ARTIKEL 2
Moderne Investmentprozesse kombinieren zunehmend quantitative und qualitative Informationen.
Quant Research
Ein Quant Researcher entwickelt und untersucht quantitative Hypothesen.
Beispielsweise könnte die Ausgangsthese lauten:
Aktien mit starkem mittelfristigem Momentum weisen unter bestimmten Bedingungen auch in den folgenden Monaten überdurchschnittliche Renditen auf.
Damit ist noch keine Handelsstrategie entstanden.
Der Quant muss zunächst klären:
- Wie wird Momentum definiert?
- Welche Daten werden verwendet?
- Welches Anlageuniversum wird untersucht?
- Welche Zeiträume werden berücksichtigt?
- Welche Transaktionskosten entstehen?
- Wie stabil ist der Effekt?
- Besteht er außerhalb der Entwicklungsstichprobe?
- Ist das Ergebnis statistisch und wirtschaftlich relevant?
Quant Research besteht deshalb nicht nur darin, Modelle zu erstellen.
Ein großer Teil der Arbeit besteht darin, vermeintliche Effekte zu widerlegen.
Das ist wissenschaftlich wertvoll.
Datenarbeit
Ein erheblicher Anteil quantitativer Arbeit betrifft Daten.
Dazu gehören:
- Datenbeschaffung,
- Bereinigung,
- Synchronisierung,
- Corporate Actions,
- Zeitstempel,
- fehlende Daten,
- Ausreißer,
- Universumsdefinition,
- Feature Engineering.
Ein fehlerhaftes Datenuniversum kann einen scheinbar hervorragenden Backtest erzeugen.
Ein klassisches Beispiel ist Survivorship Bias.
Wird ein heutiger Aktienindex rückwirkend getestet, enthält er möglicherweise ausschließlich Unternehmen, die bis heute erfolgreich genug waren, im Index zu verbleiben.
Unternehmen, die insolvent wurden oder aus dem Index ausschieden, fehlen.
Die historische Realität wird dadurch verzerrt.
Modellierung
Je nach Aufgabenbereich verwendet ein Quant unterschiedliche Modelle.
Typische Bereiche sind:
Statistik und Ökonometrie
- lineare Regression,
- Zeitreihenmodelle,
- Panelmodelle,
- Volatilitätsmodelle,
- Hypothesentests.
Optimierung
- Portfoliooptimierung,
- Risikobudgetierung,
- Kapitalallokation,
- Constraint-Optimierung.
Stochastische Modelle
- Optionsbewertung,
- Zinsmodelle,
- Kreditrisikomodelle,
- Simulation.
Machine Learning
- Regression,
- Klassifikation,
- Entscheidungsbäume,
- Ensemble-Verfahren,
- neuronale Netze,
- Clustering.
Entscheidend ist nicht, möglichst komplizierte Modelle zu verwenden.
Ein Modell ist dann nützlich, wenn es zur Fragestellung, Datenstruktur und praktischen Anwendung passt.
Quantitative Strategieentwicklung
Im systematischen Trading kann die Arbeit eines Quants von der ersten Hypothese bis zum Live-System reichen.
Ein möglicher Ablauf ist:
Idee → Hypothese → Daten → Signal → Regeln → Backtest → Validierung → Risiko → Portfolio → Execution → Live-Betrieb
Der Quant untersucht dabei nicht nur die Rendite.
Mindestens ebenso wichtig sind:
- Volatilität,
- Drawdown,
- Turnover,
- Tail Risk,
- Exposure,
- Stabilität,
- Liquidität,
- Transaktionskosten.
Eine Strategie mit hoher historischer Rendite kann ökonomisch wertlos sein, wenn sie nur durch unrealistisch niedrige Handelskosten profitabel erscheint.
Risikomanagement
Quantitative Modelle werden nicht nur eingesetzt, um Chancen zu suchen.
Mindestens ebenso wichtig ist die Analyse von Risiken.
Dazu gehören beispielsweise:
- Marktpreisrisiken,
- Volatilitätsrisiken,
- Zinsrisiken,
- Kreditrisiken,
- Liquiditätsrisiken,
- Modellrisiken,
- Konzentrationsrisiken.
Ein Quant kann untersuchen, wie sich ein Portfolio unter verschiedenen Szenarien verhält oder welche Faktoren den größten Anteil am Gesamtrisiko verursachen.
Programmierung
Moderne Quant-Arbeit ist ohne Programmierung kaum vorstellbar.
Häufig eingesetzte Sprachen sind beispielsweise:
- Python,
- C++,
- R,
- SQL.
Dabei geht es nicht nur darum, mathematische Formeln in Code zu übersetzen.
Programme müssen Daten laden, Modelle berechnen, Ergebnisse speichern, Tests durchführen und reproduzierbare Analysen ermöglichen.
