YouMind
Anmelden

So bauen Sie ein 24/7-Quant-Trading-Desk mit Opus 5.5 (VOLLSTÄNDIGER GUIDE)

@Av1dlive
ENGLISCH07. Okt. 2026
172K
168
17
29
398

TL;DR

Dieser Artikel bietet einen detaillierten Leitfaden zum Aufbau eines KI-gesteuerten quantitativen Research-Desks mit Opus 5.5 und Minara, mit Schwerpunkt auf der Definition investierbarer Universen, der Validierung von Daten und der Implementierung strenger Testprotokolle.

So baust du Schritt für Schritt einen KI-gestützten Quant-Research-Desk mit Opus 5.5 auf.

Ein zentraler Ort, um Unternehmen zu analysieren, Handelsideen zu testen und die Belege hinter jedem Ergebnis zu prüfen.

Nutze die Prompts, kommentierten Screenshots und Checks unten, um deine eigene Version aufzubauen.

Wir starten mit einem funktionierenden Minara-Piloten und bauen dann die Daten- und Research-Pipeline, die der vollständige Desk benötigt.

Frag einen KI-Chat nach jeder KI-Aktie weltweit und du bekommst wahrscheinlich eine Liste. Definiere zuerst das KI-Exposure, die handelbaren Listings und die Nachweise, die jedes Unternehmen erbringen muss.

Überspringst du das, vermischt die Liste Kunden mit Lieferanten, zählt ein Unternehmen dreimal und lässt künftige Veröffentlichungen in vergangene Entscheidungen einfließen.

Im vorgeschlagenen Setup hat jedes Tool genau eine Aufgabe:

Minara organisiert die Recherche und den Piloten. Codex führt reproduzierbare Berechnungen aus. Jev prüft getippte Belege, nachdem harte Tests bestanden sind. Dots koordiniert klar abgegrenzte Aufgaben, sobald die Übergabe verifiziert ist.

Bevor ich ein Modell anfordere, will ich Belege sehen, die ich selbst prüfen kann.

Welche börsennotierten Emittenten qualifizieren sich, warum sind sie dabei und was können die Daten beantworten?

Der geplante Kern umfasst börsennotierte Stammaktien und ADRs, für die benannte Quellen eine Länderabdeckung liefern. Ich werde das KI-Exposure jedes Emittenten über die gesamte Wertschöpfungskette hinweg abbilden.

Momentum, Qualität und der Investitionszyklus erhalten separate Tests, nachdem ihre Eingaben geprüft wurden.

„Global“ erfordert eine dokumentierte Abdeckung. Nicht jede Börse und jeder Emittent taucht automatisch auf.

Das hier ist reine Forschung – ohne Broker-Anbindung, Order-Routing, Wallet oder Live-Betrieb.

Rohdaten-Screenshots können Kontobezeichnungen zeigen. Sie halten den aktuellen oder gespeicherten UI-Zustand fest; ich habe die Ergebnisse nicht unabhängig reproduziert.

Was Minara heute leistet

Ich habe Minara durchgeklickt, um die Research-Tools zu prüfen. Die globale Datenbank muss noch aufgebaut werden.

Die Factor Library zeigte 376 Faktoren, darunter mehrere Varianten zur Definition von Momentum.

Ein Strategy-Studio-Beispiel enthielt 31 aktuelle Instrumente, einschließlich ETFs und Wertpapieren außerhalb der USA.

Für einen Interface-Piloten reicht das. Die historische Zusammensetzung des globalen Aktienuniversums braucht noch eigene Daten.

Das breite US-Momentum-Memo lieferte „nicht berechnet“. Historische Abdeckung, Zusammensetzung, Daten-Vintage und ausführbare Preise waren unbestätigt.

Außerdem fand ich in den Backtest-Ansichten Unstimmigkeiten bei Kosten und Einstellungen.

Avid - inline image

Das aktuelle Minara-Memo und die ursprüngliche Anfrage zeigen die Grenzen von UI und Recherche.

Avid - inline image

• Links: Ein bereits bestehender institutioneller Research-Lauf mit unvollständiger globaler Abdeckung. Der Pfeil markiert abgeschlossene NVDA-Roundtable-Phasen.

• Mitte: Ein reiner NVDA-Report ohne globales KI-Universum. Der Pfeil markiert Schlagzeile und Hold-Aussage.

• Rechts: Ursprüngliche Anfrage und gespeichertes Memo beschreiben eine ungetestete Studie. Der Pfeil markiert Fazit und die Einschränkung durch fehlende Daten.

Zuerst das investierbare Universum definieren

Starte mit der Unternehmensidentität. Das Ticker-Symbol kommt danach.

Ein Ticker identifiziert ein Listing. Die Studie braucht in der Regel den Emittenten dahinter.

Ein Emittent kann mehrere Aktiengattungen, ein lokales Primärlisting und ein ADR haben.

Eine breite Suche liefert auch ETFs, Fonds, Optionsscheine und Privatunternehmen.

Zählst du diese als eigenständige KI-Unternehmen, bricht das Sample schon vor der ersten Berechnung zusammen.

Ich führe zwei verknüpfte Tabellen:

Der Issuer Master speichert eine stabile interne issuer_id, den rechtlichen Namen, den Sitz und verfügbare externe Identifikatoren.

Der Listing Master speichert listing_id, Emittenten-Verknüpfung, Ticker, Börse, Aktiengattung, Instrumententyp, Währung, Kalender, aktive Zeiträume sowie eventuelle ADR-Verhältnisse oder Basiswerte.

Rechtsträger und Wertpapier brauchen separate Identifikatoren, verbunden über eine datierte Issuer-to-Listing-Map.

Ist die Map ungeklärt, fließt der Eintrag nicht ins Kernsample.

Der erste Kern umfasst gewöhnliche Stammaktien und Depositary Receipts.

ETFs, Fonds, Derivate, tokenisierte Assets und Privatunternehmen bleiben ausgeschlossen oder werden separat getrackt.

Ein ADR und seine zugrunde liegende Aktie zählen als ein Emittent, selbst wenn beide Ticker haben.

Vor dem Test friere ich die Regel für das Primärlisting ein oder entscheide mich explizit für eine Studie auf Listing-Ebene.

Faktorergebnisse dürfen diese Entscheidung nicht verändern.

Jedes Label „KI-Unternehmen“ braucht Belege. Ein Häkchen an der Börse reicht dafür nicht.

