Quantitative Forschung überträgt Fragestellungen aus den Finanzmärkten in Hypothesen, die sich mit Daten überprüfen lassen. Statt sich überwiegend auf Intuition zu verlassen, kombinieren Forschende Statistik, Mathematik, Programmierung und Marktkenntnis. Sie untersuchen, ob ein beobachtetes Muster beständig ist, wirtschaftlich erklärt werden kann und sich unter realen Handelsbedingungen umsetzen lässt.
Der Prozess besteht nicht nur darin, ein Modell zur Vorhersage von Preisen zu entwickeln. Er beginnt mit einer Forschungsfrage, führt über die Aufbereitung der Daten und die Validierung des Modells und endet mit konkreten Ausführungsregeln, deren Verhalten auch nach dem Einsatz laufend überwacht werden muss.
Eine überprüfbare Hypothese formulieren
Am Anfang steht meist eine konkrete Beobachtung zum Marktverhalten. Forschende können fragen, ob zuletzt gestiegene Vermögenswerte ihren Trend fortsetzen, ob relativ günstig bewertete Unternehmen langfristig höhere Renditen erzielen oder ob sich die Preise zweier historisch verbundener Anlagen nach einer Abweichung wieder annähern.
Die Hypothese sollte eine plausible wirtschaftliche Begründung besitzen. Momentum kann beispielsweise damit zusammenhängen, dass Anleger neue Informationen nur schrittweise in den Preisen berücksichtigen. Der Value-Effekt kann übermäßigen Pessimismus gegenüber bestimmten Unternehmen oder eine Vergütung für zusätzliche Risiken widerspiegeln.
Diese Begründung ist wichtig, weil sich in großen Finanzdatensätzen sehr viele Beziehungen testen lassen. Werden genügend Variablen ausprobiert, erscheinen zwangsläufig einige Ergebnisse allein durch Zufall erfolgreich. Ein verständlicher wirtschaftlicher Mechanismus hilft dabei, einen möglichen Markteffekt von statistischem Rauschen zu unterscheiden.
Marktdaten sammeln und aufbereiten
Nach der Formulierung der Hypothese werden die benötigten Daten ausgewählt. Zu den üblichen Quellen gehören Preise, Handelsvolumen, Unternehmensbilanzen, Zinssätze, Konjunkturindikatoren, Optionsdaten, Analystenschätzungen und die Stimmung in Nachrichten. Auch alternative Informationen über Lieferketten, Webaktivität, Satellitenbilder sowie Umwelt-, Sozial- und Governance-Faktoren können einbezogen werden.
Unbearbeitete Finanzdaten sind nur selten sofort verwendbar. Sie können fehlende Beobachtungen, falsche Preise, uneinheitliche Zeitstempel oder nachträglich revidierte Wirtschaftsdaten enthalten. Dividenden, Aktiensplits, Handelsaussetzungen und Börsenrückzüge verändern ebenfalls historische Zeitreihen.
Das Forschungsteam muss die Daten bereinigen, unterschiedliche Frequenzen abstimmen und die Aufzeichnungen überprüfen. Für jeden Test dürfen nur Informationen verwendet werden, die zum Zeitpunkt der jeweiligen Entscheidung tatsächlich verfügbar waren. Später veröffentlichte Daten erzeugen einen Look-ahead-Bias. Werden Unternehmen ausgeschlossen, die den Markt verlassen haben, entsteht ein Survivorship-Bias. Beide Fehler können eine schwache Strategie wesentlich erfolgreicher erscheinen lassen, als sie in der Realität gewesen wäre.
Informationen in Signale umwandeln
Die aufbereiteten Daten werden anschließend in messbare Variablen beziehungsweise Faktoren umgewandelt. Momentum kann durch die Rendite eines Vermögenswertes in den zurückliegenden Monaten dargestellt werden. Zur Messung von Value eignen sich unter anderem Gewinn- oder Free-Cashflow-Renditen. Risiken lassen sich über realisierte Volatilität, maximale Kursverluste, Kreditspreads oder die Empfindlichkeit gegenüber Marktbewegungen beschreiben.
Eine statistische Beziehung zu zukünftigen Renditen allein macht ein Signal noch nicht brauchbar. Es muss zum richtigen Zeitpunkt beobachtbar sein, konsistent berechnet werden können und durch einen nachvollziehbaren Marktmechanismus gestützt werden.
Darüber hinaus werden Wechselwirkungen zwischen Signalen untersucht. Ein Bewertungssignal kann bei hochprofitablen Unternehmen anders wirken, während ein Trendsignal bei abrupten Marktumkehrungen an Aussagekraft verlieren kann. Die Kombination ergänzender Informationen kann die Stabilität erhöhen. Zu viele Variablen steigern jedoch die Gefahr einer Überanpassung.
Das quantitative Modell entwickeln
Welches Modell geeignet ist, hängt vom Forschungsziel ab. Regressionen und Faktormodelle schätzen Beziehungen zwischen Variablen und Renditen. Zeitreihenverfahren analysieren die Entwicklung finanzieller Größen. Optimierungsalgorithmen stellen Portfolios unter Vorgaben für Rendite, Risiko, Liquidität und Positionsgrößen zusammen. Maschinelles Lernen kann nichtlineare Zusammenhänge erkennen, die traditionelle Verfahren möglicherweise übersehen.
