 4) Schwellenempfindlichkeit der Trefferquote
print("unter +5 %:", (r < 5).sum(), "von", len(r))   # 5 von 20

Die Ergebnisse in Worten. Wenn ein Zwölfmonatsfenster mit 68 Prozent Wahrscheinlichkeit positiv ist, kommen 19 Treffer in 19 Versuchen mit etwa 0,06 Prozent Wahrscheinlichkeit zustande. Das ist wenig. Der Renditeabstand von rund 15,5 zu 7,5 Prozent ergibt eine t-Statistik von etwa 2,7. Dafür habe ich die Streuung der Vergleichsjahre mit 16 Prozentpunkten angenommen, weil die Quelle sie nicht nennt. Das ist ein Beispielwert, mit einer anderen Annahme verschiebt sich das Ergebnis.

Warum ich trotzdem skeptisch bleibe

Die Zahl der möglichen Tests. Wer den Präsidentschaftszyklus untersucht, hat mindestens vier Zyklusjahre und drei gängige Horizonte, also zwölf Hypothesen. Nach Bonferroni, der einfachsten Korrektur für Mehrfachtests, müsste die t-Statistik dann über 2,87 liegen. Mit 2,7 liegt sie darunter. Und zwölf ist eine untere Grenze: Monatsmuster, Jahresendrally und „Sell in May“ gehören zum selben Suchraum.

Die Statistik wurde nach dem Ergebnis ausgewählt. „Positiv nach zwölf Monaten“ ist berühmt geworden, weil es bisher immer gestimmt hat. Hätte es 1986 nicht gestimmt, würde heute vermutlich eine andere Kennzahl zitiert. Wie dünn die Serie ist, zeigt die Schwelle: Fünf der 20 Werte liegen unter 5 Prozent, 1946 sogar bei 0,1 Prozent. Mit einer Hürde von 5 Prozent wäre aus 20 von 20 eine Quote von 15 von 20 geworden.

Eine Falle beim Bedingen. Naheliegend wäre die Frage, wie es nach starken Midterm-Jahren wie 2026 weiterging. Wer dafür die Kalenderjahresrendite verwendet, schaut in die Zukunft, denn November und Dezember liegen schon im Messfenster danach. Sauber bedingt man nur auf den Stand am Wahltag. Dann bleiben laut Quelle mit 1954, 1958 und 1998 gerade drei vergleichbare Jahre. Daraus lässt sich nichts schätzen.

Was ich daraus mache

Ich handle Pairs im SMI- und DAX-Universum, das Muster betrifft mich nur indirekt. Trotzdem lege ich es als Testfall an. Bevor das Ergebnis bekannt ist, notiere ich heute die Hypothese, den Messzeitpunkt (Schluss am 2. November 2026) und den Horizont von zwölf Monaten. Im November 2027 kommt ein 21. Datenpunkt hinzu, und zum ersten Mal einer, der außerhalb der Stichprobe liegt, mit der das Muster gefunden wurde. Offen bleibt die Frage, ob ein Effekt, den inzwischen jeder kennt, überhaupt noch in den Kursen ankommt, oder ob er vorher eingepreist wird.