Ich nutze drei Kategorien:

• Direktes Exposure: Der Emittent verkauft KI-Modelle, Software, Systeme oder Services, belegt durch offengelegte Segment- oder Produktdaten.

• Lieferant oder Enabler: Verkauft identifizierbare Chips, Speicher, Fertigungsanlagen, Netzwerktechnik, Cloud-Kapazitäten, Rechenzentrumssysteme, Strom, Kühlung oder andere Inputs für den KI-Betrieb.

• Nur Watchlist: Eine Aussage des Managements, eine breite Positionierung oder ein plausibler Zusammenhang bietet zu wenig Details für den Kern.

Jeder Belegdatensatz speichert Behauptung, Quellpassage, Dokumentzeitraum, Veröffentlichungszeitpunkt, Geschäftssegment, Erfassungszeit, Label-Regel, Prüfer und Mutter-/Tochter-Verknüpfung.

Ein LLM kann Passagen finden und Widersprüche markieren. Historische Labels erfordern trotzdem datierte Quellen und manuell geprüfte Datensätze.

known_at verhindert, dass ich die Beschreibung eines Unternehmens aus 2026 in seinen Datensatz von 2018 schreibe.

Kein Beleg heißt unbekannt. Das ist ein gültiges Ergebnis.

Zähle die Unbekannten neben jeder Klasse mit, damit fehlende Belege sichtbar bleiben.

„Weltweit“ erfordert ein Abdeckungsregister für jede Quelle.

Erfasse Länder, Börsen, Instrumententypen, Historie, Delistings, Corporate Actions, Finanzfelder, Lizenzen und Lücken.

Markiere jedes Länder-/Börsen-Paar als vollständig, teilweise oder nicht verfügbar. Benenne die vom Anbieter unterstützte Teilmenge als Scope der Studie.

Eine Überschrift wie „Global“ repariert keine lückenhafte Abdeckung.

Den Master ohne Duplikate oder Time Leakage aufbauen

Friere das Universe-Manifest ein: Stichtag, Länder, Handelsplätze, Instrumententypen, Exposure-Regeln, Snapshot der Identifier-Map, Qualitätsfilter, Delisting-Behandlung, Source-Vintages und Ausschlüsse.

Melde bei jedem Schritt die Zahlen: Kandidaten, gemappte Emittenten und Listings, Duplikate, abgelehnte Instrumente, unbekannte Labels und finale Mitglieder.

Ein Prüfer muss die Ausgangsliste bis zur finalen Zusammensetzung nachvollziehen können.

Ticker ändern sich. Die Identitätshistorie muss überleben.

Unternehmen wechseln Namen, Handelsplätze und Aktiengattungen. Listings können ausgesetzt, fusioniert oder delistet werden.

Halte datierte Aliase, Mapping-Quellen und den Grund jeder Änderung fest.

Auch ADR-Verknüpfungen und -Verhältnisse brauchen Gültigkeitsdaten.

Das heutige Börsenverzeichnis hilft, aktuelle Listings zu identifizieren. Es belegt weder die historische Zusammensetzung noch den Zeitpunkt, an dem KI-Nachweise öffentlich wurden.

Filings liefern vielleicht Veröffentlichungsdaten, aber keine Total Returns oder Delisting-Daten.

Fehlt die benötigte Historie oder ist sie nicht lizenziert, heißt es: nicht berechnet.

Jedes Listing hat eine Währung, einen Kalender, Sommerzeitregeln und einen Handelsschluss.

Ich verwende ungesicherte Renditen in einer Basiswährung, vermutlich USD, mit benannter FX-Quelle und Zeitstempel.

Definiere die Total-Return-Methode, Corporate-Action- und Dividendenpolitik, Delisting-Behandlung sowie Ausführungszeitpunkt.

Schlusskurse am selben Tag beweisen keine Verfügbarkeit. Prüfe die tatsächlichen Zeitstempel der Tokioter und später schließender Börsen.

Dokumentiere Entscheidungszeitpunkt und nächste ausführbare lokale Session im Manifest.

Behalte Renditen in Lokalwährung für Diagnosen. Dokumentiere die USD-Umrechnung, denn FX kann die Rangfolge verändern.

Gleiche Feiertage und nicht überlappende Sessions mit den Börsenkalendern ab. Ein pauschaler Monatsende-Join kann Timing-Fehler verschleiern.

Wenn konsistentes Timing nicht unterstützt wird, nutze die angleichbare Teilmenge und benenne die Grenze.

Drei Hypothesen. Drei Fehlerquellen.

Ein Agent sollte nicht tausende Faktoren durchprobieren, bis ein hübscher Chart erscheint.

Friere drei einfache Hypothesen ein, begrenze Varianten und teste sie einzeln.

Momentum kommt zuerst. Seine Definitionen lassen sich in Minara heute schon prüfen.

Qualität und Investitionszyklus bleiben reine Design-Ideen, bis die historischen Eingaben das Audit bestehen.

1. Momentum. Vergleiche die einfache 12-Monats-Gesamtrendite (Compound t−12 bis t−1) mit dem 12–2-Momentum (Compound t−12 bis t−2, t−1 ausgelassen).

Friere Point-in-Time-Emittenten-/Listing-Universum, Rebalancing-Kalender, Auswahlregel, Gewichte, Benchmark und Kosten ein.

Ändere nur das Signal-Fenster.

Der Test zeigt, ob die Definitionen unterschiedliche Titel auswählen. Er erklärt nicht, was deren Renditen verursacht hat.

2. Qualität. Friere vor dem Ranking eine kleine länderübergreifende Definition ein.

Ein Kandidat kombiniert Profitabilität, Bilanzstärke und Gewinnstabilität.

Definiere für jeden Input Einheit, Geschäftsjahr, Restatement-Policy, Veröffentlichungszeitpunkt und den Umgang mit nicht vergleichbaren oder fehlenden Feldern.

Rechnungslegungsstandards, Währungen, Branchen und Fiskalkalender können einen naiven globalen Score zerstören.

Zeige die Abdeckung jeder Komponente neben dem kombinierten Score. Fehlende Felder bleiben sichtbar.

3. Investitionszyklus. Nutze offengelegte Investitionsausgaben, die im Belegregister an KI-Segmente geknüpft sind.

Trenne realisierte Cash-Capex, Guidance, angekündigte Zusagen, Anlagen im Bau und Managementziele. Jedes hat eine andere Bedeutung und andere Daten.

Eine mehrjährige Rechenzentrumsankündigung ist kein abgeschlossener Capex.

Friere Maß und Lag vor dem Test ein. Renditen dürfen sie nicht nachträglich umschreiben.

