Wissen · Grundlagen
Was ist quantitatives Trading?
Quantitatives Trading nutzt Regeln, statistische Verfahren und Daten, um Anlage- oder Handelsentscheidungen systematisch vorzubereiten oder auszuführen. Dazu zählen Faktorstrategien, Trendfolge, statistische Arbitrage und Modelle des maschinellen Lernens. Der Ansatz kann Entscheidungen nachvollziehbarer machen, ersetzt aber weder eine Prüfung der Daten noch die Kontrolle von Risiken. Ergebnisse aus historischen Tests sind kein verlässlicher Indikator für künftige Ergebnisse.
Wie funktioniert quantitatives Trading?
Quantitatives Trading übersetzt eine Investment- oder Handelsidee in messbare Regeln. Daten werden bereinigt, Merkmale berechnet, Signale erzeugt und Positionen nach vorab festgelegten Regeln gewichtet. Anschließend werden Ausführung, Kosten und Risiken überwacht. Je nach Ansatz entscheidet ein Mensch, ein regelbasiertes System oder ein statistisches beziehungsweise lernendes Modell über die nächsten Schritte.
Ein typischer Prozess beginnt mit einer Hypothese, etwa dass bestimmte Merkmale mit künftigen Renditen zusammenhängen. Danach folgen Datenauswahl, Modellierung, Validierung und eine getrennte Prüfung außerhalb der Entwicklungsstichprobe.
Die Automatisierung betrifft häufig nur einzelne Schritte. Auch ein datenbasiertes System braucht Vorgaben für Limits, Ausfälle, Datenqualität, Handelsunterbrechungen und die menschliche Kontrolle.
Grenzen dieser Aussage
- Ein formal präzises Regelwerk belegt noch keine wirtschaftliche Robustheit.
Welche quantitativen Methoden sind verbreitet?
Faktorinvesting ordnet Wertpapiere nach Merkmalen wie Bewertung, Qualität, Trend oder geringer Schwankung. Trendfolge und CTA-Ansätze reagieren regelbasiert auf Preisbewegungen über definierte Zeiträume. Statistische Arbitrage sucht relative Abweichungen zwischen verbundenen Instrumenten. Machine Learning kann viele Merkmale kombinieren und Muster erkennen, erhöht aber die Anforderungen an Daten, Erklärbarkeit und laufende Kontrolle.
Die Methoden verfolgen unterschiedliche Quellen für ein mögliches Signal. Faktorstrategien arbeiten meist mit systematischen Rangfolgen, Trendfolge mit Zeitreihen und statistische Arbitrage mit Beziehungen zwischen Instrumenten.
Bei Machine Learning wird ein Modell an historischen Beispielen angepasst. Das Ergebnis hängt unter anderem von Zieldefinition, Stichprobe, Merkmalen und der Stabilität der zugrunde liegenden Marktbeziehungen ab.
Grenzen dieser Aussage
- Methoden können sich überschneiden; eine Bezeichnung sagt allein nichts über Risiko, Zeithorizont oder Kosten aus.
Warum ist Backtesting anspruchsvoll?
Backtesting prüft, wie sich eine Regel mit historischen Daten verhalten hätte. Aussagekräftig ist ein Test nur, wenn zum jeweiligen Entscheidungszeitpunkt ausschließlich damals verfügbare Informationen verwendet werden. Look-ahead-Bias nutzt unbemerkt spätere Daten; Survivorship Bias lässt ausgeschiedene oder gescheiterte Titel aus; Overfitting passt Regeln zu stark an die Vergangenheit an. Transaktionskosten, Spreads und Marktfriktionen können ein Ergebnis zusätzlich verändern.
Ein sauberer Test trennt Entwicklung, Validierung und eine möglichst unberührte Prüfperiode. Die zeitliche Reihenfolge von Daten, Signal und Ausführung muss dokumentiert werden. Bei Finanzdaten sind Veröffentlichungs- und Verfügbarkeitszeitpunkt nicht identisch.
Die SEC weist bei hypothetischen Darstellungen auf Auswahl- und Darstellungsrisiken hin, unter anderem auf einseitige Zeiträume und fehlenden Kontext. Für quantitative Tests folgt daraus: Annahmen, Ausfälle und nicht profitable Fälle dürfen nicht ausgeblendet werden.
