Am 10. Oktober 2025 wurde die Die Kryptowährungsmärkte erlebten eine seismische Störung. Innerhalb weniger Minuten vernichtete eine Liquidationskaskade Milliarden an offenen Positionen und ließ die Standard-Handelsalgorithmen lahmlegen. Es war nicht nur ein Preisverfall; Es handelte sich um ein strukturelles Versagen der Vorhersagemodelle. Strategien, die monatelang Geld gedruckt hatten, sahen sich plötzlich einem Marktzustand gegenüber, der in ihren Trainingsdaten nicht existierte.
Dieses Ereignis diente als brutale Erinnerung: In der Welt der quantitativen Finanzen, in der viel auf dem Spiel steht, ist die Abhängigkeit von maschinellem Lernen (ML) absolut geworden, doch seine blinden Flecken bleiben fatal. Von Algorithmen für den Hochfrequenzhandel (HFT), die in Nanosekunden ausgeführt werden, bis hin zu komplexen DeFi-Orakeln befindet sich die Branche in einem Wettrüsten um die Datenüberlegenheit. Aber wenn ein „Schwarzer Schwan“ eintritt, erbringen auf historischen Daten trainierte Modelle nicht nur eine schlechte Leistung – sie gehen kaputt.
Dies führt zu einem Paradoxon für moderne Handelsunternehmen: Wie baut man belastbare Systeme auf, wenn die wichtigsten Tools für die größten Risiken blind sind?
Um diese Frage zu beantworten, haben wir uns zusammengesetzt Grigory ChikishevTeamleiter und Quantitative Trader bei Quantengehirne. Mit über neun Jahren Erfahrung im Aufbau von Infrastrukturlösungen für Märkte – von HFT-Algorithmen und ML-Modellen bis hin zu graphbasierten Flussbewertungssystemen – hat Grigory seine Karriere an der Schnittstelle von Ausführungsgeschwindigkeit und systemischer Belastbarkeit verbracht. Bei Quantum Brains hat er Marktprozesse in skalierbare Architekturen umgewandelt, die genau der Volatilität standhalten, die Standardmodelle bricht.
Hier ist seine Sichtweise darauf, warum die Branche über die „Black Box“ hinausgehen muss und wie man echte Antifragilität entwickeln kann.
Das Zen des Unvorhersehbaren
Wenn sich die Diskussion dem Versagen von Risikomodellen bei Ereignissen wie dem jüngsten Crash im Oktober, der COVID-19-Pandemie oder der Finanzkrise von 2008 zuwendet, lautet die Standardkritik, dass die Modelle „versagt“ haben, das Ereignis vorherzusagen. Grigory stellt diese Prämisse völlig in Frage. Er argumentiert, dass die Erwartung, dass ein ML-Modell eine Singularität vorhersagen wird, mathematisch fehlerhaft ist und dass die Lösung nicht in einer besseren Vorhersage, sondern in einer besseren Akzeptanz liegt.
„Ich möchte sofort darauf hinweisen, dass ich kein Problem mit der Existenz schwarzer Schwäne sehe. Es handelt sich per Definition um Ereignisse, die man nicht vorhersagen kann. Und wir können nichts dagegen tun. Zum Beispiel, wenn ein Komet mit der Erde kollidiert: Wir können mit ziemlicher Sicherheit sagen, dass es in den kommenden Wochen oder sogar Jahren nicht passieren wird, aber niemand weiß, was im unsichtbaren Teil der Galaxie vor sich geht …
Das Wort „scheitern“ ist möglicherweise übertrieben. Wenn wir im Voraus wissen, dass wir Ereignis A nicht vorhersagen können, sollten wir sein Eintreten mit buddhistischer Gelassenheit akzeptieren.“
Die Akzeptanz der Unvorhersehbarkeit bedeutet jedoch nicht, die Konsequenzen zu ignorieren. Grigory weist darauf hin, dass ein Modell zwar nicht vorhersagen kann Timing Im Falle einer Krise müssen Experten für menschliche Domänen Systeme entwerfen, die das verstehen Konsequenzen des Worst-Case-Szenarios – etwas, das rein datengesteuerten Modellen oft entgeht, weil die Datenpunkte einfach nicht vorhanden sind.
„Irgendwo zwischen diesen beiden Zahlen liegt der kritische Punkt, der ein vorhersehbares Ereignis von einem unvorhersehbaren (einen schwarzen Schwan) trennt. Und der grundlegende Fehler jedes Modells besteht darin, dass es diesen Punkt nicht berechnen kann … Wir können uns nur auf das Worst-Case-Szenario vorbereiten, das das Modell NICHT berücksichtigt.“
Der Mythos vom Transparenz-Kompromiss
Eine wichtige Debatte im quantitativen Finanzwesen ist die Spannung zwischen Explainable AI (XAI) und Gewinn. Die vorherrschende Meinung besagt, dass „Black-Box“-Modelle (unüberwachte Deep-Learning-Modelle, die schwer zu interpretieren sind) profitabler sind, weil sie komplexer sind, und dass die Erzwingung einer Erklärbarkeit (zur Einhaltung gesetzlicher Vorschriften) die Ausführung verlangsamt und ihre Vorteile abschwächt.
Grigory widerspricht dieser Dichotomie vehement. Für ihn ist Transparenz keine regulatorische Belastung; Es ist ein Debugging-Tool.