Dokumentiere in jedem Manifest erwartete Richtung, Inputs, Timing, zulässiges Sample, Kontrollvariablen, Benchmark, Varianten, Ablehnungsregel und Holdout.

Belasse den Status „nur Design“, bis Datenwörterbuch und Regeln zum Veröffentlichungszeitpunkt geprüft sind.

Veröffentlichte Momentum-Studien können die Frage inspirieren. Ihre historischen Ergebnisse lassen sich nicht auf dieses Universum übertragen.

Ich nutze French Mom als Referenz für die Konstruktion. Dieses Sample bekommt seine eigene Definition.

Avid - inline image

• Oben links: Der Factor-Library-Katalog validiert keine Signale. Der Pfeil markiert Katalog-Tabs und Zähler.

• Oben rechts: Namen von Universe-Presets belegen keine historische Zusammensetzung. Der Pfeil markiert die Tradfi-30-Auswahl.

• Unten links: Diese generische Factor-Library-Ansicht zeigt kein passendes Momentum-Paar. Der Pfeil markiert Kategorie-/Anzahl-Header.

• Unten rechts: Das Strategieformular zeigt verfügbare Steuerelemente, ohne dass eine neue Strategie eingereicht wurde. Der Pfeil markiert Asset- und Portfolio-Controls.

Mit einem begrenzten Minara-Piloten starten

Bevor du einen weltweiten Datensatz baust, bitte Minara um einen passenden Plain-versus-Skip-Month-Test auf einer benannten, unterstützten Teilmenge.

Fordere zuerst den Verfügbarkeitsbericht an: exakte Assets, Identifikatoren, Faktordefinitionen, Rebalancing-Regeln, Daten, Kosten und Exportfelder.

Ein unbestätigter Pflichtbestandteil blockiert den Backtest.

Die Factor Library zeigte einfache 12-Monats-, 3- und 6-Monats-Skip-One-Month- sowie mittlere 7–12-Monats-Definitionen.

Ein passendes Paar aus einfachem 12-Monats- und 12–2-Momentum muss noch verifiziert werden.

Prüfe dazu Faktor-IDs und Code.

Avid - inline image

Der aktuelle Momentum-Code-Wrapper lässt sich inspizieren.

Ein 12-Monats- gegen 6-Monats-Test ersetzt kein fehlendes 12–2-Paar.

Ein Custom-Signal braucht einen unterstützten Pfad, prüfbaren Code und reproduzierbare Inputs. Sonst berechne das Paar offline.

Der beobachtete TradFi-30-Korb zeigte 31 aktuelle Instrumente, inklusive ETFs und Listings außerhalb der USA.

Nutze ihn als Fixed-Basket-Interface-Pilot weiter. Die historische globale KI-Zusammensetzung braucht separate Daten.

Friere Long-only Top 5, gleiche Gewichtung, monatliches Rebalancing, 1x, Benchmark und Kosten ein. Ändere nur das Signal.

Speichere Einstellungen, Mitglieder und Outputs beider Läufe.

Teste dann ein One-Way-Kostenraster, zum Beispiel 0, 10, 25 und 50 Basispunkte.

Die Fee-off-Übersicht wies Fill-Provisionen aus. Dieser Widerspruch ist ungeklärt; Slippage wurde nicht unabhängig verifiziert.

Der Gebührenschalter definiert noch kein Kostenmodell.

Codex berechnet angenommene Umsätze und Abzüge aus exportierten Holdings und Renditen. Fehlende Artefakte bedeuten: nicht berechnet.

Avid - inline image

• Oben links: Gespeicherter Momentum-Entwurf und Anfrage zeigen die aktuelle Konstruktion. Der Pfeil markiert Universe- und Portfolio-Controls.

• Oben rechts: Aktuelle Momentum-Gebühren- und Slippage-Einstellungen belegen keine Ausführung. Der Pfeil markiert 10 bps Gebühr und Slippage-Settings.

• Unten links: Die aktuelle Momentum-Übersicht verzeichnet keinen neuen Lauf. Der Pfeil markiert Headline-Metriken.

• Unten rechts: Gespeicherte Momentum-Fills wurden nicht unabhängig reproduziert. Der Pfeil markiert Fills und Provisionen.

Das geprüfte Fenster 2024–2026 ist Entwicklungsmaterial. Es kann nicht länger als unberührtes Holdout dienen.

Reserviere einen historischen Block nur mit lizenzierten Point-in-Time-Daten. Andernfalls starte die prospektive Validierung, nachdem die Definitionen eingefroren sind.

Minara organisiert das Experiment. Jede angezeigte Performance-Zahl braucht weiterhin Belege.

Avid - inline image

• Oben links: Ergebnisse pro Symbol sind vom Produkt gemeldete Belege. Der Pfeil markiert realisiertes und unrealisiertes P&L.

• Oben rechts: Aktuelle Momentum-Metriken weichen von historischen Chat-Metriken ab. Der Pfeil markiert die aktuellen Headline-Zahlen.

• Unten links: Aktuell gespeicherte Fills ohne unabhängige Reproduktion. Der Pfeil markiert die Fills-Tabelle.

• Unten rechts: Diese Tabelle pro Symbol zeigt dieselben gespeicherten Belege, ohne neuen Lauf. Der Pfeil markiert die Tabelle.

Eine Formel unabhängig prüfen

Starte offline mit einem winzigen Check: Baue Kenneth Frenchs monatlichen Mom aus den veröffentlichten sechs Size-by-Momentum-Portfolio-Bausteinen nach.

Das prüft die Arithmetik. Das globale KI-Universum und das geplante Portfolio brauchen eine eigene Validierung.

Prüfe Parser, Datumsgleichlauf, Rendite-Einheiten und Long-Short-Mathematik.

text
1Mom[t] = 0.5 * (SmallHigh[t] + BigHigh[t])
2 - 0.5 * (SmallLow[t] + BigLow[t])

French bildet sechs wertgewichtete Portfolios anhand von Größe und vorheriger Rendite (2–12). Mom mittelt die beiden Portfolios mit hoher Vorperiodenrendite und zieht den Durchschnitt der beiden niedrigen Portfolios ab.

Lade die sechs Bausteine und die separat veröffentlichte Mom-Reihe herunter. Fixiere eine Archiv-Version, joine gemeinsame Monate und vergleiche die Vier-Baustein-Rekonstruktion mit der veröffentlichten Linie.