Ein komplexeres Modell ist allerdings nicht automatisch besser. Ein übermäßig flexibles System kann historische Daten nahezu perfekt beschreiben und bei neuen Beobachtungen trotzdem versagen. Einfachere Modelle lassen sich häufig besser interpretieren, überprüfen und warten.
Deshalb begrenzen Forschende die Zahl der Parameter, vergleichen verschiedene Modellspezifikationen und prüfen, ob das Ergebnis zu stark von einem bestimmten Zeitraum, Markt oder einer kleinen Gruppe von Wertpapieren abhängt.
Historische Tests realistisch gestalten
Bei einem Backtest werden vorab definierte Regeln auf historische Daten angewendet. Dadurch lässt sich abschätzen, welche Rendite- und Risikomerkmale eine Strategie möglicherweise gezeigt hätte. Ein Backtest ist ein Experiment und kein Beweis für künftige Gewinne.
Die zur Modellentwicklung verwendeten Daten sollten von den Daten zur Bewertung getrennt werden. Walk-forward-Tests bilden eine realistischere Umgebung nach, weil das Modell in jedem Abschnitt ausschließlich mit den Informationen trainiert wird, die vor der jeweiligen Entscheidung verfügbar waren.
Ein glaubwürdiger Test muss außerdem Provisionen, Geld-Brief-Spannen, Slippage, Markteinfluss, Finanzierungskosten, Leerverkaufsbeschränkungen und Verzögerungen bei der Ausführung berücksichtigen. Diese Belastungen können theoretische Renditen erheblich verringern, insbesondere bei Strategien mit hohem Umschlag oder begrenzter Kapazität.
Die Bewertung darf sich nicht auf den kumulierten Ertrag beschränken. Untersucht werden auch Volatilität, Sharpe Ratio, maximaler Drawdown, Beständigkeit der Erträge, Extremverluste und Faktorrisiken. Zudem muss geklärt werden, ob Gewinne tatsächlich aus dem vorgesehenen Signal stammen oder aus einer unbeabsichtigten Konzentration auf eine Branche, ein Land oder die allgemeine Marktrichtung.
Robustheit und Extremszenarien prüfen
Robustheitstests zeigen, ob das Ergebnis vernünftigen Änderungen der Annahmen standhält. Dafür können der Untersuchungszeitraum, die Häufigkeit der Neugewichtung, die Signaldefinition oder die geschätzten Handelskosten verändert werden. Die Analyse lässt sich auch in verwandten Märkten oder mit alternativen Datenquellen wiederholen.
Funktioniert eine Strategie nur bei einem exakt gewählten Parameter und bricht bereits nach einer kleinen Anpassung zusammen, kann ihr scheinbarer Vorteil zufällig sein. Ein glaubwürdigerer Effekt zeigt gewöhnlich über einen sinnvollen Bereich von Einstellungen eine gewisse Beständigkeit, auch wenn seine Stärke schwankt.
Stresstests simulieren eine sinkende Liquidität, steigende Korrelationen, Zinsschocks oder einen plötzlichen Anstieg der Volatilität. Monte-Carlo-Simulationen erzeugen zahlreiche mögliche Verläufe und zeigen, wie sich die Ergebnisse jenseits der einen historisch beobachteten Reihenfolge verändern könnten.
Von der Forschung zum realen Handel
Ein überzeugender historischer Test rechtfertigt noch keinen sofortigen Einsatz des gesamten Kapitals. Eine Strategie kann zunächst im Papierhandel oder mit begrenztem Volumen beobachtet werden. Dadurch lassen sich Datenverzögerungen, Ausführungsprobleme, Systemfehler und Unterschiede zwischen geschätzten und tatsächlichen Kosten erkennen.
Das Signal muss außerdem in konkrete Regeln für Positionsgrößen, Risikolimits, Handelsfrequenz, Ausführungsmethode und Ausstiegsbedingungen übersetzt werden. Eine statistisch attraktive Idee, die sich nicht effizient handeln lässt, ist keine praktisch einsetzbare Strategie.
Die Überwachung endet nicht mit der Einführung. Technologie, Regulierung, Wettbewerb und Anlegerverhalten verändern die Marktstruktur. Eine früher wirksame Beziehung kann schwächer werden, wenn mehr Teilnehmer sie ausnutzen, oder nach einem strukturellen Wandel vollständig verschwinden.
Das Forschungsteam vergleicht die tatsächlichen Ergebnisse mit den Erwartungen und beobachtet Signalstärke, Datenveränderungen, Handelskosten, Liquidität und Risikoexpositionen. Im Voraus definierte Prüf- und Abschaltkriterien verhindern, dass ein nicht mehr funktionsfähiges Modell unbegrenzt gerechtfertigt und weiterverwendet wird.
Quantitative Forschung beseitigt keine Unsicherheit und erzeugt keine garantierten Prognosen. Ihr Wert liegt in einem disziplinierten und wiederholbaren Entscheidungsprozess: eine widerlegbare Hypothese formulieren, verlässliche Daten verwenden, Entdeckung und Validierung trennen, realistische Ausführungsbedingungen berücksichtigen und die Grenzen des Modells offen benennen.
Wenn statistische Evidenz, wirtschaftliche Logik, praktische Umsetzbarkeit und Risikomanagement dieselbe Schlussfolgerung unterstützen, kann aus einer Marktbeobachtung eine anwendbare Anlagemethode entstehen. Das Ziel ist nicht Gewissheit, sondern ein besseres Verständnis von Wahrscheinlichkeiten, Zielkonflikten und den Bedingungen, unter denen ein Modell vernünftig funktionieren kann.