In produktiven Systemen kommen weitere Anforderungen hinzu:
- Logging,
- Monitoring,
- Fehlerbehandlung,
- Versionskontrolle,
- Performance,
- Datenbanken,
- APIs.
Hier beginnt der Übergang vom Quant Research zum Quant Engineering.
Quant Trader
Ein Quant Trader arbeitet häufig näher am tatsächlichen Handel.
Seine Aufgaben können umfassen:
- Überwachung systematischer Strategien,
- Analyse von Ausführungsqualität,
- Anpassung von Risikogrenzen,
- Untersuchung ungewöhnlicher Marktbewegungen,
- Bewertung von Slippage und Transaktionskosten,
- Zusammenarbeit mit Research und Engineering.
Je nach Organisation kann die Grenze zwischen Quant Trader, Researcher und Developer sehr unterschiedlich verlaufen.
Quant Developer und Quant Engineer
Während sich Quant Research auf Hypothesen und Modelle konzentriert, beschäftigt sich Quant Engineering stärker mit deren technischer Umsetzung.
Ein Quant Engineer sorgt beispielsweise dafür, dass:
- Marktdaten zuverlässig eintreffen,
- Modelle reproduzierbar laufen,
- Backtests skalierbar sind,
- Orders korrekt erzeugt werden,
- Risikolimits eingehalten werden,
- Systeme überwacht werden können.
Damit wird aus einem Forschungsmodell ein tatsächlich nutzbares System.
Welche Fähigkeiten benötigt ein Quant?
Ein solides Kompetenzprofil umfasst typischerweise mehrere Bereiche.
Mathematik
Wichtige Grundlagen sind:
- Analysis,
- lineare Algebra,
- Wahrscheinlichkeitsrechnung,
- Optimierung.
Statistik
Besonders wichtig sind:
- Schätzung,
- Hypothesentests,
- Regression,
- Zeitreihenanalyse,
- Verteilungsanalyse.
Finanzwissen
Dazu gehören beispielsweise:
- Finanzmärkte,
- Portfoliotheorie,
- Derivate,
- Risiko,
- Marktmechanik.
Informatik
Mindestens eine Programmiersprache sollte sicher beherrscht werden.
Zusätzlich hilfreich sind:
- Datenbanken,
- Git,
- Linux,
- Cloud-Systeme,
- Softwarearchitektur.
Braucht ein Quant immer einen Hochschulabschluss?
Viele professionelle Quant-Positionen verlangen ein Studium in Mathematik, Statistik, Physik, Informatik, Ökonometrie, Financial Engineering oder einem verwandten Bereich.
Die eigentlichen Kompetenzen gehen jedoch über einen formalen Abschluss hinaus.
Entscheidend ist, ob jemand in der Lage ist:
- mathematische Zusammenhänge zu verstehen,
- Daten kritisch zu analysieren,
- Modelle korrekt zu implementieren,
- Ergebnisse zu validieren,
- Unsicherheit angemessen zu beurteilen.
Gerade quantitative Finanzanalyse erfordert kontinuierliches Lernen.
Die vielleicht wichtigste Fähigkeit: Skepsis
Ein guter Quant sollte seinen eigenen Ergebnissen misstrauen können.
Ein außergewöhnlich guter Backtest sollte nicht sofort Begeisterung auslösen, sondern Fragen:
- Habe ich zukünftige Informationen verwendet?
- Ist das Universum verzerrt?
- Habe ich zu viele Parameter getestet?
- Sind die Transaktionskosten realistisch?
- Funktioniert das Modell in anderen Zeiträumen?
- Welche Annahme treibt das Ergebnis?
- Was würde das Modell widerlegen?
Diese Haltung unterscheidet belastbares Research von reinem Data Mining.
Fazit
Ein Quant verbindet Finanzwissen, Statistik, Mathematik, Daten und Programmierung.
Seine Aufgabe besteht nicht darin, mathematisch möglichst komplizierte Modelle zu produzieren.
Die eigentliche Aufgabe besteht darin, finanzielle Fragestellungen in überprüfbare Modelle zu übersetzen und deren Grenzen zu verstehen.
Der professionelle Quant ist deshalb gleichzeitig Analyst, Modellierer, Programmierer und Kritiker seiner eigenen Ergebnisse.
Weiterführende Literatur
- Hull, J. C.: Options, Futures, and Other Derivatives.
- Campbell, J. Y.; Lo, A. W.; MacKinlay, A. C.: The Econometrics of Financial Markets.
- Tsay, R. S.: Analysis of Financial Time Series.
- Grinold, R. C.; Kahn, R. N.: Active Portfolio Management.
Weiterführend auf quantitativefinanzen.de
Passendes Fachbuch:
Quantitative Finance – Evidenzorientierter Einstieg in moderne Quant-Praxis von Olaf Sund.
Nächste Themen:
- Quantitative Finanzanalyse
- Quant Trading
- Quant Engineering