Lege die Residualtoleranz anhand der veröffentlichten Präzision fest, bevor du rechnest.

Eine Übereinstimmung stützt die formale Verdrahtung.

Sie verifiziert keine Inputs auf Einzeltitelebene, globale KI-Labels, Minara-Historie, Kosten oder Alpha.

Die Data Library wechselte ab der Januar-2025-Version von CRSP FIZ zu CIZ. Das Timing der monatlichen Dividenden-Reinvestition unterscheidet sich zwischen beiden.

Füge diese Formate nicht ohne separaten, dokumentierten Vergleich zu einer „kontinuierlichen“ Reihe zusammen.

Halte für jeden Snapshot URL, Abrufzeitpunkt, Format, Prüfsumme, Parser-Version, Einheiten und Lizenzhinweis fest.

Den Data-Studio-Build prüfen, bevor du seinen Daten vertraust

Der Builder weist Claude Opus 5.5 als gewähltes Modell aus. Das ist die für dieses Dashboard erfasste Modelleinstellung.

Der globale Desk muss noch gebaut werden. Ich prüfe Code und Daten unabhängig, bevor ich einen Output verwende.

Minara meldet App-Version 1.2.1. Dashboard-Versionen haben eine eigene Nummerierung.

Das ältere Data-Studio-Projekt nannte sich Version 1, paarte aber eine Bitcoin-Vorschau mit einem Nvidia/Palantir-Plan.

Avid - inline image

• Oben links: Die Data-Studio-Startseite zeigt gespeicherte Projekte, keine verifizierten Berechnungen. Der Pfeil weist auf die Natural-Language-Eingabe.

• Oben rechts: Die ältere Version-1-Bitcoin-Vorschau passte nicht zur späteren Anfrage. Der Pfeil weist auf die leeren Panels von Version 1.

• Unten links: Der ältere Nvidia/Palantir-Plan beweist nicht, dass seine Vorschau funktionierte. Der Pfeil weist auf das Equity-Ziel, vermischt mit Bitcoin-Anforderungen.

• Unten rechts: Die älteren Datenanfragen schlugen fehl. Der Pfeil weist auf FMP-History- und Quote-504-Fehler.

Avid - inline image

• Oben links: Die älteren Einstellungen zeigen Konfiguration, keine Ergebnisse. Der Pfeil weist auf den Ready-Status von Financial Modeling Prep.

• Oben rechts: Die ältere Code-Ansicht beweist nicht, dass der Datenabruf funktionierte. Der Pfeil weist auf einen Equity-Titel mit Bitcoin-Komponenten.

• Unten links: Früherer Bitcoin-Projekt-Kontext, getrennt von der neuen Vergleichsanfrage. Der Pfeil weist auf den reinen Research-Dashboard-Prompt vor dem Absenden.

• Unten rechts: Die ältere Bitcoin-Vorschau zeigt eine fehlgeschlagene Aktienverfeinerung. Der Pfeil weist auf diese gescheiterte Anfrage.

Der Data-Tab zeigte vier FMP-Anfragen mit 504-Fehlern. Das begründete keinen funktionierenden Aktienvergleich.

Avid - inline image

• Oben links: Der ältere Data-Tab zeigt vier FMP-504-Fehler. Der Pfeil weist auf diese 504-Ausfälle.

• Oben rechts: Der ältere gespeicherte Aktienvergleichsplan passte nicht zur Bitcoin-Vorschau. Der Pfeil weist auf das Ziel des Plans.

• Unten links: Aktien-Dashboard-Templates zeigen verfügbare Optionen, keine abgeschlossenen Studien. Der Pfeil weist auf Aktien- und Makro-Templates.

• Unten rechts: About meldet Minara App 1.2.1. Der kleine Screenshot behält seine Originalgröße; der Pfeil weist auf die Versionszeile.

Ich stellte eine separate Research-Anfrage zu Nvidia gegen Palantir und bat um echte Beobachtungen, Zeitstempel und sichtbare Fehler. Die genaue Anfrage und Folgeprompts sind in separaten Prompt-Dateien gespeichert.

Der erste Build blieb bei Schritt 3/5 hängen.

Avid - inline image

• Links: Die gespeicherte Version 1 hatte Quotes; History und Korrelation standen noch aus. Der Pfeil weist auf Quote-Werte und Quell-Zeitstempel von Version 1.

• Mitte: Die Quote-Calls von Version 1 lieferten HTTP 200. Der Pfeil hebt zwei HTTP-200-Quote-Calls hervor.

• Rechts: Die History-Erweiterung lief hier noch. Sie speicherte später Version 2; der Pfeil weist auf das ausstehende History-Panel.

Die History-Erweiterung speicherte Version 2. Die App meldet, dass Build- und Preview-Checks bestanden sind.

Die UI zeigt eine Abdeckung vom 1. April bis 1. Oktober 2026: 127 gültige Schlusskurse von 127 gelieferten für jedes Symbol. Beide Preisreihen starten am ersten gemeinsamen Datum bei 100.

Die UI meldet eine Pearson-Korrelation von 0,1421 über 126 gepaarte Tagesrenditen. Ich habe sie nicht unabhängig reproduziert.

Sie beschreibt historische Renditen. Sie sagt nicht die nächste Bewegung voraus.

Avid - inline image

• Oben links: Die finale Version-2-UI zeigt Quotes und historische Preise. Der Pfeil weist auf die Tages-Schluss-Charts von Version 2.

• Oben rechts: Version 2 meldet je 127 Schlusskurse und 126 gepaarte Renditen. Der Pfeil weist auf Daten und die 127/127-Abdeckungszeilen.

• Unten links: Die Anfragehistorie zeigt sechs HTTP-403-Fehler vor erfolgreichen History-Antworten. Der Pfeil weist auf diese HTTP-403-Fehler und spätere HTTP-200-Antworten.

• Unten rechts: Dies zeigt den Anfang des Vergleichscodes, nicht die gesamte Datei. Der Pfeil weist auf Parser und Duplikats-Datumsbehandlung.

Avid - inline image

Die gespeicherte Version 2 zeigt indexierte Preise und die von der UI gemeldete Korrelation. Ich habe die Berechnung nicht unabhängig reproduziert.

Die Vorschau schluckte auch fehlgeschlagene Anfragen. Der kumulative Data-Tab zeigt 18 FMP-Calls und sechs Fehler.

Sechs History-Versuche lieferten 403, dann zwei HTTP 200. Die finale Vorschau wurde gerendert, während diese Fehler noch in der Anfragehistorie standen.

