[Wall Street Ajae] Anspruch und Wirklichkeit von Quant-Investing – Teil 1: Halbherzigkeit ist pures Gift

Der Sprecher Wall Street Ajae erklärt seine Motivation, dieses Video aufgrund besorgniserregender Entwicklungen im Bereich des Quant-Investing-Marketings zu drehen. Er warnt davor, dass viele Kurse und Dienste Backtesting beschönigt darstellen und Anfänger durch unwissenschaftliche Versprechen von Zinseszinsen in die Irre führen. Etwa 15 % seiner Abonnenten betreiben Quant-Trading, weshalb er 10 kritische Punkte zur Fehlervermeidung vorstellen möchte. Das Ziel ist es, Privatanleger vor massiven finanziellen Verlusten und Zeitverschwendung durch fehlerhafte Methoden zu schützen. Er betont dabei seine eigene Verantwortung als Finanz-YouTuber und distanziert sich von persönlichen Angriffen auf andere Anbieter.

In diesem Abschnitt werden verschiedene Arten des Quant-Tradings nach ihrer zeitlichen Dimension und Methodik klassifiziert. Dies umfasst Hochfrequenzhandel (HFT), statistische Arbitrage wie Pair Trading sowie langfristiges Factor Investing und moderne 'Quantamental'-Ansätze unter Einsatz von Big Data. Der allgemeine Prozess wird als vierstufiger Zyklus aus Hypothesenbildung, Backtesting, Live-Trading und Risikomanagement beschrieben. Der Sprecher stellt fest, dass Quant-Methoden seit Mitte der 2010er Jahre durch Plattformen wie Quantopian für Privatanleger demokratisiert wurden. Dennoch bleibt die Unterscheidung zwischen institutionellen Standards und vereinfachten privaten Ansätzen für den Erfolg entscheidend.

Der Sprecher erläutert das mathematische Phänomen, dass in historischen Daten unendlich viele profitable Muster gefunden werden können, was jedoch kein Garant für zukünftige Gewinne ist. Als praktisches Beispiel wird die 'Magic Formula' von Joel Greenblatt analysiert, die nach ihrer Veröffentlichung hinter dem Markt zurückblieb. Dies liegt vor allem daran, dass Märkte effizienter werden und spezifische 'Edges' oder Vorteile mit der Zeit verschwinden. Die Suche nach einer Strategie, die sowohl in der Vergangenheit als auch in der Zukunft funktioniert, wird als Suche nach der Nadel im Heuhaufen beschrieben. Sogar hochprofessionelle Plattformen wie Quantopian scheiterten letztlich an der praktischen Umsetzung dieser Herausforderung.

Der erste große Fehlerpunkt im Quant-Investing betrifft die blinde Gläubigkeit gegenüber unsauberen Daten von kostenlosen Anbietern wie Yahoo oder Google. Besonders hervorgehoben wird der Survivorship Bias (Überlebenden-Verzerrung), illustriert durch das berühmte Beispiel der Einschusslöcher an Kampfflugzeugen aus dem Weltkrieg. Wenn man nur heute existierende Unternehmen wie Apple für einen 20-jährigen Backtest wählt, ignoriert man die unzähligen gescheiterten Firmen der 80er Jahre. Dies führt zu künstlich aufgeblähten Renditen, die in der Realität niemals hätten erzielt werden können. Sauberes Backtesting muss daher zwingend alle Unternehmen berücksichtigen, die zu Beginn des Testzeitraums am Markt aktiv waren.

Der zweite und dritte Fehlerpunkt behandeln den Look-ahead Bias und das Overfitting. Beim Look-ahead Bias fließen Informationen in den Test ein, die zum simulierten Handelszeitpunkt noch gar nicht bekannt waren, wie etwa verspätete Quartalsberichte oder eine Auswahl der heute größten Unternehmen. Overfitting beschreibt den Versuch, ein Modell so komplex zu gestalten, dass es die historische Stichprobe perfekt ohne Fehler abbildet. Ein solches Modell verliert jedoch jegliche Vorhersagekraft für die Grundgesamtheit und zukünftige Marktdaten. Der Sprecher warnt eindringlich davor, zu viele Filter und spezifische Parameter wie exakte KGV-Grenzwerte zu nutzen, nur um die Backtest-Kurve zu verschönern.

Um Overfitting zu vermeiden, wird die Nutzung von Out-of-Sample-Daten (OOS) und Trainings- sowie Validierungssätzen erklärt. Der Sprecher stellt fortgeschrittene Techniken wie das Walk-Forward-Testing vor, bei dem Zeitfenster rollierend verschoben werden, um Parameter dynamisch anzupassen. Auch die K-Fold Cross-Validation wird als Methode genannt, um die Stabilität eines Modells über verschiedene Datenblöcke hinweg zu prüfen. Diese Methoden helfen dabei, Strategien zu entwickeln, die robuster gegenüber Veränderungen sind. Ziel ist es, ein Modell zu finden, das nicht nur auf die Vergangenheit fixiert ist, sondern eine allgemeingültige Marktlogik abbildet.

Ein kritischer Punkt ist die Regel, dass Validierungsdaten niemals ein zweites Mal für Anpassungen genutzt werden dürfen, da sie sonst faktisch zu Trainingsdaten werden. Der Sprecher betont, dass man in der Realität nur eine Chance hat und eine enttäuschende Validierung zum Verwerfen der Strategie führen muss. Zudem wird das Konzept des 'Market Regime Change' eingeführt, bei dem sich die Marktcharakteristik durch Zinswenden, Krisen oder neue Regulierungen fundamental ändert. Daten aus dem Jahr 2001 sind heute oft wertlos, weil die damaligen Preistreiber in einem völlig anderen makroökonomischen Umfeld agierten. Langfristige Backtests über 20 Jahre werden daher oft als weniger aussagekräftig eingestuft als kürzere, relevante Zeiträume.

Im abschließenden Teil wird die Bedeutung der Datenmenge für die statistische Signifikanz erörtert. Während ein Hochfrequenzhändler pro Jahr über 300.000 Datenpunkte sammeln kann, verfügt eine monatliche Rebalancing-Strategie selbst nach 20 Jahren nur über 240 Punkte. Diese geringe Datenmenge macht es fast unmöglich, signifikante Aussagen zu treffen und gleichzeitig Regime-Wechsel zu berücksichtigen. Der Sprecher erwähnt die 'existenzielle Krise', in der sich viele namhafte Quants seit der Pandemie befinden, da alte Muster durch das neue Umfeld wertlos wurden. Das Video endet mit dem Hinweis auf Teil 2, in dem weitere Fehlerquellen und ein Lehrplan für angehende Quants besprochen werden.