Wie Hedgefonds-Quants jeden Trade gewinnen (mit KI)

Man Group's Head of Quant hat etwas gesagt, das mir im Gedächtnis geblieben ist:

„Die Herausforderung ist die schiere Datenmenge und die Vielzahl möglicher Marktbeziehungen, die schneller gewachsen ist, als jedes menschliche Team von Hand bewerten kann."

Also haben sie AlphaGPT gebaut. Es generiert Signalkennzahlen, schreibt den Code und führt die Backtests aus. Autonom. Hunderte von Ideen pro Woche statt 20 pro Quartal.

Bridgewater ist noch weiter gegangen und hat einen Fonds im Wert von 2 Milliarden Dollar aufgelegt, bei dem KI die primären Handelsentscheidungen trifft.

Jane Street hat im letzten Jahr 6 Milliarden Dollar in GPU-Infrastruktur investiert, um proprietäre Modelle zu trainieren.

Ich werde nicht so tun, als wüsste ich genau, was in diesen Systemen abläuft. Aber die öffentlichen Aussagen der Entwickler zeichnen ein ziemlich konsistentes Bild – und es ist nicht das, was die meisten annehmen, wenn sie „KI-Handel" hören.

Die erfolgreichen Firmen ersetzen nicht ihre Quants. Sie machen jeden Quant etwa 10-mal schneller.

Dieser Artikel ist das vollständige Framework, um dieselbe Architektur heute auf Polymarket anzuwenden.

TEIL 1 – WIRD KI DIE QUANTS ERSETZEN?

Die Frage, die alle falsch stellen.

Man Group ist im Juli 2025 mit AlphaGPT an die Öffentlichkeit gegangen. Das System generiert Signalkennzahlen, schreibt Implementierungscode und führt Backtests autonom aus. Mehrere Dutzend Signale wurden nach menschlicher Prüfung bereits für den Live-Handel freigegeben.

Die Herausforderung im quantitativen Investieren ist die schiere Datenmenge und die Vielzahl möglicher Marktbeziehungen, die schneller gewachsen ist, als jedes menschliche Team von Hand bewerten kann.

Ein starkes Forschungsteam testet vielleicht 20 Signalideen pro Quartal ernsthaft. AlphaGPT testet Hunderte in einer Woche.

Aber kein einziges Signal von AlphaGPT berührt echtes Kapital, ohne dass ein Forscher eine bewusste Entscheidung darüber trifft.

Bridgewater hat eine KI-Argumentationsmaschine gebaut, die LLMs, maschinelles Lernen und Reasoning-Tools kombiniert. Ihr Co-CIO nannte es „einen großen Sprung." Aber Menschen überwachen weiterhin Risikomanagement und Ausführung.

Citadels CTO sagte es deutlich: „Wir wollen nicht, dass PMs ihr menschliches Anlageurteil an KI auslagern."

Ken Griffin selbst sagte, dass KI die Effizienz steigert, aber wahrscheinlich nicht von allein überdurchschnittliche Renditen erzielt.

Die erfolgreichen Firmen machen ihre Quants 10-mal schneller. Sie ersetzen sie nicht.

TEIL 2 – FÜNF USE CASES MIT ECHTEM VORTEIL

USE CASE 1: AGENTISCHE SIGNALDECKUNG

Man Groups AlphaGPT lässt vier Agenten in einer Schleife laufen:

• Agent 1 generiert eine Signalkennzahl.
• Agent 2 schreibt den Implementierungscode.
• Agent 3 fungiert als reiner Herausforderer – findet jeden Grund, warum das Signal falsch oder überangepasst sein könnte.
• Agent 4 bewertet den Backtest und entscheidet, ob er zur menschlichen Prüfung geschickt wird.

Auf Polymarket lässt sich das direkt übertragen:

• Agent 1 generiert eine Wahrscheinlichkeitsschätzung aus Nachrichten, verwandten Märkten und Basisraten.
• Agent 2 vergleicht mit dem aktuellen Marktpreis.
• Agent 3 hinterfragt: Was müsste wahr sein, damit dies falsch wäre?
• Agent 4 bewertet den Erwartungswert und gibt dem Menschen ein Go/No-Go.

USE CASE 2: EXTRAKTION ALTERNATIVER DATEN

Für Vorhersagemärkte enthalten jede Aussage eines Fed-Vertreters, jede geopolitische Entwicklung, jede Veröffentlichung von Wirtschaftsdaten ein Signal. Die KI wandelt unstrukturierten Text in eine strukturierte Wahrscheinlichkeitsverschiebung um.

USE CASE 3: MONTE-CARLO-SIGNIFIKANZTESTS

Standard-Backtesting verwendet einen einzigen Pfad durch die Geschichte. Ein Pfad reicht nicht aus.

