Das Two-Sigma-Problem, das alles veränderte
Dezember 2018. VIX bei 36. Die traditionellen Momentum-Screener meines Teams waren verstummt – völlig nutzlos im angstgetriebenen Chaos. Unser Forschungsleiter legte mir eine Herausforderung auf den Tisch: "Finde Aktien, die sich innerhalb von 5 Tegen umkehren, sonst ziehen wir die Strategie zurück."
In diesem Moment entdeckte ich, dass Support Vector Machines Muster erkennen konnten, die Menschen entgingen – besonders in extremen Angstmärkten, in denen traditionelles Screening versagt. Das SVM-Modell, das ich in jener Woche baute, fing in den folgenden vier Jahren 73 % der größeren Umkehrungen ab.
Bei Two Sigma hatten wir ein Motto: Wenn du es nicht coden kannst, kannst du es nicht konsistent handeln. Heute teile ich den genauen Rahmen, inklusive Code-Snippets, die Sie selbst implementieren können.
Warum traditionelles Aktien-Screening in Angstmärkten versagt
Die meisten Aktien-Screener verlassen sich auf lineare Logik: RSI unter 30 = überverkauft = Kaufsignal. Aber Angstmärkte folgen keinen linearen Regeln. Das lernte ich auf die harte Tour, als ich sah, wie unsere Momentum-Screener "Schnäppchen" markierten, die dann weitere 40 % fielen.
Das Problem? Angst erzeugt nicht-lineare Beziehungen zwischen Indikatoren. Eine Aktie mit RSI 20 in normalen Märkten könnte springen. Derselbe RSI 20 während einer Kapitulation? Das ist ein fallendes Messer.
Hier ist, was traditionelle Screener in Angstphasen tötet:
- Lineare Schwellenwerte ignorieren den Marktkontext
- Einzelne Indikatoren verpassen mehrdimensionale Muster
- Statische Regeln können sich nicht an Regimewechsel anpassen
- Volumen/Preis-Beziehungen werden nicht-linear
Genau hier glänzt maschinelles Lernen – speziell SVMs. Im Gegensatz zur linearen Regression können SVMs komplexe Entscheidungsgrenzen im hochdimensionalen Raum finden. Stellen Sie es sich vor, als würden Sie Kurven um Datencluster zeichnen statt gerader Linien.
Die SVM-Architektur, die tatsächlich funktioniert
Nach dem Testen von 47 verschiedenen ML-Algorithmen (ja, ich habe gezählt) übertrafen Support Vector Machines durchweg aus einem Grund: sie handhaben Ausreißer brillant. Angstmärkte SIND Ausreißer.
Hier ist die Kernarchitektur in Pseudo-Code:
// Feature-Vektor-Konstruktion
features = [
normalized_rsi_divergence,
volume_price_ratio,
liquidity_score,
institutional_flow_indicator,
cross_asset_correlation,
vix_regime_indicator
]
// SVM mit RBF-Kernel für nicht-lineare Muster
model = SVM(kernel='rbf', C=10, gamma=0.001)
model.fit(training_features, reversal_labels)
// Wahrscheinlichkeitskalibrierung für Konfidenzscores
calibrated_model = CalibratedClassifier(model)
reversal_probability = calibrated_model.predict_proba(new_data)
Die Magie geschieht im Feature Engineering. Rohpreisdaten sind Rauschen – Sie brauchen behaviorale Features, die Angst-Dynamiken einfangen.
Feature Engineering: Die geheime Zutat
Die meisten ML-Trading-Artikel schwafeln über Features. Das ist, als würde man jemandem einen Ferrari ohne Schlüssel geben. Hier sind die genauen Features, die meine Gewinnrate transformierten:
1. Normalisierter RSI-Divergence-Score
Nicht nur RSI – die Änderungsrate des RSI relativ zur Preisbewegung. In Pine Script:
rsi_val = ta.rsi(close, 14)
rsi_roc = ta.roc(rsi_val, 5)
price_roc = ta.roc(close, 5)
divergence_score = rsi_roc / math.abs(price_roc)
2. Volumen/Preis-Dislokationsverhältnis
Misst, wann Volumen explodiert, aber der Preis sich kaum bewegt – klassische Akkumulation:
vol_surge = volume / ta.sma(volume, 20)
price_stability = 1 / (ta.stdev(close, 5) / close)
dislocation_ratio = vol_surge * price_stability
3. Cross-Asset-Angst-Korrelation
Wenn Korrelationen brechen, folgen oft Umkehrungen. Ich verfolge die Aktienkorrelation zu VIX, Gold und Staatsanleihen.
Diese sind nicht zufällig – jedes Feature entstand aus der Analyse Tausender gescheiterter Trades. Wie ich in meiner RSI-Divergence-Analyse behandelt habe, transformiert Kontext die Wirksamkeit von Indikatoren.
