Der Startpunkt unserer Zusammenarbeit mit Alphawave liegt im Jahr 2016. Damals wurde das gemeinsame Joint Venture mit dem Ziel gegründet, quantitative Handelsansätze nicht nur konzeptionell zu entwickeln, sondern in eine belastbare, technisch eigenständige und produktiv nutzbare Umgebung zu überführen.
Die Rollen waren dabei von Beginn an klar verteilt: Alphawave brachte die Handelsstrategie, die Marktanwendung und die operative Erfahrung aus dem Handel ein. 123 Invest verantwortete die technische Infrastruktur, insbesondere die Entwicklungsumgebung für Analyse, Backtesting, Optimierung, Automatisierung und die Verbindung der Prozesse bis zur Orderausführung.
Aus einer Handelsidee entsteht jedoch nicht unmittelbar ein produktives Handelssystem. Zwischen beidem liegt ein umfangreicher Entwicklungsprozess. Eine Strategie muss zunächst in klar definierte Regeln übersetzt werden. Diese Regeln müssen mit historischen Daten getestet, unter unterschiedlichen Marktbedingungen überprüft und auf ihre Robustheit untersucht werden. Anschließend müssen sie technisch so umgesetzt werden, dass sie unter realen Bedingungen zuverlässig, kontrolliert und nachvollziehbar arbeiten können.
Gerade bei quantitativen Ansätzen ist die technische Infrastruktur kein nachgelagerter Bestandteil. Sie ist Teil des Produkts. Analyse, Datenverarbeitung, Parametrisierung, Risikokontrolle, Backtesting, Monitoring und Orderausführung müssen ineinandergreifen. Schon kleine Unterschiede zwischen theoretischer Modellannahme und tatsächlicher Ausführung – etwa durch Transaktionskosten, zeitliche Verzögerungen oder abweichende Ausführungspreise – können die Ergebnisse eines Systems wesentlich beeinflussen.
Deshalb bestand die Arbeit der vergangenen Jahre nicht allein darin, einzelne Strategien zu programmieren. Gemeinsam wurde eine Infrastruktur aufgebaut und weiterentwickelt, mit der komplexe Modelle entwickelt, in verschiedenen Konstellationen getestet, optimiert und anschließend automatisiert ausgeführt werden können. Parallel mussten Schnittstellen, Datenqualität, Systemstabilität, Kontrollmechanismen und die Dokumentation der Prozesse fortlaufend weiterentwickelt werden.
Die Entwicklung verlief dabei bewusst iterativ: Eine Hypothese wurde geprüft, technisch umgesetzt, getestet, kritisch hinterfragt und – falls erforderlich – angepasst oder verworfen. Nicht jede vielversprechende Idee führt zu einem produktiven Modul. Gerade diese Konsequenz ist aus unserer Sicht notwendig, um langfristig robuste statt nur kurzfristig überzeugende Systeme zu schaffen.
Verlässliche Daten und robuste Optimierung als zentrale Entwicklungsaufgabe
Eine der anspruchsvollsten Aufgaben in der gemeinsamen Entwicklung war der Aufbau einer Datengrundlage, die für quantitative Analysen tatsächlich geeignet ist. Denn ein Handelssystem kann nur so belastbar sein wie die Markt- und Transaktionsdaten, auf denen es entwickelt, getestet und später betrieben wird.
Bei kurzfristigen, systematischen Handelsansätzen reichen Tages- oder Stundenkurse nicht aus. Entscheidend sind detaillierte Tick-Daten: einzelne Kursbewegungen, Zeitstempel und Marktereignisse innerhalb eines Handelstags. Erst diese Granularität erlaubt es, Signale, Ausführungslogiken, Transaktionskosten und mögliche Abweichungen zwischen Modell und tatsächlichem Marktgeschehen realitätsnah zu untersuchen.
Tick-Daten über lange Zeiträume nutzbar machen
Die Herausforderung besteht nicht allein darin, historische Tick-Daten zu beschaffen. Unterschiedliche Datenquellen können abweichende Formate, Zeitstempel, Handelszeiten, Kennzeichnungen oder Datenlücken aufweisen. Damit diese Daten für Backtests sinnvoll verwendet werden können, müssen sie überprüft, vereinheitlicht, bereinigt und strukturiert gespeichert werden.
