Quant & Markets
Quant Research, Marktdaten, Backtesting und Engineering für Handelssysteme
Technical Blog
Praxisnotizen zu Automatisierung, Deployment und Entwickler-Workflows
Der Schwerpunkt liegt auf Docker und Serverbetrieb, Git-basierten Entwicklungsabläufen und Markdown-getriebenen Publishing-Pipelines. AI-Automatisierung baut auf dieser Grundlage auf, damit Lösungen nachvollziehbar und wiederverwendbar bleiben.
Neueste Updates
Dieselbe Aktie, zehn Signale: Wie belastbar ist die Trefferquote?
Sechs von zehn Signalen stammen von einer Aktie. Wie sich 60 %, 25 % und 83,3 % ergeben, zeigen reproduzierbares Python, SQL und klare T+5-Abrechnungsregeln.
Warum zwei 80-Punkte-Aktiensignale nicht vergleichbar sind: Simpson-Paradoxon und Kalibrierung
Multi-Strategie-Scores sind keine Wahrscheinlichkeiten. Ein reproduzierbares Simpson-Beispiel mit 80 Fällen zeigt Wilson-Grenzen, Zeitreihen-Leakage und Kalibrierungsfallen.
52-Wochen-Hoch und Handelsvolumen: Welche Aktien kann ein Screener aussortieren?
Ein ausführbares Beispiel mit sechs fiktiven Aktien und eine echte Verwechslung von Filter und Sortierung zeigen, was Hoch-Nähe, Volumen und RVOL bei der Recherche leisten – und was nicht.
Quant-Research-Daten langfristig archivieren: PostgreSQL PITR oder R2?
Wann reichen PostgreSQL-Backups? TOAST, MVCC, unveränderliche R2-Objekte, Manifest-Leases und As-of-Kursversionen – mit klaren Grenzen des Offline-Tests.
Quant-Faktoren validieren: Bucket Spread, Rank IC und mehrere Horizonte
Ein Faktor kann nach 5 Tagen gut aussehen und nach 1 oder 3 Tagen scheitern. Eine öffentliche ETF-Reproduktion zeigt Bucket Spread, Rank IC, Horizon- und Sampling-Sensitivität sowie Faktor-Redundanz.
Wie gewichtet man ein Multi-Faktor-Modell sicher neu? Regime, Shadow und Weight Drift
Ein validierter Faktor sollte nicht automatisch mit dem Gewicht des jüngsten Fensters live gehen. Ein reproduzierbares Regime-Switching-Experiment vergleicht Immediate, Delta Cap und Shadow-first anhand von Fehl-Promotions, Turnover und Adaptation Lag.