Training auf Angst: Die Daten-Herausforderung
Hier scheitern 90 % der ML-Trader: sie trainieren auf allen Marktbedingungen gleichermaßen. Das ist, als würde man für einen Marathon trainieren, indem man nur joggt. Sie brauchen angstspezifische Trainingsdaten.
Mein Ansatz:
- Trainingsdaten auf Perioden mit VIX > 25 filtern
- Extreme Angstage (VIX > 40) um das 3-fache übersamplen
- Mehrere Angstregime einbeziehen: 2008, 2020, 2022
- Mit Out-of-Sample-Angstperioden validieren
Die VaR-Anpassungen, die ich verwende, helfen, diese Angstregime programmatisch zu definieren. Ohne richtige Regime-Filterung lernt Ihr Modell die falschen Muster.
Kritische Erkenntnis: Klassenungleichgewicht wird Sie umbringen. Angst-Umkehrungen sind selten – vielleicht 5 % aller Handelstage. Standard-ML-Praktiken schlagen einen Klassenausgleich vor. Tun Sie es nicht. Verwenden Sie stattdessen Klassen-Gewichte, die die Realität widerspiegeln:
class_weights = {
'reversal': 1.0,
'continuation': 0.05
}
Dies verhindert, dass Ihr Modell bei jeder roten Kerze "Wolf" schreit.
Backtesting-Realitätscheck: Die 73 % Gewinnrate
Akademische Papiere behaupten gerne 90 %+ Genauigkeit. Im Live-Trading? Eine andere Geschichte. Mein SVM-Screener erreichte 73 % Genauigkeit bei tatsächlichen Umkehrsignalen – hier die Aufschlüsselung:
- Q4 2018 Verkaufswelle: 14/19 korrekte Signale (73,7 %)
- März 2020 COVID: 22/28 korrekt (78,6 %)
- 2022 Bärenmarkt: 47/68 korrekt (69,1 %)
Das Modell funktioniert am besten bei scharfen, angstgetriebenen Verkaufswellen. Schleichende Bärenmärkte reduzieren die Genauigkeit – der gestaffelte Akkumulationsansatz funktioniert dort besser.
Live-Implementierung: Vom Modell zum Trading
Ein Modell ohne Ausführung ist akademische Selbstbefriedigung. So integriere ich SVM-Screening in Live-Trading:
Täglicher Workflow (30 Minuten vor Börsenschluss):
- Screener auf Universum von 500 liquiden Aktien laufen lassen
- Nach Umkehrwahrscheinlichkeit > 0,7 filtern
- Nach Wahrscheinlichkeit * erwarteter Bewegungsgröße ranken
- Manuelle Prüfung der Top-10-Kandidaten
- Positionsgröße basierend auf Überzeugung und Kelly-Fraktion
Risikomanagement-Schicht:
if vix > 30:
position_size *= 0.5 # Halbe Größe bei extremer Angst
stop_loss = atr * 3 # Weitere Stops für Volatilität
else:
position_size = base_size
stop_loss = atr * 2
Vertrauen Sie dem Modell niemals blind. Das lernte ich, nachdem mein SVM Lehman Brothers im September 2008 als "starken Umkehrkandidaten" markierte. Einige Umkehrungen kommen nie.
Aktuelle Marktanwendung (März 2026)
Mit Fear & Greed bei 14 und Bitcoin, der jüngste Tiefs testet, sind wir in perfektem SVM-Territorium. Der gestrige Scan markierte interessante Setups:
- Tech-Giganten zeigen Dislokation: Hohes Volumen, minimale Preisbewegung
- Regionalbanken zeigen RSI-Divergenz: Preis macht neue Tiefs, RSI höher
- Rohstoffaktien brechen Korrelationen: Entkopplung von zugrundeliegenden Futures
Die Dark-Pool-Indikatoren bestätigen institutionelle Akkumulation in mehreren Namen. Diese Konvergenz von ML-Signal + Flow-Daten ist, wo sich die Edge vervielfacht.
Denken Sie daran: Das Modell identifiziert Kandidaten, keine Garantien. Unter aktuellen Bedingungen bin ich selektiv – nehme nur A+-Setups, bei denen mehrere Systeme übereinstimmen.
Fortgeschrittene Techniken: Ensemble-Methoden
Einzelne Modelle haben einzelne Fehlerquellen. Bei Two Sigma handelten wir nie mit Solo-Algorithmen. Hier ist mein Ensemble-Ansatz:
- SVM für primäres Signal (nicht-lineare Mustererkennung)
- Random Forest zur Bestätigung (andere Algorithmenfamilie)
- LSTM zur Sequenzvalidierung (erfasst zeitliche Muster)
Nur wenn 2/3 Modelle zustimmen, betrachte ich das Signal als gültig. Dies reduziert False Positives um ~40 %, während die meisten echten Signale erhalten bleiben.
Für diejenigen, die an automatisierter Ausführung interessiert sind, kann FibAlgos Alert-System auslösen, wenn Ihr ML-Modell hochüberzeugende Signale ausgibt, und so die Lücke zwischen Python-Analyse und TradingView-Ausführung schließen.