Avid - inline image

• Links: Der finale gespeicherte Plan meldet den Build als abgeschlossen. Der Pfeil weist auf seine Quote- und History-Quellverträge.

• Rechts: Die finalen Einstellungen validieren die Daten nicht unabhängig. Der Pfeil weist auf FMP-Bereitschaft und den One-Load-Rhythmus.

Die verifizierten registrierten Quellen liefern weiterhin keine Rohstoff-, Supply-Chain- oder News-Forecast-Inputs. Die globale Pipeline bleibt ein Bauplan.

Gespeicherte Strategie und Import-Workflows prüfen

Die gespeicherte BTC-Strategie und Pine-Beispiele zeigen einen weiteren Workflow zur Prüfung. Diese Simulationen und Codes belegen nicht die Validität der Aktienstudie.

Avid - inline image

• Oben links: Dieses Pine-Beispiel ist von der globalen Aktienstudie getrennt. Der Pfeil weist auf die Erklärung zu Positionsgröße und Kosten.

• Oben rechts: Aktuelle Pine-Kosteninputs belegen keine früheren Laufkosten. Der Pfeil weist auf die Backtest-Kostenwerte im Dialog.

• Unten links: Die gespeicherte Pine-Übersicht meldet eine Simulation, die ich nicht reproduziert habe. Der Pfeil weist auf die Headline-Ergebnisse.

• Unten rechts: Die gespeicherten Pine-Fills sind eine separate Simulation, keine Live-Orders. Der Pfeil weist auf die erste abgeschlossene Trade-Zeile.

Avid - inline image

• Oben links: Der Code-Import-Dialog zeigt eine Eingabefläche, keine validierte Konvertierung. Der Pfeil weist auf den Pine/Code-Eingabebereich.

• Oben rechts: Diese gespeicherte Pine-Übersicht ist von der Aktienstudie getrennt. Der Pfeil weist auf die Headline-Metriken des Beispiels.

• Unten links: Die Pine-Quelle gehört zu einem separaten gespeicherten Beispiel. Der Pfeil weist auf ihren Code.

• Unten rechts: Die gespeicherte Trade-Liste zeigt Simulationsoutput, keine Live-Orders. Der Pfeil weist auf ihre Zeilen.

Repository und Datenvertrag fixieren

Ich fange klein an: Python, NumPy, pandas, PyArrow, Pydantic, pytest, Ruff und eine gesperrte uv-Umgebung.

statsmodels und Matplotlib warten, bis ein Bericht sie braucht. scikit-learn wartet auf eine definierte Modellierungsphase.

DuckDB kann Parquet abfragen, falls das Panel wächst.

Sechs Faktorreihen brauchen keinen Server, keine Vektordatenbank und kein autonomes Agent-Framework.

markdown
1quant-research-lab/
2 AGENTS.md README.md pyproject.toml uv.lock
3 config/ schemas/ manifests/{sources,universes,hypotheses}/
4 src/qrlab/
5 data/{ingest,identifiers,calendar,fx,validate}.py
6 universe/{build,evidence,coverage}.py
7 factors/{momentum,quality,investment_cycle}.py
8 portfolio/{weights,returns,costs}.py
9 validation/{splits,metrics,review}.py
10 runner.py registry.py reporting.py
11 tests/fixtures/ tests/test_*.py
12 data/{raw,normalized}/ # ignored by Git
13 runs/ # immutable run folders
14 reports/

Git bekommt Code, Schemas, synthetische Fixtures und unsensible Manifeste.

Roh- oder lizenzierte Daten bleiben außerhalb von Git.

Ich bewahre Quellarchive Byte für Byte und hashe das Archiv plus jeden Eintrag.

Jeder normalisierte Parquet-Snapshot trägt Schema-Version, Quell-Snapshot, Währung, Einheit und Transformations-Lineage.

Ein Lauf braucht gepinnte Inputs. Er liest kein latest.csv.

Vier Records machen die Kette prüfbar.

  1. DataManifest erfasst Quelle, Lizenz, Format, Abrufzeitpunkt, Hash, Abdeckung, Parser und Vintage.
  2. UniverseManifest friert Mitgliedschaftsregeln, Beleglabels, Issuer-Listing-Maps, Zähler, Ausschlüsse und As-of-Regeln ein.
  3. ExperimentSpec definiert Hypothese, Inputs, Signal, Daten, Portfolio-Mapping, Benchmarks, Kosten und Ablehnungsregeln.
  4. RunManifest erfasst Code-Commit, Lockfile, Input-Hashes, Befehl, Umgebung, Output-Hashes, externe Calls und Status.

Ein separates ReviewResult zitiert die Artefakte und listet offene Punkte.

  1. Für jedes Universe-Mitglied brauche ich issuer_id, listing_id, valid_from, valid_to, known_at, instrument_type, country, exchange, currency und source_snapshot_id.
  2. Jeder Beleganspruch braucht zusätzlich Veröffentlichungs- und Erfassungszeitpunkt, Anspruchstext, Belegquelle, Klassifizierungsregel und Prüfer.
  3. Finanzwerte brauchen Periodenstart/-ende, available_at, Originalwährung, Einheit, gemeldeten Wert, Restatement-Status und Quelle.
  4. Renditen brauchen eine Preis- oder Total-Return-Methode, Corporate-Action-Policy, Delisting-Behandlung, Basiswährungsumrechnung und FX-Zeitstempel.

Ein Periodenendedatum sagt mir nicht, wann das Filings verfügbar wurde.

  1. Tests erzwingen available_at <= decision_at. Der Trade folgt einem erkennbaren Signal; die Zielrendite beginnt nach der Ausführung.
  2. Ich splite Daten, bevor ich Zeilen auf Listings expandiere.
  3. Dasselbe Entscheidungsdatum bleibt in einem Fold. Trainingslabels werden gelöscht, wenn ihre Renditeintervalle die Validierung überlappen.
  4. Eine numerische Lücke deckt keine unterschiedlichen Horizonte oder Kalender ab.

Berechnungs- und Fehlerregeln vor dem Backtest einfrieren

Jeder Lauf trennt Signale, Holdings, Bruttorenditen und Kosten.

  • Signale ranken berechtigte Emittenten anhand von Informationen, die zum Entscheidungszeitpunkt verfügbar waren.
  • Gleichstände folgen einer deterministischen Regel.
  • Die Portfoliokonstruktion wählt die vorgegebene Anzahl an Titeln, normalisiert Gewichte, behandelt fehlende oder ausgesetzte Listings und erfasst abgelehnte Positionen.
  • Die Kostenschicht wendet deklarierte Gebühren, Umsatz, Spread, Slippage und FX-Annahmen an.
  • Bruttorenditen dürfen nicht als Nettorendite bezeichnet werden.

