
Ich habe eine quantitative Handelsstrategie mit Claude Code nachgebaut (Nobelpreis-Methode)
In diesem Video wird eine quantitative Handelsstrategie auf Basis des GARCH-Modells vorgestellt, das auf der Nobelpreis-gewinnenden Arbeit von Robert Engle (2003) basiert. Der Fokus liegt auf der Risikosteuerung anstatt auf der Vorhersage von Kursrichtungen.
Kernkonzepte
- Quantitative Analysten (Quants) ersetzen Meinungen durch messbare Daten. Sie analysieren zuerst die Volatilität („Gewalt“ des Marktes), nicht die Richtung.
- Zwei zentrale Fragen pro Trade: „Wohin?“ (Richtung) und „Wie viel?“ (Einsatz). Quants priorisieren die zweite Frage, da sie kontrollierbar ist.
- Volatilitäts-Clustering: Volatile Tage folgen oft aufeinander – dies ist zuverlässiger vorhersagbar als die Richtung.
Das GARCH-Modell
- Steht für „Generalized Autoregressive Conditional Heteroscedasticity“.
- Prognostiziert die morgige Volatilität aus drei Komponenten: Basisniveau, aktuellem Schock (15%) und Gedächtnis (85%).
- Keine Richtungsvorhersage – nur die Intensität der Bewegung.
Positionsgrößen-Berechnung
- Risikolimit setzen: Z.B. 15% jährliche Schwankung des Kontos.
- Aktuelle Marktgewalt messen: Z.B. 30% annualisiert (96% höher als im Vorjahr → „Sturm“).
- Positionsgröße anpassen: Risikolimit / Gewalt = 15/30 = 0,5 → halbe Größe (z.B. 5.000€ statt 10.000€).
Backtest-Ergebnisse (15 Jahre)
- Bitcoin: Volatilitätsgesteuerte Strategie erzielte höhere Renditen (21.000€ vs. 17.900€) bei geringerem Maximalverlust (63% vs. 81%) und besserer Sharpe-Ratio.
- Nasdaq: Geringere Verluste in Krisen (z.B. -13% statt -28% im Dotcom-Crash), aber 1% weniger jährliches Wachstum – quasi eine „Versicherung“.
Praktische Umsetzung
- Claude Code Skill: Installierbar über GitHub; ermöglicht Abfragen wie „Volatilitätsprognose für Bitcoin“ oder „Positionsgröße für Nasdaq“.
- TradingView-Indikator: „Storm Gauge“ zeigt Marktgewalt, Risikolimit und Größenempfehlung an.
- Kein Allheilmittel: Funktioniert nicht bei plötzlichen Crashs aus ruhigen Phasen oder für Breakout-Strategien.
Der Ansatz zeigt, wie KI quantitative Methoden für Retail-Trader zugänglich macht – mit einem Fokus auf Risikomanagement statt auf Glaskugel-Prognosen.






