Anleger müssen entscheiden, wie sie Kapital auf Anlagen verteilen und wie sie Handelsgeschäfte unter Risiko-, Liquiditäts- und Regulierungsvorgaben kostengünstig ausführen. Klassische Optimierung (Mittelwert-Varianz, Risikoparität, CVaR) in Verbindung mit ML-Prognosen für Rendite und Risiko sowie Ausführungsalgorithmen automatisiert beide Schritte. LLMs liefern inzwischen zusätzlich Textsignale sowie Unterstützung bei Recherche und Programmierung, doch der Kern bleibt quantitativ, intensiv getestet und eng überwacht: In der EU gehört der algorithmische Handel zu den am stärksten regulierten KI-nahen Tätigkeiten.
Problem & Nutzen
- Heute: Portfoliomanager kombinieren Analystenmeinungen, Faktormodelle und Optimierer aus Tabellenkalkulation oder von Anbietern; Händler wählen Ausführungsalgorithmen aus den Angeboten der Broker. Umschichtung, Steuer- und Kostenbewusstsein sowie der Umgang mit Nebenbedingungen (Mandatsgrenzen, ESG-Ausschlüsse, Liquidität) sind weitgehend manuell oder regelbasiert.
- Nutzen durch KI: bessere Kovarianzschätzung und bessere Prognosen, systematische Umschichtung mit Berücksichtigung der Transaktionskosten, schnellere Recherchezyklen, geringerer Implementation Shortfall, konsistente Einhaltung der Nebenbedingungen.
- Ehrlicher Vorbehalt: Renditeprognose ist ein Problem mit geringem Signal-Rausch-Verhältnis; die meisten veröffentlichten Backtest-Gewinne verschwinden nach Kosten, Kontrolle der Überanpassung und Kapazitätsgrenzen. Verlässlicher ist der Wert in der Risikosteuerung, in kostenbewusster Ausführung und in betrieblicher Effizienz als im „Alpha durch KI“.
Varianten
- Strategische/taktische Vermögensallokation für Pensionsfonds, Versicherer und Family Offices (monatliche bis vierteljährliche Umschichtung, verbindlichkeitsorientierte Nebenbedingungen, Solvency II / IORP).
- Systematische Aktien-/Multi-Asset-Fonds: Faktor- und ML-Signal-Portfolios mit Umschlags- und Risikobudgets.
- Intelligente Ausführung: VWAP-/TWAP-/Implementation-Shortfall-Algorithmen, zunehmend per ML abgestimmt oder RL-gesteuert.
- Treasury und Absicherung in Unternehmen: Optimierung von Devisen- und Zinsabsicherungen (keine Spekulation).
- Robo-Advice für Privatkunden: Modellportfolios je Risikoprofil (Geeignetheitspflichten gelten, siehe Risiken).
- Hochfrequenzhandel / Market Making: spezialisiert und latenzgetrieben; für die meisten KMU unerreichbar.
- Private Nutzung: selbstbestimmte Anleger mit Umschichtungsskripten oder Robo-Diensten der Broker; kein Thema der KI-Verordnung, aber Handelsroboter für Privatanleger bergen ein hohes Verlustrisiko.
So funktioniert es
- data ingestion (prices, order book, fundamentals, news)
- feature engineering + signals (factors, ML forecasts, LLM text sentiment)
- risk model (covariance shrinkage, factor model, regime detection)
- optimiser (mean-variance / CVaR / risk parity / Black-Litterman; constraints, turnover, costs)
- pre-trade compliance & risk limits (mandate, concentration, ESG, liquidity)
- execution algorithm (order slicing, venue selection) via OMS/EMS
- post-trade analysis (TCA, attribution)
- monitoring, kill switch, model-risk review
- Prognose: Gradient Boosting, Sequenzmodelle und Zeitreihen-Foundation-Models (z. B. Chronos, TimesFM) liefern Rendite-/Volatilitätseingaben; ein robuster Umgang mit Nichtstationarität ist unerlässlich.
- Optimierung: Konvexe Solver (quadratisch/konisch) bleiben das Arbeitspferd, weil sie prüfbar sind und harte Nebenbedingungen einhalten; in den meisten regulierten Umgebungen liefert ML die Eingaben, nicht die endgültigen Gewichte.
- Reinforcement Learning: wird für Ausführung und einige Allokationsforschung genutzt; der Produktiveinsatz ist durch die Realitätsnähe der Simulatoren und die Erklärbarkeit begrenzt.