Grenzen dieser Aussage
- Ein historischer Test bleibt ein Modell unter Annahmen und ist kein Nachweis künftiger Ergebnisse.
- Nicht beobachtbare Kosten und illiquide Ausführung können die Aussagekraft deutlich mindern.
Was bedeuten Volatilität, Drawdown und Sharpe-Ratio?
Volatilität beschreibt, wie stark Renditen in einem Beobachtungszeitraum schwanken. Der Drawdown misst den Rückgang von einem bisherigen Höchststand bis zu einem späteren Tiefpunkt. Die Sharpe-Ratio setzt eine Überschussrendite ins Verhältnis zur Volatilität. Alle drei Kennzahlen hängen von Zeitraum, Datenfrequenz, Referenzzins und Berechnungsmethode ab und bilden nicht jedes Risiko ab.
Eine höhere Volatilität bedeutet größere historische Schwankungen, nicht automatisch einen höheren Verlust. Der maximale Drawdown macht die Tiefe und Dauer einer Verlustphase sichtbar, sagt aber wenig über den nächsten möglichen Rückgang aus.
Eine Sharpe-Ratio kann bei illiquiden Preisen, nichtlinearen Auszahlungen oder instabilen Renditeverteilungen ein unvollständiges Bild liefern. Deshalb sollten Kennzahlen zusammen mit Liquidität, Hebel, Konzentration und Stressszenarien betrachtet werden.
Grenzen dieser Aussage
- Kennzahlen sind keine einheitlichen Qualitätsnoten; unterschiedliche Berechnungen sind nur eingeschränkt vergleichbar.
Welche Modellrisiken entstehen bei quantitativen und KI-Strategien?
Modellrisiko entsteht, wenn Annahmen, Daten, Code oder Einsatzbedingungen eines Modells nicht zur realen Situation passen. Bei Machine Learning kommen schwer erklärbare Entscheidungen, Datenverschiebungen, Verzerrungen und Abhängigkeiten von Drittanbietern hinzu. ESMA nannte am 30.05.2024 unter anderem algorithmische Verzerrungen, Datenqualitätsprobleme, undurchsichtige Entscheidungen sowie eine übermäßige Abhängigkeit von KI als Risiken.
Der ESMA-Bericht vom 25.02.2025 beschreibt, dass KI im Fondsmanagement vor allem zur Unterstützung menschlicher Entscheidungen eingesetzt wurde und ein vollständig KI-basiertes Investmentverfahren nur eine geringe Rolle spielte. Das unterstreicht die Bedeutung von Zuständigkeiten und Kontrollprozessen.
Der BIS-Bericht vom 12.12.2024 ordnet KI-Risiken unter anderem dem Modellrisiko, der Datenführung, der Governance und der Abhängigkeit von Drittanbietern zu. Ein Modell braucht daher Versionierung, Tests, Überwachung und einen dokumentierten Ausfallprozess.
Grenzen dieser Aussage
- Eine gute Modellgüte in der Entwicklung schließt Fehlentscheidungen bei veränderten Marktbedingungen nicht aus.
Welche regulatorischen Grenzen gelten für algorithmischen Handel?
Für Wertpapierfirmen mit algorithmischem Handel verlangt Artikel 17 MiFID II wirksame Systeme und Risikokontrollen. Dazu gehören belastbare Handelssysteme, Schwellenwerte und Limits, Schutz vor fehlerhaften Orders, Überwachung, Tests und Vorkehrungen für Systemausfälle. ESMA und IOSCO betonen bei KI zusätzlich Governance, Datenqualität, Erklärbarkeit, Datenschutz, Interessenkonflikte und die Verantwortung der beaufsichtigten Firma.
Artikel 17 MiFID II sieht außerdem Mitteilungen an die zuständigen Behörden und Aufzeichnungen zu Strategien, Parametern, Kontrollen und Tests vor. Die konkreten Pflichten hängen vom Geschäftsmodell, dem Zugang zum Handelsplatz und der eingesetzten Technik ab.