USE CASE 4: REGIME-BEWUSSTE POSITIONSGRÖSSENBESTIMMUNG

f_adjusted = f_kelly x regime_factor x (1 - drawdown_factor)

USE CASE 5: ÜBERWACHUNG DES EINSATZES

TEIL 3 – DIE VOLLSTÄNDIGE PIPELINE

Fang hier an, wenn du noch nicht auf Polymarket bist: polymarket.com/?r=atlas

28 Milliarden Dollar gehandelt. Über 9.000 Märkte. Jeder abgeschlossene Vertrag ist ein wahrer Datenpunkt für dein Modell.

6 Stufen. 5 automatisiert. 1 immer menschlich.

Stufe 1 – Datenerfassung: historische Auflösungsraten, Preise als Zeitreihen, Korrelationen verwandter Märkte, Volumenkennzahlen.

Stufe 2 – Signalkennzahl: spezifisch, testbar, mit wirtschaftlicher Begründung und den Bedingungen, unter denen sie versagt.

Stufe 3 – Adversariale Herausforderung: ein separater Agent, dessen einzige Aufgabe es ist, die Kennzahl zu widerlegen, bevor Zeit in ihre Erstellung investiert wird. Man Group bezeichnet dies als den wertvollsten Teil von AlphaGPT.

Stufe 4 – Walk-Forward-Backtesting: Jeder Parameter wird nur mit Daten geschätzt, die zum Handelszeitpunkt verfügbar waren. Diese eine Anforderung eliminiert die häufigste Quelle überhöhter Backtest-Ergebnisse.

Stufe 5 – Monte-Carlo-Signifikanztests: Wenn deine Kennzahl unter den besten 5 % von 10.000 zufälligen Alternativen liegt, hast du einen Hinweis auf einen echten Vorteil.

Stufe 6 – Menschliches Prüftor: Kann nicht automatisiert werden. Notiere drei Bedingungen, die dich dazu bringen, das System zu stoppen und zu überprüfen, bevor du startest.

TEIL 4 – VOR KI VS. NACH KI

Vor KI:

Eine Idee entstand aus Lesen oder Beobachten. Die Implementierung zu schreiben dauerte Stunden oder Tage. Die Einrichtung eines ordentlichen Backtestings nahm noch mehr Zeit in Anspruch. Ein Forscher testete vielleicht 20 Strategien pro Jahr ernsthaft. Die Positionsgröße wurde nach Bauchgefühl kalibriert.

Nach KI:

Die Zeit zwischen Idee und gründlicher Bewertung schrumpfte von Tagen auf Stunden. Du führst eine adversariale Prüfung deiner eigenen Kennzahlen durch, bevor du Zeit in ihre Ausarbeitung investierst. Du testest 12 Variationen eines vielversprechenden Signals und bewertest sie alle, anstatt eine nach Bauchgefühl auszuwählen.

Man Group beschrieb das genau: Die Technologie hilft ihnen, mehr Ideen zu testen. Forscher verbringen Zeit damit, Signale zu bewerten, die bereits die automatisierte Herausforderung bestanden haben, anstatt diese Zeit mit Implementierungsarbeit zu verbringen.

Speziell für Polymarket ist die Verkürzung noch wertvoller. Märkte lösen sich an festen Daten auf. Das Zeitfenster, um zu einem guten Preis einzusteigen, ist begrenzt. Je schneller du von der Hypothese zum validierten Signal kommst, desto mehr Chancen kannst du tatsächlich nutzen.

DIE ZUSAMMENFASSUNG

KI sagt keine Märkte voraus.

Sie verkürzt die Zeit zwischen einer Handelsidee und einem gründlichen Test dieser Idee von Tagen auf Stunden. Sie führt eine adversariale Prüfung durch, die die meisten systematischen Trader nie auf ihre eigenen Hypothesen anwenden.

Man Group: Die LLMs haben das Tempo des Wandels beschleunigt. Aber ihre Quants sind immer noch da. Jedes Signal, das an Kapital gelangt, hat das Okay eines Forschers.

Jane Street investierte 6 Milliarden Dollar in GPU-Infrastruktur, um zu vervielfachen, was ihre Forscher leisten können. Nicht, um sie zu ersetzen.

Die KI gab ihnen Maßstab. Das Urteil blieb menschlich.

Der Vorteil auf Vorhersagemärkten liegt derzeit nicht in besseren Informationen.

Es geht darum, schneller mehr Ideen zu testen als alle anderen – und nur auf die zu setzen, die die adversariale Prüfung bestehen.

Das ist das gesamte System.