- LLMs: extrahieren Signale aus Unternehmensberichten, Telefonkonferenzen zu Quartalszahlen und Nachrichten, erzeugen Backtest-Code und fassen die Attribution zusammen. Sie sollten ohne deterministische Risikoprüfungen keine Orders platzieren.
- Mensch-in-der-Schleife (Human-in-the-Loop): Der Portfoliomanager genehmigt Mandate, Modelländerungen und Eingriffe; Compliance verantwortet die Limits; ein leitender Manager kann den Notausschalter auslösen.
Datenaufbereitung
- Welche Daten: Kurse, Orderbücher und Volumina, Fundamental- und Makrodaten, Referenzdaten und Kapitalmaßnahmen, Nachrichten und Unternehmensberichte, eigene Positionen, Orders, Ausführungen und Mandatslimits.
- Wo die Daten im Mittelstand liegen: Terminals und Feeds von Datenanbietern, das Portfolio- oder Order-Management-System, Berichte von Depotbank und Broker, Excel-Tabellen der Analysten, Mandatsdokumente als PDF.
- Typische Lücken: Survivorship Bias, fehlende Anpassungen für Kapitalmaßnahmen, uneinheitliche Wertpapierkennungen, veraltete oder fehlerhafte Kurse, Limits, die nur in PDFs beschrieben sind, Lizenzbedingungen, die die Weiterverwendung von Anbieterdaten einschränken.
- Schritte: (1) ein einheitliches Wertpapier-Stammdatenverzeichnis und eine bereinigte Kurshistorie aufbauen; (2) Mandate und Limits maschinenlesbar erfassen; (3) um Splits, Dividenden und Delistings bereinigen; (4) Daten zum jeweiligen Zeitpunkt (Point-in-Time) speichern, um Look-ahead zu vermeiden; (5) Text aus Unternehmensberichten und Nachrichten extrahieren, für saubere Tabellen siehe PREP-001 und PREP-011; (6) Nutzungsrechte der Datenlizenzen prüfen. Für die interne Order- und Ausführungshistorie nutzen Sie PREP-005 für Exporte. Werkzeuge: Postgres oder Parquet mit DuckDB, Great Expectations zur Validierung.
- Anteil am Aufwand: grob 50–60 Prozent bei einem Eigenbau, deutlich weniger mit Weg A. Siehe GUIDE-003.
Umsetzungswege
Welcher Weg für wen
- Großunternehmen: B. Die Portfoliokonstruktion ist das Kerngeschäft; kombinieren Sie lizenzierte Marktdaten, Cloud-Rechenleistung und eigene Solver-Logik, sodass Strategie und Kontrollen im Haus bleiben, ohne alles selbst zu bauen.
- Entwickler: C. PyPortfolioOpt, Riskfolio-Lib, Qlib und NautilusTrader ermöglichen transparente, prüfbare Recherche und Backtests.
- KMU: A. Ein kleiner Vermögensverwalter, eine Bank oder ein Treasury ohne Quant-Team erhält von etablierten Anbietern getestete Portfolio-, Risiko- und Ausführungswerkzeuge samt Unterstützung bei der RTS-6-Dokumentation.
Weg A — Kaufen (empfohlen für die meisten Unternehmen)
- Portfoliokonstruktion & Risiko: MSCI Barra / RiskMetrics, Axioma (SimCorp/Deutsche-Börse-Gruppe, EU), BlackRock Aladdin, Bloomberg PORT/AIM, FactSet, Northern Trust/Charles River, SimCorp One (EU).
- Ausführung: Algo-Suiten der Broker, EMS-Anbieter wie FlexTrade, Bloomberg EMSX, Virtu sowie EU-Anbieter und börseneigene Werkzeuge; prüfen Sie die Berichte zur bestmöglichen Ausführung.
- Robo-Advice-Plattformen: z. B. EU-Anbieter wie Scalable Capital und White-Label-Stacks sowie Wealth-Tech-Anbieter für Banken.
- Wählen Sie A, wenn: Sie ein kleiner Vermögensverwalter, eine Bank oder ein Treasury ohne Quant-Team sind; der Anbieter übernimmt die Unterstützung bei der RTS-6-Dokumentation und die Datenlizenzen.
Weg B — Auf Cloud-KI-Diensten aufbauen
- Daten: LSEG, Bloomberg B-PIPE, Refinitiv, EU-Anbieter wie die Marktdaten der Deutsche Börse.
