Der gläserne Quant: ein KI-Anlageagent — und die unbequeme Wahrheit aus 29 Jahren Backtest

Es gibt zwei Sorten Geschichten über KI und Geld. Die eine verspricht das Wunder: ein Algorithmus, der den Markt schlägt, während du schläfst. Die andere ist die, die kaum jemand erzählt — die ehrliche. Dieser Artikel ist die zweite Sorte. Wir haben über Monate ein System gebaut, das wir intern „Der gläserne Quant" nennen: einen regelbasierten KI-Agenten, der täglich aus rund 640 Aktien diszipliniert Kauf-Empfehlungen erzeugt. „Gläsern", weil sein eigentlicher Beitrag nicht eine geheime Formel ist, sondern Transparenz — die konsequente Weigerung, sich die eigenen Ergebnisse schönzurechnen.

Was wir gebaut haben

Der gläserne Quant ist ein Multi-Agenten-Framework, das dreizehn unabhängige Analyse-Perspektiven — von Mean-Reversion über Makro-Liquidität und Credit-Spreads bis zu Behavioral-Signalen — zu einer einzigen Tagesempfehlung orchestriert. Drei Designentscheidungen sind dabei nicht verhandelbar:

• Free-Stack. Kein einziger bezahlter Datenfeed. Bloomberg, Polygon, teure „Signal"-Anbieter — alle ausgeschlossen. Die These: Mit frei verfügbaren Daten holt man rund 80 % des Edges, solange das Depot nicht riesig ist. Kosten sind ein Feature, kein Nachgedanke.
• Advisory-only. Die KI platziert nie eine Order. Sie analysiert, begründet, empfiehlt — die Entscheidung und der Klick bleiben beim Menschen. Das ist die wichtigste Leitplanke des ganzen Systems.
• Ehrlichkeit als Methode. Jede Perspektive muss ihren Mehrwert beweisen — sonst fliegt sie raus. Dazu gleich mehr.

Damit liegt der gläserne Quant exakt dort, wo seriöse Quant-Häuser KI heute tatsächlich einsetzen: als Beschleuniger für Analyse und Recherche, nicht als autonomen Händler. Genau ein einziger der großen Fonds lässt ein Sprachmodell wirklich im Entscheidungspfad mitlaufen — alle anderen nutzen es für „operatives Alpha": schneller verstehen, nicht blind ausführen.

Der ehrliche Test: gegen den Index gerechnet

Der entscheidende Schritt ist der, den die meisten Backtests verschweigen: der Vergleich mit der simpelsten Alternative überhaupt — einfach den S&P 500 kaufen und 29 Jahre liegen lassen. Über 1997 bis 2026, 14.646 Trades, sieht das so aus:

Die unbequeme Wahrheit zuerst: Bei der reinen Rendite verliert das System. 7,1 % gegen 9,9 % pro Jahr — wer nur auf die Endsumme schaut, hätte mit dem stumpfen Index-Kauf mehr verdient. Ein KI-Trading-Guru würde diese Zahl niemals zeigen.

Aber jetzt die andere Seite. Das System schwankt nur ein Drittel so stark, und sein tiefster Einbruch über 29 Jahre lag bei −8,6 % — während der Index in der Finanzkrise −55 % fiel. Auf jede eingegangene Risiko-Einheit liefert der gläserne Quant mehr als das Doppelte an Ertrag (Sharpe 1,25 vs. 0,58). Es ist kein Rendite-Motor — es ist eine Krisen-Schutz-Maschine. Ein defensiver Beifahrer, der dich nicht reich macht, aber dich in einem 2008er-Crash nicht die Hälfte deines Vermögens verlieren lässt.

Der eigentliche Beitrag: Features, die sich selbst abschalten

Hier wird es für uns als KI-Bauer interessant. Die meisten Systeme — gerade die mit KI im Namen — wachsen über die Zeit: mehr Signale, mehr Komplexität, mehr Buzzwords. Der gläserne Quant macht das Gegenteil. Er hat im Lauf der Entwicklung vier seiner eigenen Analyse-Schichten wieder abgeschaltet — News-Sentiment, Optionsflüsse, Insider-Daten, Put-Call-Signale — weil sie im ehrlichen Test über unbekannte Zeiträume keinen messbaren Mehrwert brachten. „Feature-Removal ist so wichtig wie Feature-Addition" ist im Code verankert, nicht nur im Manifest.

Dasselbe gilt für die teuren Klassiker: Jedes Makro-Overlay, jeder „Circuit-Breaker", den man üblicherweise einbaut, wurde gegen die nackte Basis-Strategie getestet — und alle haben die Performance verschlechtert. Das System veröffentlicht diese Negativ-Ergebnisse, statt sie zu verstecken. Und es benennt seine eigene Grenze schonungslos: Der Vorsprung ist dünn. Er hält nur, solange die realen Handelskosten unter etwa 15 Basispunkten pro Trade bleiben — darüber frisst sich der Vorteil weg. Das ist die ehrlichste und zugleich wichtigste Aussage der ganzen Arbeit.

Die ausführliche, wissenschaftliche Aufarbeitung — Design-Science-Methodik, die 13 Perspektiven, die vollständige Validierung und alle Kennzahlen — haben wir als Whitepaper dokumentiert: „Der gläserne Quant" als PDF ↓.

Warum das auch für euer KI-Projekt zählt

Man muss nicht traden, um aus diesem Projekt etwas mitzunehmen. Es ist im Kern eine Fallstudie darüber, wie man mit KI baut, ohne sich selbst zu belügen — und genau diese Disziplin entscheidet auch über Erfolg oder Scheitern eines KI-Projekts im Mittelstand:

• Miss gegen die dumme Alternative. Ein KI-Tool, das „funktioniert", ist wertlos, wenn die simple Lösung (eine Excel-Regel, der Index, der bestehende Prozess) genauso gut ist. Die ehrliche Vergleichszahl ist wichtiger als die schöne absolute Zahl.
• Schalte ab, was nichts bringt. Komplexität, die ihren Mehrwert nicht beweist, ist kein Feature, sondern Risiko. Die mutigste Designentscheidung ist oft das Weglassen.
• Halte den Menschen im Entscheidungspfad. Die KI empfiehlt, der Mensch verantwortet. Gartner prognostiziert, dass bis 2027 rund 40 % der Unternehmen autonome Agenten wegen fehlender Governance wieder zurückstufen — die Leitplanke ist kein Bremsklotz, sie ist der Grund, warum das System überhaupt produktiv bleibt.

Das ist die Haltung, mit der wir auch an Kundenprojekte gehen: nicht „mehr KI", sondern belegbar nützliche KI — gemessen, abgesichert, mit klarer Verantwortung. Der gläserne Quant ist unser Selbstversuch dafür. Gedacht, gebaut, belegt.