Der gläserne Quant: ein KI-Anlageagent und die unbequeme Wahrheit aus 29 Jahren Backtest
Das Internet ist voll mit Versprechen, dass KI an der Börse reich macht. Wir haben einen echten KI-Anlageagenten gebaut und dann das Unpopuläre getan: ihn ehrlich gegen „einfach den Index kaufen" gerechnet. Was dabei herauskam, ist weniger ein Rendite-Versprechen als eine Blaupause, wie man mit KI baut, ohne sich selbst zu belügen.
Es gibt zwei Sorten Geschichten über KI und Geld. Die eine verspricht das Wunder: ein Algorithmus, der den Markt schlägt, während man schläft. 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 Sie nicht reich macht, Sie aber in einem 2008er-Crash nicht die Hälfte Ihres 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 ↓. Den kompletten Code haben wir im Oktober 2026 als Open Source veröffentlicht: glass-quant auf GitHub ↗ (AGPL-3.0, Forschungssoftware, keine Anlageberatung).
Warum das auch für Ihr 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.
// quellen & weiterlesen
- AUGH Research: „Der gläserne Quant (OMLA)", vollständiges Whitepaper (PDF, 2026)
- glass-quant: der Quellcode als Open Source auf GitHub (AGPL-3.0, 2026)
- Connors, L. & Alvarez, C. (2009): Short Term Trading Strategies That Work, Grundlage der Mean-Reversion-Logik.
- López de Prado, M. (2018): Advances in Financial Machine Learning, zum Problem des Backtest-Overfittings.
- Gartner: Governance entscheidet über Erfolg autonomer Agenten (26.05.2026)
Redaktioneller Research-Artikel von AUGH Research, Stand 14. Juni 2026. Alle Performance-Zahlen stammen aus einem historischen Backtest (1997 bis 2026) der beschriebenen Strategie; historische Ergebnisse sind keine Garantie für künftige Entwicklungen. Dieser Artikel ist eine technisch-methodische Darstellung eines Forschungsprojekts und stellt keine Anlageberatung und keine Aufforderung zum Kauf oder Verkauf von Finanzinstrumenten dar.