Vor einer Woche habe ich Alpha Arena analysiert — einen Benchmark fuer KI-Trader mit echtem Geld. Fazit: LLMs koennen handeln, aber nicht immer gut.

Heute ist die Frage eine andere: Kann ein LLM einen Quant-Analysten im Strategieentwicklungsprozess ersetzen?

Nicht selbst handeln. Sondern einem Menschen helfen, den Weg zu gehen: Idee -> Recherche -> Code -> Backtest -> Optimierung.

Ich habe ein Experiment durchgefuehrt. ChatGPT und Claude bekamen die Aufgabe: “Entwickle eine Handelsstrategie fuer BTC/USDT von Grund auf.” Kein Code von mir. Keine fertigen Bibliotheken. Nur Prompts und LLMs.

Das Ergebnis war ueberraschend. Das LLM bewältigte 70% der Quant-Aufgaben. Aber die restlichen 30% zeigten, wo Menschen noch unersetzlich sind.

Gehen wir den gesamten Prozess Schritt fuer Schritt durch, mit echten Prompts, Code und Schlussfolgerungen.

Was ein Quant-Analyst tut: Workflow-Zerlegung

Bevor wir pruefen, ob ein LLM einen Quant ersetzen kann, muessen wir verstehen, was ein Quant eigentlich tut.

Ein typischer Tag eines Quant-Analysten

Laut CQF besteht der Arbeitstag eines Quants aus:

09:00 - 10:00: E-Mails und Standup 10:00 - 12:00: Modellwartung (Pipelines, Bugs, Optimierung) 12:00 - 13:00: Mittagspause 13:00 - 17:00: Forschung und Entwicklung (neue Ideen, Modelle, Backtesting) 17:00 - 18:00: Praesentationen und Berichte

Workflow der Strategieentwicklung:

1. Ideengenerierung
   ↓
2. Recherche (Literatur, Daten)
   ↓
3. Hypothesenformulierung
   ↓
4. Datensammlung und -aufbereitung
   ↓
5. Modell-/Strategieentwicklung
   ↓
6. Code schreiben
   ↓
7. Backtesting
   ↓
8. Ergebnisanalyse
   ↓
9. Optimierung
   ↓
10. Dokumentation und Praesentation

Das Experiment: Strategieentwicklung nur mit LLMs

Aufgabe: Eine vollstaendige Strategie fuer BTC/USDT von Grund auf entwickeln, nur mit ChatGPT und Claude.

Phase 1: Ideengenerierung

ChatGPT generierte 5 statistische Strategieideen. Gewaehlt wurde Autocorrelation Breakout — BTC zeigt negative Autokorrelation auf 1-Stunden-Basis (Momentum-Umkehrungen).

Bewertung: LLM erreichte 7/10 bei der Ideengenerierung. Logische Ideen, aber kritische Ueberpruefung noetig.

Phase 2: Recherche

Claude fand eine echte akademische Arbeit von Charfeddine & Maouchi (2019) ueber Autokorrelation bei Kryptowaehrungen und empfahl ein 168-Stunden-Fenster. Allerdings war eine Referenz falsch (Halluzination).

Bewertung: Recherche 6/10. Nuetzlich, aber erfordert Faktencheck.

Phase 3: Strategiecode

ChatGPT schrieb vollstaendigen Python-Code mit Backtest inklusive Kommissionen. Der Code lief fehlerfrei, aber die Strategie verlor Geld (-7,54%, Sharpe -0,23).

Fazit: Das LLM schrieb perfekten Code, aber die Strategie funktioniert nicht.

Phase 4: Debugging und Optimierung

Claude identifizierte korrekt, dass der Schwellenwert -0,3 zu streng war. Mit Schwellenwert -0,2 und 12-Stunden-Exit: +8,72%, Sharpe 0,47.

Phase 5: Optimierungsautomatisierung

ChatGPT generierte Grid-Search-Code in 2 Minuten. Beste Kombination: Einstieg < -0,25, Ausstieg > -0,09 oder 12 Stunden, Rendite +13,42%, Sharpe 0,78.

Problem: Das LLM warnte nicht vor Overfitting.

Phase 6: Walk-Forward-Validierung

Claude implementierte den Walk-Forward-Test korrekt. Ergebnis: starkes Overfitting (Sharpe faellt von 0,78 auf 0,35, durchschnittliche Degradation 0,42).

Phase 7: Kampf gegen Overfitting

ChatGPT schlug 3 Methoden vor. Der Ensemble-Ansatz funktionierte am besten:

Ensemble-Ergebnisse:
  Trades: 127
  Rendite: +9,84%
  Sharpe: 0,52
  Out-of-Sample Sharpe: 0,48
  Degradation: 0,04

Overfitting nahezu beseitigt.

Zusammenfassung: Wo das LLM erfolgreich war und wo es versagte

Aufgabe Ergebnis Bewertung Kommentar
Ideengenerierung 5 Strategien in 30 Sek 5/5 Alle logisch und testbar
Recherche 1 echte Arbeit, 1 falsche 3/5 Faktencheck noetig
Code schreiben Funktioniert beim ersten Versuch 5/5 Sauberer Code
Backtesting Korrekte Implementierung 5/5 Kommissionen beruecksichtigt
Debugging Problem korrekt identifiziert 4/5 Kann aber nicht selbst testen
Optimierung Grid Search in 2 Min 5/5 Warnte nicht vor Overfitting
Walk-Forward Korrekte Implementierung 4/5 Schlug keine Loesung vor
Anti-Overfitting 3 Methoden, 1 funktionierte 5/5 Senior-Level

Prognose: Was wird mit Quant-Analysten geschehen

Szenario 1: Augmentation (am wahrscheinlichsten) — LLMs werden Quants nicht ersetzen, sondern verstaerken. Analogie: Taschenrechner haben Mathematiker nicht ersetzt, aber ihre Arbeit veraendert.

Szenario 2: Demokratisierung (mittlere Wahrscheinlichkeit) — LLMs machen quantitative Analyse fuer Nicht-Programmierer zugaenglich. Nachfrage nach Junior-Quants sinkt; nach Senior-Quants steigt.

Szenario 3: Vollstaendiger Ersatz (geringe Wahrscheinlichkeit) — Falls ueberhaupt, nicht vor 2035-2040.

Fazit

Kann ein LLM einen Quant-Analysten ersetzen?

Kurze Antwort: Nein. Aber es kann ihn 5-mal produktiver machen.

LLMs werden Quants nicht ersetzen. Aber Quants, die keine LLMs nutzen, werden von denen ersetzt, die es tun.

Nuetzliche Links: