Investment Lösungen

  • Interview mit Michael Geke
  • Gründer & CEO
  • Quantmade

„Die Nachfrage nach quantitativen Modellen nimmt zu“

Die Entwicklung moderner quantitativen Modelle zielt auf Market Phase Neutrality (MPN) ab. Das ermöglicht es, Muster auch in kleineren Zeiteinheiten aus grossen Datensätzen zu erkennen und Tradeentwicklungen zu prognostizieren, wie Michael Geke ausführt.

Francesco Mandalà

Wie haben sich quantitative Modelle in den vergangenen Jahren entwickelt?

Quantitative Modelle zur Identifikation von Trading-Möglichkeiten haben in den letzten Jahren erhebliche Fortschritte gemacht, insbesondere durch die Integration von Big Data und maschinellem Lernen. Abgesehen von Quants im High Frequency Trading nutzen viele algo-basierte Modelle jedoch immer noch einfache statistische Methoden, häufig im Bereich der Trendfolge.

Die Entwicklung moderner Quant-Modelle zielt zunehmend auf Market-Phase Neutrality (MPN) ab. Das Hauptziel ist es hier, die Korrelationen in der Performanceentwicklung zu reduzieren und präzisere Trades durchzuführen, um bessere risiko-adjustierte Performancekennzahlen zu erzielen. Heutige Modelle sind in der Lage, Muster auch in kleineren Zeiteinheiten aus grossen Datensätzen zu erkennen und mit vergleichsweise hohen Wahrscheinlichkeit Tradeentwicklungen zu prognostizieren. Somit können etwa Portfolio-Beta-Werte von unter 0.1 mit Long-Only-Systemen im Aktienbereich erreicht werden. Signifikante Fortschritte in der Rechenleistung ermöglichen es, mehr Daten effizienter auszuwerten, was zu robusteren Vorhersagen führt.

Wie sehen Sie die Nachfrage aus Sicht der Anleger und welche Überlegungen spielen angesichts des derzeitigen Marktumfelds eine Rolle?

Das aktuelle Marktumfeld ist immer eine Interpretationsfrage. Tatsache ist, dass viele Anleger das Risiko scheuen, aber gleichzeitig nach überdurchschnittlichen Renditen streben – idealerweise auf einem Zeithorizont von 3-5 Jahren hinaus. Es bedarf deshalb eines aktiven Portfoliomanagements auf Einzeltitelbasis. Hier kommen die Quants in Spiel, die durch aktives Portfoliomanagement die Risiken und Schwankungen im Portfolio reduzieren können. Diese Robustheit über verschiedene Marktphasen hinweg hat zu einer erhöhten Nachfrage nach quantitativen Modellen geführt, da diese konsistenten, systembasierten und damit emotionslosen Entscheidungen ermöglichen.

Wie setzen Sie als Asset Manager Quant-Modelle ein?

Wir nutzen Quant-Modelle, um die Asset-Allokation zwischen low-beta- und higher-beta-Systemen zu berechnen. Wir umgehen somit die Problematik mit der Bewertung des Marktumfelds und der -entwicklung, indem unsere Quant-Modelle sich adaptiv und systemisch auf Veränderungen einstellen. Als Anlageuniversum dienen uns vorwiegend hoch-liquide US-Einzeltitel aus dem S&P 100 und dem NASDAQ 100-Index. Insgesamt berechnen wir sechs Portfolios mit unterschiedlichen alpha- und beta-Werten. Somit sind wir in der Lage, abgestimmt auf die Anforderungen des Kunden sowie das Marktumfeld, durch geschickte Kombination von Systemen, die Rendite, das Risiko sowie die Korrelationen zu designen.

Wie soll ein Portfolio zusammengestellt werden, welches Quants umfasst?

Quants stehen somit nicht im Konflikt zum fundamentalen Ansatz, sondern stehen bei einem professionell und gut geführten Investment Depot immer als Baustein neben den klassischen Methoden. Über die Gewichtung muss dann jeder Anleger selbst entscheiden.

Welche primären Datenquellen verwenden Sie für Ihre quantitativen Modelle, und wie stellen Sie die Genauigkeit und Zuverlässigkeit dieser Daten sicher?

Unsere primären Datenquellen sind die langfristigen, historischen Kursdaten der Einzelaktien. Die Genauigkeit und Zuverlässigkeit dieser Daten stellen wir durch mehrere Massnahmen sicher: Wir arbeiten mit renommierten Datenanbietern zusammen, verwenden Datenbereinigungs- und Validierungstechniken und haben einen digitalen Qualitätssicherungsprozess.

Inwiefern haben maschinelles Lernen und künstliche Intelligenz Ihre quantitativen Anlagestrategien beeinflusst?

Maschinelles Lernen haben unsere quantitativen Anlagestrategien systemseitig erweitert, indem sie es ermöglichen, komplexe Muster und Beziehungen in Kursdaten zu erkennen, weiterführende Korrelationsmuster zu bewerten, die traditionelle Methoden übersehen könnten. Vor allem bei der gleichzeitigen Bewertung verschiedener Zeitebenen ist das wichtig.

Dies hat zu einer besseren risiko-adjustierten Performance der Quant-Portfolios geführt, indem wir die Schwankungen noch besser durch einen verbesserte Tradeselektion managen können. Maschinelles Lernen und künstliche Intelligenz sind jedoch Methoden und wir haben das Ziel, attraktive Renditen bei minimalen Schwankungen zu erzielen. Darum sind wir nicht per se darauf fokussiert, unbedingt ML oder KI in den Quant-Systemen einzusetzen, nur weil es gerade Hype ist. Wir haben schon einige Systemen gesehen, die KI nutzen aber deutlich schlechtere Ergebnisse erzielen.

Michael Geke

Quantmade

Michael Geke ist seit 2018 CEO und Gründer des Wealthtechs Quantmade. Während seiner Promotion an der ETH Zürich hat er sich intensiv mit mathematischen Simulationsmodellen beschäftigt. . Bereits vor der Gründung von Quantmade baute er erfolgreich zwei Unternehmen auf. Nach seinem letzten Exit im Jahr 2012 war er bis Ende 2014 Partner bei KPMG.