Die Global-Return-Spezifikation legt Basiswährung und Umrechnungszeitpunkt fest.

lokale Gesamtrendite und FX-Rendite werden multiplikativ kombiniert: (1 + local_return) \ (1 + fx_return) - 1.*

ich brauche echte Gesamtrenditedaten oder dokumentierte Dividenden und Kapitalmaßnahmen. „Adjusted Close“ allein erklärt die Rechnung nicht.

fehlende Delisting-Renditen lösen eine Abdeckungswarnung aus. gescheiterte Unternehmen verschwinden nicht einfach still und leise.

  1. bevor lizenzierte Daten genutzt werden, prüfen synthetische Testdaten (Fixtures) die ADR-Deduplizierung, das Share-Class-Mapping, Point-in-Time-Labeländerungen, lokale Feiertage, asynchrone Börsenschlüsse, die FX-Umrechnung, Delistings, doppelte Beobachtungen, fehlende Filings und Portfoliogewichte.
  2. French-Mom-Fixtures prüfen Vorzeichen, die Umrechnung einmaliger Prozentwerte, die Ausrichtung auf gemeinsame Monate, den Ausschluss von Jahresabschnitten und Rundungsgrenzen.
  3. dasselbe Manifest, denselben Code und dieselben Eingaben erneut ausführen. die numerischen Artefakte müssen übereinstimmen.

ändert sich ein Hash, stoppt der Lauf.

  • ein Ergebnis kann verified_reconstruction, not_reproduced, not_calculated oder blocked sein.
  • blocked erfordert einen Grund. Beispiele sind eine nicht unterstützte Länderhistorie, ein ungelöstes Issuer-Mapping, ein unbekanntes Währungs-Timing oder ein fehlendes gematchtes Minara-Faktorpaar.
  • der Agent kann sich über ein fehlendes Feld nicht einfach hinwegraten.
  • Abdeckungszahlen und Fehlerraten stehen direkt neben der Renditetabelle.

jede Idee bekommt einen Eintrag im Versuchs-Ledger

vor der Berechnung erhält jede Idee ein versioniertes Hypothesen-Manifest: wirtschaftliche Begründung, exakte Formel, benötigte Felder, Verfügbarkeitsverzögerung, zulässiges Universum, Horizont, Formation- und Ausführungszeitpunkt, Benchmark, Kosten, Entwicklungsfenster, Holdout, geplante Varianten und Ablehnungskriterien.

das Ledger protokolliert jeden Lauf, einschließlich Parser-Fehler und negativer Ergebnisse.

  • wer die Formel ändert, nachdem er die Ausgabe gesehen hat, erzeugt eine neue Manifest-Version. der alte Datensatz bleibt erhalten.
  • das Register könnte Status wie proposed, design_only, data_audited, implemented, challenged, independently_reviewed, research_qualified, rejected und paper_research verwenden.

diese Statusnamen sind Vorschläge. das Register existiert noch nicht.

  1. wenn die French-Rechnung nachvollzogen werden kann, gibt es dafür verified_reconstruction. ein Aktienmodell zu qualifizieren, erfordert separate Nachweise.
  2. research_qualified setzt Herkunftsnachweis der Quellen, deterministische Berechnungen, Point-in-Time-Prüfungen, eingefrorene Validierung, Kostenbehandlung und einen Reviewer voraus, der das Ergebnis reproduzieren kann.
  3. das bringt einen Paper-Research-Schritt. es autorisiert aber keinen Kapitaleinsatz.
  4. für die Inferenz: Namen desselben Datums zusammenhalten. querschnittliche Rangkorrelation nach Datum berichten; nicht jeden Aktientag als unabhängig behandeln.

Schätzungen des Portfolio-Sharpe-Ratios brauchen Unsicherheitsintervalle und eine Methode, die serielle Abhängigkeiten berücksichtigt.

ein statistisch signifikantes Ergebnis kann trotzdem Probleme mit Survivorship-Bias, veralteten Labels, der Abdeckung oder der Ausführung haben.

jedem Tool die Aufgabe geben, die es wirklich kann

Minara organisiert den Research-Desk. ich nutze es, um Fragen zu strukturieren, Faktor- und Strategieoberflächen zu prüfen und unterstützte Assets zu erfassen.

  1. die ersten Übergaben erfolgen manuell.
  2. ein späterer Adapter kann die dokumentierte Chat-API nutzen, nachdem ich Account-Berechtigung, Authentifizierung, Abrechnung, Rate Limits, Antwortformat und einen reinen Research-Prompt getestet habe.
  3. die aktuelle Doku beschreibt POST /v1/developer/chat und eine Status-Route.
  4. sie legt background: true nur mit stream: false fest, dokumentiert requestId-Idempotenz und behält den Status completed für 24 Stunden bei.

ich werde eine akzeptierte Antwort cachen, bevor dieser Status abläuft.

  1. die dokumentierte Route muss noch mit einem Account getestet werden. ihre Antworten müssen geprüft werden, bevor sie zu Point-in-Time-Marktdaten werden.
  2. Codex übernimmt deterministische Arbeit. jeder Task bekommt genau eine Ausgabe, ein Repository, eine Manifest-ID, genehmigte Eingaben, verbotene Seiteneffekte und Akzeptanzprüfungen.
  3. Codex kann Parser, Known-Answer-Tests, Datenvalidatoren, Reports und Experimentcode schreiben.
  4. ein schwaches Ergebnis darf den eingefrorenen Faktor nicht ändern. eine nicht ausgeführte Prüfung wird nicht zum Pass. Prosa macht einen Kandidaten nicht zulässig.

jede Änderung wird als Code-Diff an einen neuen Lauf angehängt.

Jev prüft typisierte Evidenz. Quell-Hashes, Einheiten, Veröffentlichungszeitpunkte, Regeln für fehlende Daten, Renditetyp und unabhängige Tests passieren zuerst harte Gates.

schlägt ein Gate fehl, heißt es blocked. Jev kann das nicht überschreiben.