IOSCO berichtete 2025 über KI-Anwendungen im Asset Management, darunter Portfolioüberwachung, Forschung, Mustererkennung und Automatisierung. Der Bericht beschreibt auch, dass generative KI für die Entwicklung und das Backtesting von Strategien untersucht wurde. Technische Möglichkeit und regulatorische Zulässigkeit sind jedoch nicht dasselbe.
Grenzen dieser Aussage
- Die Darstellung ersetzt keine Prüfung der jeweils anwendbaren Rechtsgrundlage oder eine aufsichtsrechtliche Einordnung.
- Vergangene Ergebnisse sind kein verlässlicher Indikator für künftige Ergebnisse.
Fragen
Häufige Fragen zu diesem Thema
Ist quantitatives Trading dasselbe wie Hochfrequenzhandel?
Nein. Quantitatives Trading bezeichnet den Einsatz von Daten und Modellen für systematische Entscheidungen. Hochfrequenzhandel ist eine spezielle, besonders zeitkritische Form algorithmischen Handels. Eine quantitative Strategie kann auch mit längeren Halteperioden arbeiten und muss nicht auf sehr niedrige Latenz ausgerichtet sein.
Kann Machine Learning Börsenkurse zuverlässig vorhersagen?
Ein Modell kann historische Zusammenhänge erkennen oder Wahrscheinlichkeiten schätzen. Daraus folgt keine verlässliche Vorhersage künftiger Kurse. Märkte verändern sich, Daten können verzerrt sein und beobachtete Muster können verschwinden. Entscheidend sind deshalb eine saubere zeitliche Validierung, laufende Überwachung und eine klare Begrenzung des Modellrisikos.
Welche Daten braucht eine quantitative Strategie?
Das hängt von der Strategie ab. Möglich sind Preis- und Volumendaten, Unternehmensdaten, Zins- und Konjunkturdaten oder Textdaten. Wichtig sind ein dokumentierter Zeitstempel, konsistente Definitionen, eine nachvollziehbare Bereinigung und die Prüfung von Ausfällen. Mehr Daten verbessern ein Modell nicht automatisch, wenn sie nicht relevant oder nicht zum Entscheidungszeitpunkt verfügbar waren.
Warum können Gebühren und Spreads ein Backtesting-Ergebnis verändern?
Jede Transaktion kann explizite Kosten, Geld-Brief-Spannen, Marktimpact und Verzögerungen verursachen. Bei häufigem Umschichten fallen diese Effekte wiederholt an. Ein Test ohne realistische Annahmen kann daher die Handelbarkeit überschätzen. Kosten sollten nach Instrument, Handelsplatz, Positionsgröße und Ausführungsannahme getrennt dokumentiert werden.
Sind quantitative Strategien automatisch objektiver als menschliche Entscheidungen?
Regeln können Entscheidungen nachvollziehbar und wiederholbar machen. Sie sind jedoch nicht frei von Wertungen: Menschen wählen Daten, Zielgrößen, Modellform, Schwellenwerte und Ausnahmen. Fehlerhafte Daten oder ungeeignete Annahmen werden durch Automatisierung nicht beseitigt. Objektivität hängt deshalb von Dokumentation, Kontrollen und einer kritischen Prüfung der gesamten Prozesskette ab.
Weiterlesen
Verwandte Themen
Quellen
Primärquellen und Abrufdatum
- ESMA: Artificial intelligence in EU investment funds: adoption, strategies and portfolio exposures Abruf 07.10.2026
- ESMA: Guidance for firms using artificial intelligence in investment services Abruf 07.10.2026
- IOSCO: Artificial Intelligence in Capital Markets: Use Cases, Risks, and Challenges Abruf 07.10.2026
- ESMA: MiFID II Article 17 Algorithmic Trading Abruf 07.10.2026
- BIS Financial Stability Institute: Regulating AI in the financial sector: recent developments and main challenges Abruf 07.10.2026
- U.S. Securities and Exchange Commission: Investment Adviser Advertisements, proposed rule release Abruf 07.10.2026
Diese Seite dient der allgemeinen Information und ist keine Anlageberatung, keine Empfehlung und keine Prognose.