KI-Trading & Quant-Analyse: Wie Algorithmen die Börse schlagen
Algorithmen, Daten und KI verändern, wie an der Börse entschieden wird. Die Gäste dieser Reihe setzen quantitative Modelle selbst ein und sagen offen, wo sie der Maschine trauen und wo nicht.
Die Folgen der Reihe
Ganze Reihe auf YouTube →
Wo hilft KI beim Handeln und wo nicht?
Dr. Hendrik Leber hat bei ACATIS 2016 einen Fonds mit KI aufgelegt. Die Maschine erzeugt tausend Musterportfolios, sortiert die schlechtere Hälfte aus und wiederholt das hunderte Male. Was am Ende steht, prüft ein Mensch, erst dann wird gehandelt (ab 1:01:10). Wunder erwartet er keine, und Backtests traut er nicht.
Erik Wimmer ließ 2023 eine KI frei handeln. Der Markt fiel 10 bis 12 %, sein Portfolio 40 %, weil die KI Ein- und Ausstieg vertauscht hatte (ab 1:32:54). Heute bewertet die KI nur noch, wie gut seine 312 Indikatoren treffen. Gehandelt wird nach einem festen Algorithmus, den er selbst an- und ausschaltet.
Marcel Urban nutzt keine Chatbots, sondern klassisches Machine Learning, das ETFs für Arbitrage sortiert. Bei rund 40.000 Orders am Tag bleibt ein Mensch am Notausschalter. Sein Befund: Je mehr Leute automatisiert handeln, desto schneller verschwindet der Vorteil (ab 1:10:55).
Tristan Post will, dass ein KI-Agent vor jedem Kauf bei ihm nachfragt (ab 43:04). Larissa Kravitz nutzt KI für die Sentimentanalyse, die sie vor 16 Jahren noch mühsam in Python programmiert hat (ab 41:30).
Die Ansätze der Gäste
- Dr. Hendrik Leber: Value-Investing nach Buffett, bei dem seit 2016 eine eigene KI mitentscheidet.
- Tristan Post: warum Privatanleger beim KI-Einsatz oft im Vorteil sind, und warum er trotzdem aus seinen KI-Aktien ausgestiegen ist.
- Erik Wimmer: die Nacht, in der eine KI zum ersten Mal allein handelte, und wo er der Maschine bis heute nicht traut.
- Marcel Urban: ETF-Spreads auf Tick-Level und Kreativität als letzter Edge, den keine Maschine ersetzt.
- Larissa Kravitz: F-Score, Sentiment-Daten und Whale Tracking. Und warum ETF-Sparer selbst zum Marktrisiko werden.