Hinzu kommt der Umfang: Tick-Daten über viele Jahre erzeugen große Datenmengen. Die technische Infrastruktur muss daher Daten nicht nur archivieren, sondern sie auch so bereitstellen, dass komplexe Analysen in vertretbarer Zeit durchgeführt werden können. Dafür wurden unter anderem In-Memory-Backtests, spezialisierte Speicherstrukturen sowie Caching- und Prefetching-Verfahren entwickelt. Sie ermöglichen es, auch große Datenbestände effizient zu analysieren, ohne bei jeder Berechnung sämtliche Daten neu laden oder aufbereiten zu müssen.
Ein weiterer wichtiger Baustein betrifft rollierende Futures. Futures haben feste Laufzeiten; für eine langfristige Analyse muss ein auslaufender Kontrakt daher zu einem nachvollziehbar definierten Zeitpunkt durch den liquiditätsstärkeren Folgevertrag ersetzt werden. Preisunterschiede, Handelsvolumen, der Zeitpunkt des Kontraktwechsels und mögliche Anpassungen der Datenreihe können die Ergebnisse beeinflussen.
Die Datenaufbereitung muss deshalb gewährleisten, dass eine fortlaufende Zeitreihe entsteht, ohne dass Marktbewegungen künstlich geglättet, Renditen verzerrt oder nicht handelbare Übergänge unterstellt werden. Das ist eine Voraussetzung dafür, langfristige Tests von Marktphasen sinnvoll vergleichen zu können.
Mehr als die Suche nach dem besten Parameter
Auf einer sauberen Datenbasis folgt die eigentliche Modellarbeit: die Parametrisierung und Optimierung modular aufgebauter Strategien. Solche Systeme bestehen nicht aus einer einzigen Handelsregel. Sie verbinden verschiedene Bausteine, etwa für Signalerkennung, Entry, Positionsmanagement, Exit, Risikobegrenzung und Orderausführung.
Schon geringe Anpassungen einzelner Parameter können Ergebnisse deutlich verändern. Die Aufgabe besteht daher nicht darin, rückblickend genau jene Einstellung zu finden, die in der Vergangenheit die höchste Rendite erzielt hätte. Das wäre ein klassischer Fall von Overfitting: Ein Modell wäre perfekt auf seine historischen Daten zugeschnitten, aber möglicherweise nicht robust genug für künftige Marktbedingungen.
Stattdessen wird geprüft, ob eine Strategie über einen breiteren Bereich plausibler Parameter stabil bleibt. Dazu gehören Sensitivitätsanalysen, Out-of-Sample-Tests und Walk-Forward-Analysen: Das Modell wird auf einem Teil der historischen Daten entwickelt und danach in bislang nicht verwendeten Zeiträumen überprüft. Ergänzend helfen Monte-Carlo-Simulationen und randomisierte Preisverläufe dabei, die Stabilität einer Strategie auch unter veränderten Marktsequenzen zu testen.
Reproduzierbarkeit als Qualitätsmaßstab
Ein belastbarer Backtest muss reproduzierbar sein. Werden identische Daten, identische Parameter, dieselben Kostenannahmen und dieselbe Modellversion verwendet, muss ein späterer Testlauf zu denselben Ergebnissen führen.
Das erfordert eine klare technische Trennung und Dokumentation der einzelnen Ebenen: Datenaufbereitung, Berechnungen, Strategie-Module, Risiko- und Ausführungslogik sowie Broker-Synchronisation. Die Architektur wurde deshalb modular aufgebaut. Änderungen an einem einzelnen Modul sollen analysiert, getestet und nachvollziehbar eingeordnet werden können, ohne dass sich unbeabsichtigt andere Komponenten verändern.