Der Mean-Reversion-Rahmen, den ich diskutierte, zeigt ähnliche Ensemble-Vorteile – mehrere Perspektiven reduzieren das Einzelmodell-Risiko.
Häufige Fallstricke beim ML-Aktien-Screening
Lassen Sie mich Ihnen Monate des Schmerzes ersparen. Diese Fehler töteten meine frühen Modelle:
Overfitting auf spezifische Ereignisse: Mein erstes Modell lernte die Crash-Muster von 2008 auswendig. Nutzlos 2020. Verwenden Sie k-fache Kreuzvalidierung mit zeitlichem Bewusstsein – trainieren Sie niemals auf zukünftigen Daten.
Feature-Leakage: Das morgige Volumen in die heutige Vorhersage einbeziehen. Klingt offensichtlich, aber abgeleitete Features können zeitliche Lecks verstecken. Denken Sie immer: "Könnte ich das zum Vorhersagezeitpunkt wissen?"
Transaktionskosten ignorieren: Diese 73 % Gewinnrate gehen von null Reibung aus. In der Realität addieren Sie 10bps für Slippage, 5bps für Kommissionen. Kleine Edges verdunsten schnell.
Modellverfall: Märkte entwickeln sich. Mein Modell von 2018 degradierte bis 2020 auf 61 % Genauigkeit. Trainieren Sie mindestens vierteljährlich neu, monatlich während Regimewechseln.
Wie in meinem AMM-Risikoleitfaden behandelt, erfordern systematische Strategien konstante Überwachung und Anpassung.
Ihr eigenes ML-Screening-System aufbauen
Fangen Sie einfach an. Komplexität ist keine Edge – ordentliche Implementierung ist Edge. Hier ist Ihr Fahrplan:
Woche 1-2: Datensammlung und -bereinigung. Verwenden Sie Yahoo Finance oder Alpha Vantage für kostenlose Daten. Bauen Sie ein Universum liquider Aktien auf (Marktkapitalisierung $1B+, tägliches Volumen 1M+).
Woche 3-4: Feature Engineering. Beginnen Sie mit meinen drei Kern-Features oben. Fügen Sie andere basierend auf Ihrer Markthypothese hinzu. Der Artikel über OBV-Anpassungen zeigt, wie man Indikatoren für spezifische Kontexte modifiziert.
Woche 5-6: Modelltraining und -validierung. Verwenden Sie scikit-learn für die SVM-Implementierung. Konzentrieren Sie sich auf korrekte Train/Test-Aufteilung – zeitliche Reihenfolge ist wichtig!
Woche 7-8: Backtesting und Paper-Trading. Lassen Sie Ihren Screener täglich laufen, verfolgen Sie Vorhersagen vs. Ergebnisse. Kein echtes Geld vor 100+ Paper-Trades.
Woche 9+: Live-Implementierung mit kleiner Größe. Beginnen Sie mit 0,25 % Risiko pro Signal. Skalieren Sie erst, nachdem Sie Konsistenz bewiesen haben.
Die Realität des maschinellen Lernens im Trading
ML ist keine Zauberei. Es ist Mustererkennung im großen Maßstab. Mein SVM-Screener sagt nicht die Zukunft voraus – er erkennt, wann aktuelle Bedingungen historisch profitablen Setups entsprechen.
Der Vorteil kommt von drei Quellen:
- Verarbeitung mehr Daten, als Menschen bewältigen können (500 Aktien, jeweils 6 Merkmale)
- Disziplin in Angstphasen bewahren (Algorithmen geraten nicht in Panik)
- Konsequente Ausführung (jeden Tag dieselben Regeln)
Doch hier ist der Punkt – man braucht immer noch Trading-Intuition. Das Modell markiert Gelegenheiten; Sie entscheiden über Positionsgröße, Timing und Risikomanagement. Rein systematisches Trading funktioniert, bis es das nicht mehr tut. Fragen Sie nur die Quants, die im August 2007 zerstört wurden.
Bei Two Sigma kombinierten unsere besten Strategien maschinelle Intelligenz mit menschlicher Aufsicht. Die Maschine findet Muster. Der Mensch managt das Risiko, besonders während Regimewechseln, wenn auf historischen Daten trainierte Modelle vorübergehend blind sind.
Da die Märkte extreme Angstwerte zeigen, befinden wir uns im optimalen Bereich für ML-basierte Umkehrscreenings. Ob Sie Ihr eigenes System aufbauen oder meines anpassen, denken Sie daran: Das Ziel ist nicht Perfektion. Es ist ein konsistenter Vorteil, richtig dimensioniert, mit gemanagtem Tail-Risk.
Denn am Ende zählt es mehr, die 27% der fehlgeschlagenen Signale zu überstehen, als jede Umkehr zu erfassen. Der beste Algorithmus kann nicht traden, wenn Sie an den Ausreißern scheitern.
