This article is also available in English.
Quantitative Finance ist kein einzelner Beruf und auch keine Sammlung geheimer Formeln. Es ist eine Arbeitsweise: Eine Frage über Märkte wird so übersetzt, dass man sie mit Daten, Mathematik und Code untersuchen kann. Das Ergebnis kann eine Prognose sein, muss es aber nicht. Oft geht es darum, einen Preis zu berechnen, Risiken sichtbar zu machen oder eine Handelsentscheidung zuverlässig auszuführen.
Kurz gesagt:
Quantitative Finance verbindet Finanzmärkte mit Statistik, Mathematik, Informatik und wissenschaftlichem Testen, um Entscheidungen unter Unsicherheit zu treffen.
Ein Feld, vier Arten von Problemen
Die Titel unterscheiden sich von Firma zu Firma und die Grenzen sind fließend. Trotzdem zeigen vier Rollen, wie verschieden quantitative Arbeit aussehen kann.
Quant Researcher: Aus einer Beobachtung eine testbare Idee machen
Angenommen, du willst Veränderungen im globalen Ölangebot früher erkennen als in einem Monatsbericht. Ein Researcher könnte auf Satellitenbildern von Schwimmdachtanks eine neue Messgröße entdecken: Das Dach liegt auf dem Öl und bewegt sich mit dem Füllstand. Zusammen mit Sonnenstand und Tankgeometrie lässt sich seine Höhe aus dem Schatten abschätzen. Eine Remote-Sensing-Studie zeigt, wie diese Messung technisch funktioniert.
Der kreative Einfall ist aber nur der Anfang. Welche Tanktypen sind sichtbar? Wann wurde das Bild aufgenommen? Verändert Bewölkung die Stichprobe? Ist die Schätzung wirklich früher verfügbar und erklärt sie überhaupt etwas am Markt? Citadels Alternative-Data-Team beschreibt genau diese Übersetzungsarbeit: aus verrauschten Daten eine verständliche, rechtzeitige und entscheidungsrelevante Information machen.
Quant Trader: Entscheiden, bevor Gewissheit existiert
Ein Market Maker stellt gleichzeitig Kauf- und Verkaufspreise. Dann erscheint eine große Order, andere Märkte bewegen sich und die eigene Position wächst. Der Trader muss entscheiden: Preise verschieben, Risiko abbauen oder bewusst halten? Es gibt keine vollständige Information und selten Zeit für eine lange Rechnung.
Gefragt sind probabilistisches Denken, schnelle Überschlagsrechnungen, Marktintuition und die Fähigkeit, nach einem Fehler sofort weiterzuarbeiten. Optiver beschreibt Trading entsprechend als Entscheiden unter Unsicherheit in einer schnellen, gegnerischen Umgebung — eng gekoppelt an Research und Engineering.
Quant Developer: Dafür sorgen, dass eine gute Idee real funktioniert
Ein Modell kann im Notebook korrekt sein und im Live-System trotzdem wertlos: Marktdaten kommen in falscher Reihenfolge, die Verbindung stockt oder eine Berechnung ist in hektischen Phasen zu langsam. Quant Developer bauen Datenpipelines, Simulationen und Handelssysteme so, dass sie schnell, beobachtbar und auch im Fehlerfall kontrollierbar bleiben.
Hier zählen Algorithmen, Betriebssysteme, Netzwerke, Profiling und saubere Schnittstellen. Kreativität bedeutet oft, einen komplizierten Datenweg radikal zu vereinfachen. Bei Hudson River Trading laufen statistische Modelle beispielsweise direkt auf einer High-Performance-Infrastruktur und werden dort fortlaufend analysiert.
Portfolio- oder Risk Quant: Das Scheitern vor dem Markt finden
Fünf Positionen können auf dem Papier verschieden aussehen und trotzdem alle vom selben Risiko abhängen. Ein Risk Quant sucht deshalb nicht nur nach dem wahrscheinlichsten Verlauf, sondern nach unangenehmen Kombinationen: Was, wenn Liquidität verschwindet, Korrelationen sprunghaft steigen und eine Absicherung nicht handelbar ist?
Das verlangt Modellierung und Finanzwissen, aber auch Fantasie und Widerspruch: Welche Annahme hält das Team für selbstverständlich? Wie könnte genau sie brechen? Gute Risikoarbeit verhindert nicht jede Überraschung. Sie macht klar, wo das System verwundbar ist und welche Entscheidung dann noch möglich bleibt.
Was diese Rollen verbindet
- Kreativität: neue Datenquellen, Modelle oder Lösungswege überhaupt erst sehen.