Reproduzierbarkeit ist kein rein technisches Detail. Sie schafft die Grundlage, um Unterschiede zwischen zwei Testläufen tatsächlich erklären zu können: Beruht eine Veränderung auf einer anderen Datenbasis, einer aktualisierten Parameterannahme, einem neuen Modul oder einem Fehler in der Umsetzung?
Von Brute Force zu intelligenter Suche
In der frühen Entwicklungsphase wurden Parameterkombinationen zunächst breit und systematisch über Brute-Force-Verfahren berechnet. Dabei werden sehr viele mögliche Kombinationen durchgespielt. Dieses Vorgehen ist transparent und für überschaubare Parameterfelder sinnvoll. Mit jeder weiteren Bedingung, jedem zusätzlichen Modul und jeder neuen Ausführungslogik wächst der Suchraum jedoch erheblich.
Deshalb wurden ergänzend moderne Optimierungsverfahren integriert. Dazu gehören beispielsweise Differential Evolution, Particle Swarm, Ant Colony, Bayesian Optimization sowie genetische Programmierung. Sie helfen, umfangreiche Parameter- und Strategieräume gezielter zu durchsuchen: Schwache Bereiche werden früh verworfen, während vielversprechende Konfigurationen intensiver untersucht werden.
Maschinelles Lernen und genetische Optimierung ersetzen dabei keine fachliche Beurteilung. Sie liefern keine automatische Gewinngarantie und dürfen auch nicht dazu führen, Ergebnisse unkritisch zu übernehmen. Ihr Zweck liegt darin, Hypothesen schneller zu prüfen, relevante Zusammenhänge zu identifizieren und die Rechenkapazität dort einzusetzen, wo sie für die Robustheitsprüfung den größten Nutzen stiftet.
Genau diese Verbindung aus Datenqualität, modularer Architektur, reproduzierbaren Testabläufen und intelligenter Optimierung erklärt, warum die Entwicklung eines produktiven quantitativen Systems Zeit braucht.
Was 123 Invest daraus mitnimmt
Die gemeinsame Entwicklungsphase hat für 123 Invest eine technische Grundlage geschaffen, auf der wir heute aufbauen können. Die entwickelte Infrastruktur ermöglicht es uns, quantitative Fragestellungen strukturiert zu analysieren, Modelle unter unterschiedlichen Annahmen zu testen und technische Prozesse nachvollziehbar abzubilden.
Die Ergebnisse aus dem Live-Betrieb von Alphawave seit 2024 liefern dabei einen zusätzlichen praktischen Referenzpunkt. Sie zeigen, dass die über Jahre entwickelte Verbindung aus Strategie, Infrastruktur und Ausführung nicht nur in Testumgebungen, sondern auch unter realen Marktbedingungen eingesetzt werden konnte. Die für 2024 und 2025 ausgewiesenen, testierten Ergebnisse von +12,09% (der Handel begann im Mai 2024; demnach annualisiert 18,14%) beziehungsweise +20,48% sind dabei historische Live-Ergebnisse und keine Aussage über die zukünftige Entwicklung.
Für 123 Invest besteht der Nutzen dieser gemeinsamen Entwicklung vor allem darin, auf erprobte technische Bausteine, Erfahrungen aus echten Produktionsprozessen und einen über Jahre gewachsenen Qualitätsanspruch zurückgreifen zu können. Das betrifft nicht allein quantitative Handelsanwendungen, sondern auch Datenverarbeitung, Modellvalidierung, Automatisierung, Monitoring und die strukturierte Weiterentwicklung komplexer Software- und Analyseprozesse.
Die Entwicklungsarbeit ist damit nicht abgeschlossen. Sie hat aber eine Grundlage geschaffen, auf der neue Anforderungen gezielter bewertet, technische Systeme kontrolliert erweitert und zukünftige Anwendungen effizienter umgesetzt werden können.
Hinweis: Vergangene Wertentwicklungen sind kein verlässlicher Indikator für zukünftige Ergebnisse. Der Beitrag dient ausschließlich Informationszwecken und stellt keine Anlageberatung, Anlageempfehlung oder Aufforderung zum Erwerb oder Verkauf von Finanzinstrumenten dar.
