Zum Inhalt

Machine Learning im Handel

Das Verfahren, das im Backtest am zuverlässigsten gewinnt — und im Einsatz am zuverlässigsten enttäuscht.

Kernidee

Maschinelles Lernen sucht Muster in Daten, ohne dass die Musterform vorgegeben wird. Auf Marktdaten angewendet heißt das: Statt eine Regel zu formulieren und zu testen, lässt man ein Modell aus vielen möglichen Regeln die passendste wählen.

Genau darin liegt die Stärke und das Problem. Ein hinreichend flexibles Modell findet immer ein Muster — auch in reinem Rauschen. Die entscheidende Arbeit liegt deshalb nicht im Modell, sondern in der Prüfung, ob das Gefundene mehr ist als Zufall.

Warum Finanzdaten der ungünstigste Anwendungsfall sind

ML funktioniert dort am besten, wo die Bedingungen umgekehrt liegen wie an Märkten:

ML mag Finanzdaten liefern
viele unabhängige Beobachtungen autokorrelierte Zeitreihen
stabile Zusammenhänge Regimewechsel
hohes Signal-Rausch-Verhältnis extrem niedriges
keine Rückkopplung ausgebeutete Muster verschwinden

Der letzte Punkt ist der grundsätzlichste: In der Bilderkennung ändert sich eine Katze nicht dadurch, dass ein Modell sie erkennt. An Märkten verschwindet ein Muster, sobald genug Kapital darauf setzt.

Was die vier Quellen des Bestands beitragen

  • matthew_dixon und Koautoren verankern das Feld in Inferenz statt in Rezepten — bayesianische und frequentistische Schätzung zuerst, Modelle danach. Dazu Interpretierbarkeit als eigenes Thema: Ein Modell, dessen Entscheidung niemand erklären kann, lässt nicht erkennen, wann es außerhalb seines Gültigkeitsbereichs arbeitet.
  • guillaume_coqueret und Guida geben Validierung, Backtesting und Interpretierbarkeit so viel Raum wie den Modellen — und verankern ML in factor_investing, also in einer ökonomischen These statt in freier Mustersuche.
  • marcos_lopez_de_prado liefert die methodischen Fallstricke, angefangen bei der Datenaufbereitung: Kalenderzeit ist die falsche Achse, siehe volume_clock.
  • david_aronson liefert den Maßstab, an dem alles zu messen ist: 6.402 Regeln, keine signifikant nach Korrektur für data_mining_bias.

Die drei Fallen

  1. Datenlecks. Naive Kreuzvalidierung mischt Zukunft in die Trainingsdaten. Bei Zeitreihen braucht es zeitrespektierende Verfahren. Siehe in_sample_out_of_sample, walk_forward_analyse.
  2. Hyperparametersuche als unsichtbares Data Mining. Eine Gittersuche über hunderte Konfigurationen ist ein Data-Mining-Durchgang mit hunderten Kandidaten — wird aber selten als solcher gezählt. Siehe data_mining_bias.
  3. Kosten und Kapazität außen vor. Ein Modell, das nach market_impact und Gebühren nichts übrig lässt, sieht im Backtest trotzdem gut aus. Siehe die_ausfuehrungsluecke_synthese.

Wo es tatsächlich trägt

Die belastbaren Anwendungen sind unspektakulärer als die Werbung:

  • Bessere Schätzung bekannter Strukturen statt Entdeckung neuer — Faktorexposures, Kovarianzmatrizen, Ausfallwahrscheinlichkeiten.
  • Nichtlineare Zusammenhänge, wo lineare Modelle nachweislich zu kurz greifen.
  • Datenaufbereitung und -bereinigung — oft der größte Hebel überhaupt.
  • Ausführung und Kostenmodellierung — kurze Horizonte, viele Beobachtungen, direkte Rückmeldung. Die einzige Anwendung, bei der die Datenlage tatsächlich zu ML passt.

Abgrenzung

  • Kein Ersatz für eine These. Coquerets Reihenfolge ist die richtige: erst der ökonomische Grund, dann das Modell.
  • Nicht dasselbe wie quant_systeme. Quantitativer Handel ist regelbasiert und kann vollständig ohne ML auskommen.
  • Kein Vorteil an sich. ML ist ein Schätzverfahren. Ob daraus ein Edge wird, entscheidet die Prüfliste aus was_ein_edge_sein_muss_synthese.