Quantitative
Alpha Strategies
Mathematisch fundierte Handelsstrategien basierend auf stochastischer Analysis, neuronalen Netzwerkarchitekturen und nicht-parametrischer statistischer Inferenz. Jede Strategie durchläuft einen rigorosen Walk-Forward-Validierungsprozess.
Algorithmische Alpha-Quellen
Orthogonale Strategieansätze mit niedriger Kreuzkorrelation (ρ < 0.25) für robuste Portfolio-Diversifikation.
Volatility Arbitrage
Ausnutzung der Differenz zwischen realisierter und impliziter Volatilität. Delta-neutrale Positionierung via dynamischer Absicherung isoliert das reine Vega-Exposure.
Modellierung via SABR-Volatilitätsdynamik: dσ = ασᵝ dW. β-Kalibrierung an der Volatilitätsoberfläche mittels Levenberg-Marquardt-Optimierung.
Statistical Pairs Trading
Mean-Reversion-Strategien auf kointegrierte Asset-Paare. Der Spread folgt einem Ornstein-Uhlenbeck-Prozess mit analytisch bestimmbaren Ein- und Ausstiegsschwellen.
Kointegrationstest via Engle-Granger-Methodik mit Augmented-Dickey-Fuller-Statistik. Halbwertszeit des Spreads via θ̂ = −ln(2)/ln(φ̂).
Liquidity Provision
Market-Making in fragmentierten Orderbüchern. Erfassung des Spreads durch simultane Platzierung von Bid- und Ask-Limit-Orders.
Avellaneda-Stoikov-Modell für optimale Quote-Platzierung. Reservationspreis: r(s,t) = s − qγσ²(T−t). Inventory-Control via Skew-Anpassung.
Forschungs-Methodik
Walk-Forward-Validierung
Rolling-Window-Backtesting mit 3-Jahres-Trainingsfenster, 6-Monats-Validierung und 3-Monats-Out-of-Sample-Test. Parameter-Update nur bei statistisch signifikanter Performance-Degradation (p < 0.01, Bonferroni-korrigiert).
Bayesianische Hyperparameter-Optimierung
Gaussian-Process-Surrogate mit Expected-Improvement-Acquisition-Funktion. Joint-Optimierung von bis zu 15 Hyperparametern mit Tree-structured-Parzen-Estimator (TPE).
Regime-Detektion
Hidden-Markov-Modelle mit 3 latenten Zuständen. Der Forward-Backward-Algorithmus berechnet P(Zₜ = k | X₁:ₜ) in O(T·K²). Parameter-Update via Baum-Welch-EM alle 250 Ticks.
Adverse-Selection-Modellierung
VPIN (Volume-Synchronized Probability of Informed Trading) nach Easley et al. (2012). Bucket-Größe: 50 Volumen-Bars. Toxizitätsgrenzwert: VPIN > 0.8 → Positionsreduktion um 50%.
Optimal Execution
Almgren-Chriss-Modell mit temporärem und permanentem Market Impact. Lösung via Pontryagin-Maximum-Prinzip. Reinforcement-Learning-Erweiterung via Deep-Q-Network für nicht-lineare Impact-Funktionen.
Transaction-Cost-Analyse
Full-Implementation-Shortfall-Methodologie. Dekomposition in: Commission, Spread-Cost, Market-Impact, Delay-Cost, Opportunity-Cost. Trades nur bei E[Profit] > 3× E[Cost].
Strategie-Equity-Kurve
COVID-19 Volatilitätsereignis
VIX-Spike: 15 → 82 in 14 Tagen (Februar–März 2020)
Der COVID-19-Crash induzierte eine beispiellose Dislokation der Volatilitäts-Terminstruktur. Die implizite Volatilität (VIX-Futures, Front-Month) überstieg die realisierte 20-Tage-Volatilität um 42 Prozentpunkte — ein 4.8σ-Ereignis relativ zur historischen Verteilung der Volatilitäts-Risikoprämie (VRP) seit 1990.
Execution-Details
- Short VIX-Futures (Rolling Front-Month) via CME — initiales Notional: $2.4M
- Delta-Hedging via SPY-Optionen mit täglichem Rebalancing (Black-Scholes-Delta)
- Positionsgröße: Kelly-Fraktionierung mit f* = (μ − r)/σ², begrenzt auf 0.5 Kelly
- Exit-Signal: Mean-Reversion-Indikator bei VIX < 40, realisiert am 12.03.2020
Strategy Deep Dive
Zugang zur Research-Plattform
Live-Backtesting-Environment · API-Zugang zu Strategy-Repository · Monatliche Quant-Research-Webinare · Co-Autorenschaft an Working Papers.
Kontakt aufnehmen →