  1. besteht das Artefakt, kann Jev es als needs_evidence, schema_issue oder ready_for_human_review einstufen.
  2. der bestehende Schwellenwert von 0,65 ist ein vorgeschlagenes Routing-Setting, keine kalibrierte Sicherheitsgrenze.
  3. geringere Konfidenz bedeutet: enthalten. höhere Konfidenz braucht trotzdem einen menschlichen Review.
  4. Jev kann keine Wertpapiere ranken, keine Renditen berechnen, fehlgeschlagene Tests überschreiben oder ein Modell freigeben.

Dots koordiniert die Arbeit. sobald ein genehmigtes Cloud-Projekt existiert, kann es den Status verfolgen, die Checkliste pflegen und klar abgegrenzte Task-Briefs vorbereiten.

den Code führt weiterhin Codex aus.

  1. bis eine unterstützte Übergabe getestet und gespeichert ist, starte ich Codex-Tasks manuell und vergleiche den zurückgegebenen Commit, das Manifest, die Run-ID und die Evidenz-Links.
  2. das teste ich mit einer feindseligen Notiz, die versucht, den Agenten umzuleiten. er muss innerhalb des Evidenzfelds bleiben.

Schritt für Schritt aufbauen – Checkpoint für Checkpoint

0. Frage einfrieren. Ziel-Listingtypen, AI-Exposure-Klassen, Kandidatenländer, Basiswährung und minimale Quellenevidenz festlegen.

das Ergebnis ist ein Scope-Dokument.

Renditen warten.

1. Abdeckung auditieren. das verfügbare Aktienuniversum von Minara und jede vorgeschlagene externe Datenquelle inventarisieren.

  • die Matrix aus Land/Börse/Datum/Feld, Lizenzhinweis und Lücken erstellen.
  • Minara gilt nur dann als unterstützte Teilmenge, wenn Oberfläche und Export verifizierbar sind.
  • fehlen historische Mitgliedschaften oder Gesamtrenditen, heißt es für die betroffene Studie not_calculated.

2. Identitäts- und Evidenztabellen aufbauen.

  • Emittenten und Listings mit datierten Aliasen, ADR-Verknüpfungen, Kalendern, Währungen und Evidenz-Labels mappen.
  • Duplikatsvermeidung und historische known_at-Logik an manuell geprüften Beispielen testen.
  • der Check: ein Reviewer kann erklären, warum jedes Entity an einem bestimmten Datum ein- oder ausgeschlossen wurde.

3. den Offline-Core bauen.

  • Schemas, Lockfile, unveränderliche Run-Ordner, Hashes, Fixture-Datensätze und vorgeschlagene CLI-Befehle hinzufügen: qrlab universe-audit, qrlab validate-data, qrlab run und qrlab report.
  • diese Befehlsnamen sind Vorschläge. sie funktionieren noch nicht.
  • der Check: ein sauberer Checkout validiert synthetische Daten ohne Produkt-API-Key.

4. die Arithmetik validieren.

  • einen gepinnten French-Mom-Vintage rekonstruieren und die Global-Data-Fixture-Tests laufen lassen.
  • Toleranz festlegen, bevor das Ergebnis sichtbar ist.
  • der Check: keine gemischten Vintages, kein stilles Alignment, begrenzte Residuen und reproduzierbare Dateien.
  • schlägt es fehl, not_reproduced protokollieren. die Grenze nicht verschieben, um einen Pass zu erzwingen.

5. den Minara-Piloten starten. zuerst ein Verfügbarkeitsmanifest anfordern.

  • wenn exakt dasselbe Same-Universe-Plain/Skip-Paar und die nötigen Einstellungen inspizierbar sind, einfrieren und vergleichen.
  • andernfalls organisiert Minara weiter die Recherche. der nicht passende Vergleich bleibt unausgeführt.
  • vor der Veröffentlichung Account-Identifier entfernen und exakt beschreiben, was jeder Screenshot zeigt.

6. die drei Studien präregistrieren.

  • Definitionen für Momentum, Quality und Investment Cycle separat einfrieren.
  • nur mit der Studie starten, deren Universum, Inputs, Zeitstempel, Abdeckung delisteter Mitglieder und Kosten das Review bestehen.
  • die anderen beiden bleiben in design_only. ihre Ergebnisse dürfen den ersten Test nicht steuern.

7. Integrationen zuletzt hinzufügen.

  • API-Key und Kosten mit einer einzigen reinen Research-Anfrage verifizieren.
  • Jevs False-Pass- und Enthaltungsverhalten an manuell gelabelten Fällen messen.
  • Dots konfigurieren, sobald Cloud-Berechtigungen und ein eng gefasster Task-Vertrag klar sind.
  • der Offline-Core muss weiterlaufen, auch wenn eine Integration fehlschlägt.

wie der erste Erfolg aussieht

der erste Erfolg ist ein Universe-Audit, das ich inspizieren kann.

  1. es zeigt, was abgedeckt ist, warum jeder Emittent qualifiziert und wo die Historie endet.
  2. ein Formelcheck und ein kleiner Produktpilot zeigen dann, welche Teile ich reproduzieren kann.
  3. danach bekommen Momentum, Quality und der Investment Cycle eigene Studien.

das Lab wird stärker, wenn es eine Verweigerung erklären kann. fehlende Daten hinterlassen eine Lücke im Report, niemals eine selbstbewusste Vermutung.

weitere App-Features zur Prüfung

diese Panels zeigen weitere App-Oberflächen und Zwischenstände des Builds. das globale Research-System muss noch gebaut werden.

Avid - inline image

• links dieses Coding-Interface gehört zu einem anderen gespeicherten Projekt. der Pfeil zeigt auf die Aktionen Explore, Build, Review und Fix.

• rechts der Import-Dialog zeigt eine verfügbare Oberfläche, keinen abgeschlossenen Import. der Pfeil weist auf die Drop-Area für Bilder/Videos.

starte mit dem Universe-Audit-Prompt unten. eine Renditezahl wird erst interessant, wenn jemand anderes sie nachbauen kann.

die ersten sechs Anfragen, die ich dem Lab stelle

diese sechs Prompts der Reihe nach ausführen. jedes Artefakt begrenzt das nächste, wobei Abdeckung und Evidenz vor der Performance geprüft werden. ich speichere jeden exakten Prompt mit Manifest und Run-ID.