- Probabilistisches Denken: mit Unsicherheit arbeiten, statt Gewissheit zu behaupten.
- Skepsis: Datenlecks, Scheinkorrelationen und die eigenen Lieblingsideen angreifen.
- Engineering: aus einer Analyse einen reproduzierbaren, zuverlässigen Prozess machen.
- Kommunikation: Annahmen und Risiken so erklären, dass andere entscheiden können.
Wo Machine Learning hineinpasst
Machine Learning ist ein Werkzeugkasten innerhalb von Quantitative Finance, nicht dessen Definition. Je nach Problem kann ein lineares Modell sinnvoller sein als ein neuronales Netz. In anderen Fällen helfen Gradient Boosting, Deep Learning oder Sprachmodelle, weil die Datenmenge oder Datenform komplexer ist.
Finanzdaten machen ML besonders schwierig:
- Märkte verändern sich; ein altes Muster muss nicht stabil bleiben.
- Ein winziges Datenleck kann einen Backtest überzeugend und nutzlos zugleich machen.
- Gebühren, Spreads und Markteinfluss können einen statistischen Vorteil aufzehren.
- Korrelation ist nicht automatisch eine belastbare wirtschaftliche Erklärung.
Deshalb gehören Baselines, Out-of-sample-Tests und Stressszenarien genauso zum Job wie das Trainieren eines Modells. Jane Street beschreibt Quant Research entsprechend als Zusammenspiel aus Experimentdesign, Datensätzen, Zeitreihen, Feature Engineering und unterschiedlichen statistischen sowie ML-Methoden.
Wie ein Quant-Projekt typischerweise abläuft
- Frage formulieren. Was soll geschätzt, bepreist, optimiert oder abgesichert werden?
- Daten verstehen. Woher kommen sie, wann wären sie tatsächlich verfügbar gewesen und welche Verzerrungen enthalten sie?
- Einfache Baseline bauen. Erst zeigen, dass ein komplexerer Ansatz eine klare Referenz schlägt.
- Modell testen. Zeitlich getrennte Testdaten, realistische Kosten und alternative Annahmen verwenden.
- Robustheit prüfen. Funktioniert das Ergebnis in anderen Perioden und Marktregimen? Wo bricht es?
- Entscheidung und Betrieb. Positionsgrößen, Limits, Monitoring und die technische Umsetzung festlegen.
Ein schöner Backtest ist also nur ein Zwischenergebnis. Entscheidend ist, ob die ganze Kette von der Information bis zur kontrollierten Entscheidung trägt.
Wo arbeiten Quants?
Die folgende Auswahl ist keine Rangliste und nicht vollständig. Sie zeigt verschiedene Ecken der Branche und führt direkt zu den offiziellen Einblicken und Karriereseiten:
- Market Making und quantitatives Trading: Optiver, IMC, Jane Street und Hudson River Trading
- Systematisches Investment Management: Citadel, Two Sigma und D. E. Shaw
- Digital Assets und Krypto-Liquidität: Wintermute
Quant-Rollen gibt es außerdem bei Banken, Asset Managern, Börsen, Energiehändlern und Fintechs. Viele der verlinkten Firmen bieten Praktika und Graduate-Programme an. Die Vergütung ist häufig sehr wettbewerbsfähig, aber der Einstieg ist entsprechend selektiv. Aussagekräftiger als eine einzelne Gehaltszahl ist daher: Welche Probleme bearbeitet das Team, welche Fähigkeiten werden geprüft und möchtest du diese Arbeit jeden Tag machen?
Wie kann man anfangen?
Du brauchst nicht zuerst ein Finance-Studium. Ein sinnvoller Einstieg besteht aus vier Bausteinen:
- Wahrscheinlichkeit, Statistik und etwas lineare Algebra
- Python und der saubere Umgang mit Daten
- Grundlagen zu Märkten, Produkten und Risiko
- kleine Projekte, bei denen Annahmen und Fehler sichtbar bleiben
Ein erstes Projekt könnte ein Backtest mit Gebühren und einem wirklich späteren Testzeitraum sein. Genauso geeignet sind eine Monte-Carlo-Simulation für eine Option, eine kleine Orderbuchsimulation oder eine Analyse, warum ein scheinbar gutes Signal nach realistischen Kosten verschwindet.
Quantitative Finance bedeutet nicht, den Markt sicher vorherzusagen. Es bedeutet, Unsicherheit messbar zu machen, Ideen hart zu testen und Systeme zu bauen, die auch außerhalb eines Notebooks funktionieren. Genau diese Mischung aus Theorie, Daten und praktischer Umsetzung macht das Feld so breit.