Zum Inhalt

Marcos López de Prado

Quantitativer Forscher und Portfolio-Manager. Leitete Forschungsteams bei Millennium Partners, Tudor Investment Corp und Guggenheim Partners. Ehemals Senior Researcher am Lawrence Berkeley National Laboratory. Pionier von Financial Machine Learning als eigenständiger Disziplin.

Ansatz

López de Prado vertritt das Meta-Strategy Paradigm: Einzelne Quants können keine nachhaltigen Edges produzieren — erst spezialisierte Teams, die wie eine industrielle Produktionskette arbeiten, finden reproduzierbare Alphas. Mikro-Alpha (ML-gefunden) übersteigt heute das verfügbare Makro-Alpha (ökonometrisch gefunden) bei weitem.

Kernlektionen

  • Meta-Labeling: ML soll nicht die Richtung von Trades bestimmen, sondern die Größe. Die Richtung kommt aus einem primären Modell (fundamental, regelbasiert), ML entscheidet ob und wie stark man handelt.
  • Triple-Barrier Method: Überlegenes Label-Schema für Trading — Profit-Take, Stop-Loss und Zeitlimit als drei Barrieren statt fixem Zeithorizont.
  • Deflated Sharpe Ratio (DSR): Sharpe Ratios müssen für Multiple-Testing-Bias korrigiert werden. Ohne Disclosure aller Trials ist ein Backtest-Ergebnis wertlos.
  • HRP (Hierarchical Risk Parity): Markowitz-Optimierung scheitert durch Konditionszahl-Instabilität bei korrelierten Assets. HRP ersetzt Matrixinversion durch Graph-Clustering.
  • Purged K-Fold CV: Standard K-Fold Cross-Validation ist in Finance falsch weil Labels überlappen — Purging und Embargo eliminieren Look-ahead Bias.