1. Universe-Audit

markdown
1Erstelle einen Entwurf für den Scope eines globalen Aktienuniversums im Bereich KI. Gib keine bloße Ticker-Liste zurück.
2
3Trenne Emittent und Listing und definiere den Kern aus Stammaktien/ADRs, ausgeschlossene Instrumententypen, Fragen zur Länder- und Börsenabdeckung sowie die Evidenz, die nötig ist, um direkte KI-Exposition, Zulieferer/Ermöglicher und reine Watchlist-Ansprüche zu klassifizieren.
4
5Liste die Quellen und Felder auf, die wir für aktuelle und historische Mitgliedschaften bräuchten. Markiere alles Unbekannte. Leite keine vollständige globale Abdeckung ab und weise historischen Labels keine aktuellen Beschreibungen zu.
6
7Gib ausschließlich einen versionierten UniverseManifest-Entwurf und eine Coverage-Audit-Checkliste aus; kein Backtesting.

2. Value-Chain-Evidenz

markdown
1Mappe jeden Kandidaten-Emittenten ausschließlich anhand der bereitgestellten datierten Filings und Quelldokumente auf die vorgeschlagene KI-Wertschöpfungsketten-Taxonomie.
2
3Zitiere oder lokalisiere für jedes Label die stützende Evidenz und erfasse Dokumentdatum, Veröffentlichungszeitstempel, Geschäftssegment, Emittenten-/Listing-Identifier, Quell-Hash, Label-Regel und Reviewer-Status.
4
5Unterscheide zwischen offengelegten direkten KI-Umsätzen, identifizierbaren Zulieferern/Ermöglichern und reinen Management-Behauptungen bzw. schwacher Evidenz.
6
7Fehlt die Evidenz oder widerspricht sie sich, verwende unknown/watchlist und begründe dies. Erzeuge keine historischen Labels vor dem Zeitpunkt, an dem das Dokument öffentlich war.

3. Drei Hypothesen

markdown
1Entwirf drei separate, präregistrierbare Research-Spezifikationen für das auditierte Universum: (a) pures 12-Monats- vs. 12–2-Momentum, (b) ein kleines Quality-Composite mit Point-in-Time-Buchhaltungsdaten und (c) ein Maß für den KI-Investmentzyklus, das realisierte Capex von Guidance oder Zusagen trennt.
2
3Nenne für jede Spezifikation Formel, erwartete Richtung, Verfügbarkeitsverzögerung, zulässige Stichprobe, Benchmark, Horizont, Kontrollvariablen, Varianten, Kosten, Ablehnungsregel und Holdout.
4
5Schätze keine Performance und kombiniere die Hypothesen nicht zu einem Score. Markiere jede Spezifikation als design_only, wenn ein erforderliches Feld oder die Historie fehlt.

4. Vergleich der unterstützten Minara-Teilmenge

markdown
1Bevor du eine Strategie ausführst, berichte, welche globalen Aktienlistings, Faktordefinitionen, Daten, Portfolioeinstellungen, Kosteneinstellungen und Exportfelder in diesem Minara-Account tatsächlich unterstützt werden.
2
3Schlage einen gematchten Vergleich von purem 12-Monats- vs. 12–2-Momentum nur vor, wenn beide Formeln dasselbe verifizierte Universum nutzen und alle Einstellungen außer dem Signal identisch sind.
4
5Sind ein Paar mit gleichem Lookback, Point-in-Time-Mitgliedschaft oder ein benötigter Output nicht verfügbar, stoppe und gib not_calculated zurück. Ersetze keinen Lookback und zitiere keine unverifizierte Performance als Evidenz.

5. Codex Engineering-Task

markdown
1Implementiere ausschließlich den genehmigten Offline-Meilenstein für Universe-Audit und Datenvalidierung im Repository quant-research-lab.
2
3Starte vom genehmigten UniverseManifest und DataManifest.
4
5Nutze synthetische Fixtures, sofern keine lizenzierten Quell-Snapshots explizit bereitgestellt werden. Füge Emittenten-/Listing-Deduplizierung, datierte KI-Evidenz-Labels, Abdeckungszahlen, Prüfungen für Zeitstempel, Währung/Kalender, deterministische Tests und unveränderliche Run-Outputs hinzu.
6
7Rufe keine externen APIs auf, ändere keine eingefrorenen Hypothesen, lade keine lizenzierten Daten, generiere keine Trades und behaupte nicht, die globale Abdeckung sei vollständig. Gib Diff, Befehl, Testausgabe, Hashes, blockierte Felder und die nächste Entscheidung für das menschliche Review zurück.

6. Skeptisches Audit

markdown
1Prüfe die eingefrorenen Manifeste, Quelldateien, den Code-Diff, die Testausgabe und die Run-Artefakte, ohne dich auf die Zusammenfassung zu verlassen.
2
3Versuche, das Universe-Mapping und jede Performance-Behauptung zu falsifizieren.
4
5Prüfe doppelte Emittenten/ADRs, Survivorship-Bias, Lookahead bei KI-Labels, fehlende Länder, unverifizierte Datenrechte, veraltete Währungen, asynchrone Börsenschlüsse, FX-Timing, Kapitalmaßnahmen, Delistings, Kostenannahmen, Test-Leakage und jede Abweichung vom präregistrierten Plan.
6
7Zitiere exakte Artefakt-Pfade und Hashes.
8
9Repariere oder wiederhole nichts. Gib für jede Anforderung pass, blocked oder not_reproduced zurück, liste Gegenbeispiele auf und erkläre, was das Ergebnis nicht belegt.

Quellenhinweise

• Minara, Agent API overview und API-key endpoint reference. Produktberechtigung und Account-Zugang sind noch ungetestet.

• Kenneth French, Monthly Momentum Factor construction und Data Library vintage and CRSP FIZ/CIZ notes.

• AQR, Fact, Fiction, and Momentum Investing.

• Two Sigma, Sharpe ratio estimation and hypothesis testing.

• TypeSafe, Jev and typed decision outputs; OpenAI, Introducing Dots.

• DuckDB, Parquet documentation; pytest, documentation.

Mit einem Klick speichern

Virale Artikel mit YouMind per KI tief lesen

Speichere die Quelle, stelle gezielte Fragen, fasse die Argumentation zusammen und verwandle einen viralen Artikel in wiederverwendbare Notizen in einem einzigen KI-Arbeitsbereich.

YouMind entdecken
Für Creator

Verwandle dein Markdown in einen sauberen 𝕏-Artikel

Wenn du eigene Langtexte veröffentlichst, wird die 𝕏-Formatierung von Bildern, Tabellen und Codeblöcken mühsam. YouMind macht aus einem ganzen Markdown-Entwurf einen sauberen, sofort postbaren 𝕏-Artikel.

Markdown zu 𝕏 testen

Mehr Muster zum Entschlüsseln

Aktuelle virale Artikel

Mehr virale Artikel entdecken