„Ich bezweifle stark, dass ein unbeaufsichtigter oder Black-Box-Ansatz im direkten Vergleich letztendlich erfolgreicher sein wird als ein White-Box-Ansatz … Daher sind alle Bemühungen um eine ‚Interpretierbarkeit auf regulatorischer Ebene‘ nur zum Besseren. Wenn Ihr neugeborenes Kind erklären könnte, was weh tut, wäre das sehr praktisch und würde seiner Erziehung eindeutig helfen.“
Er weist darauf hin, dass Undurchsichtigkeit in Handelsstrategien oft eher eine Maske für Glück als für Genie ist – insbesondere für Überlebensvoreingenommenheit.
„Wenn Sie eine erfolgreiche ML-Strategie sehen, bei der unklar ist, wie sie funktioniert, dann trifft höchstwahrscheinlich eines von zwei Dingen zu:
- Entweder verstehen die Macher eigentlich alles, lassen sich aber lieber nicht in die Karten schauen.
- Oder wir haben es mit einem Survivorship-Bias zu tun … Wenn 1.024 Menschen eine Kette von 10 binären Vorhersagen treffen, wird in jeder Vorhersage genau eine davon absolut richtig sein.
Leider sind manchmal beide Gründe richtig. Fordern Sie daher immer eine Erklärung von Ihrem KI-Agenten!“
Technische Antifragilität
Wenn eine Vorhersage unmöglich ist, ist die einzig praktikable Strategie Antifragilität – die Fähigkeit eines Systems, aus Unordnung zu profitieren, ein Konzept, das von Nassim Taleb populär gemacht wurde. Allerdings ist die Umsetzung in Hardware und Infrastruktur bekanntermaßen schwierig. Der Aufbau eines Systems, das bei einem Absturz das 100-fache der normalen Marktlast bewältigen kann, ist oft unerschwinglich.
Grigorys Ansatz zur Infrastruktur bei Quantum Brains priorisiert Flexibilität vor Brute-Force-Kapazität.
„Sie können Ihre Infrastruktur nicht auf ein Black-Swan-Ereignis vorbereiten. Wenn Sie beispielsweise die Spitzenlast Ihres Servers berechnen und eine 100-fache Steigerung einkalkulieren, dann verbrennen Sie fast 100 % der Zeit Geld für ungenutzte Ressourcen … Aber Sie können ein flexibles System vorbereiten, um die Ressourcenkosten zu senken. Zum Beispiel, indem Sie einfach ein Trading-Setup nach dem anderen herunterfahren. Was nützt es überhaupt, wenn alles zur Hölle geht?“
Diese Flexibilität ermöglicht es einem Unternehmen, den ersten Schock zu überstehen. Aber tatsächlich profitieren Um aus der Dislokation herauszukommen und wirklich antifragil zu sein, ist eine Änderung der Denkweise erforderlich. Dazu muss man erkennen, dass der Markt nicht mehr effizient ist, wenn die Algorithmen anderer versagen.
„Ich wiederhole, wir sprechen von einer Situation, die unsere Modelle nicht vorhergesehen haben… Diese Formulierung enthält auch eine gute Nachricht: Wir können davon ausgehen, dass andere Marktteilnehmer das gleiche ‚schwierige‘ Szenario erleben. Am 10. Oktober erlebten Kryptowährungen einen erheblichen Schock, der zur Liquidation vieler Positionen führte. Einige Teilnehmer verließen buchstäblich den Markt: Entweder wählten sie die zweite Option (Shutdown) oder hatten einfach keine Zeit dafür (RIP).
Dies war ein guter Moment, um Ineffizienzen auszunutzen oder Chancen zu nutzen, die normalerweise verschlossen blieben … In gewisser Weise ist das auch Talebs Art: Um nicht ein Truthahn zu sein, muss man einfach keiner sein.“
Das menschliche Element in einem Nullsummenspiel
Da KI weiterhin die Handelsabwicklung dominiert, stellen viele die zukünftige Rolle des menschlichen quantitativen Händlers in Frage. Wenn Maschinen den Fluss, das Risiko und die Ausführung verwalten, ist der Mensch dann obsolet?
Grigory glaubt, dass die Natur des Marktes das menschliche Element schützt: Es handelt sich um ein Nullsummenspiel, das vom Wunsch zu gewinnen angetrieben wird, einer Emotion, die Algorithmen nicht besitzen. KI kann zwar Erfolge erzielen, ihr fehlt jedoch der Antrieb, den Markt zu „schlagen“, der echte Innovationen vorantreibt.
„Der Handel unterscheidet sich von vielen anderen Bereichen, in denen sich KI aktiv weiterentwickelt, weil es ein Nullsummenspiel ist … Stellen wir uns ein Extrem vor: Es gibt keine lebenden Teilnehmer mehr auf dem Markt … Gibt es hier einen Platz für Menschen? Meiner Meinung nach gibt es keinen.
Aber zum Glück… wird es in der realen Welt immer lebende Teilnehmer geben… Ein weiterer menschlicher Faktor ist Selbstüberschätzung. Die Idee: „Ich bin ein Mensch, ich werde erfinderischer und origineller sein als die KI“ wird uns nie aus dem Kopf gehen.“
Letztendlich geht es in der Zukunft des quantitativen Handels nicht darum, Menschen durch KI zu ersetzen, sondern darum, dass Menschen KI nutzen, um mit anderen Menschen zu konkurrieren. Der Algorithmus ist die Waffe, nicht der Soldat.
„Wie gesagt, es ist ein Nullsummenspiel. Aber ein Algorithmus hat kein Interesse daran, unter solchen Bedingungen Geld zu verdienen. Nur der Homo Sapiens wird immer den Wunsch haben, andere zu ‚schlagen‘.“