- Rechenleistung: Cloud-ML für Zeitreihen und Tabellen (Azure ML, Vertex AI, SageMaker, EU-Regionen); führende LLMs (Claude, Gemini, GPT, Mistral) über Endpunkte in EU-Regionen für Textsignale und Rechercheunterstützung.
- Broker-/Ausführungs-APIs: FIX-Anbindung über Ihren Broker/EMS; Interactive-Brokers-API für kleine Konten. Halten Sie die Order-Logik deterministisch und mit Kontrollen vor dem Handel umgeben.
- Solver: Gurobi, MOSEK, FICO Xpress oder das Open-Source-Paket CVXPY mit kommerziellen Backends.
Weg C — Selbst betreiben (Open Source)
- Portfoliooptimierung: PyPortfolioOpt, Riskfolio-Lib, cvxpy, scikit-learn, skfolio.
- Backtesting/Recherche: Microsoft Qlib, vectorbt, backtrader, NautilusTrader (ereignisgesteuert, live-tauglich), QuantLib für Bewertung.
- RL: FinRL, Stable-Baselines3, mit Marktsimulatoren.
- Modelle: offene Zeitreihenmodelle (Chronos, TimesFM, Lag-Llama), Stimmungsanalyse der Klasse FinBERT, offene LLMs (Qwen, Llama, Mistral) über vLLM für Textsignale.
- Hardware: HW1–HW2 genügt für Tages-/Wochenstrategien; GPU nur für Text/LLM und tiefe Modelle. Latenzkritischer Handel braucht Co-Location, keine GPUs.
Weg D — Eigenes Training
Lohnt sich für eigene Signale und Ausführungsmodelle auf Basis Ihrer eigenen Order- und Ausführungshistorie. Erfordert lange, saubere Daten ohne Survivorship Bias, Walk-forward-Validierung, bereinigte Kreuzvalidierung (Purged Cross-Validation) und Kapazitätsanalyse. Rechnen Sie mit einem eigenen Quant-/ML-Team und einer Modellrisiko-Funktion.
Stand der Technik (2026)
- Optimierung: Shrinkage-Kovarianzschätzer, hierarchische Risikoparität, robuste und distributionell robuste Optimierung sowie explizite Terme für Transaktionskosten und Marktauswirkung sind gängige Praxis.
- ML-Signale: Gradient-Boosting- und Deep-Learning-Modelle bringen bescheidene, vom Marktregime abhängige Gewinne; Ensembles und eine strikt stichprobenfremde Bewertung (Out-of-Sample) werden erwartet. Zeitreihen-Foundation-Models werden verglichen, haben abgestimmte Fachmodelle aber nicht verdrängt.
- LLMs und Agenten: weit verbreitet für Zusammenfassungen von Recherchen, die Analyse von Unternehmensberichten und Telefonkonferenzen zu Quartalszahlen sowie Programmierhilfe; autonome LLM-Handelsagenten bleiben experimentell und sind in regulierten Unternehmen für den unbeaufsichtigten Einsatz nicht zugelassen.
- Aufsicht: Die ESMA veröffentlichte im Februar 2026 ein Aufsichtsbriefing zu algorithmischem Handel und KI, das die nationalen Behörden auf Tests, Kontrollen vor dem Handel, Notabschaltfunktionen und die Governance ML-basierter Algorithmen hinweist [3].
- Grenzen und Fehlerbilder: Überanpassung und Datenleck im Backtest, Regimewechsel, überfüllte Trades, Rückkopplungsschleifen und Flash-Crash-Dynamiken, Datenfehler, Modelldrift sowie Herdenverhalten, wenn viele Unternehmen ähnliche Modelle nutzen.
Gemeinsame Bausteine & Kombinationen
- Gleicher Stack (time-series + tabular-ml + optimization-solver): OPT-004 dynamische Preisgestaltung, OPT-039 Vermarktung erneuerbarer Portfolios und algorithmischer Stromhandel, PRED-008 Preisprognose, PRED-035 Prognose von Abwicklungsausfällen.
- Kontrollen und Überwachung: ANOM-012 Marktmissbrauchs- und Handelsüberwachung sollte Ihre eigenen Algorithmen überwachen; PRED-009 Kreditscoring fließt in Kreditrisiko-Nebenbedingungen ein.
- Textsignale: LANG-017 (Wettbewerbs- und Marktbeobachtung), LANG-037 (ESG, SFDR-Portfolioanalysen).
- Infrastruktur: Ein Data Lake und Feature Store plus ein Solver-Dienst tragen viele Strategien.
Aufwand, Kosten & Kennzahlen
- Weg A: Wochen bis Monate für die Einführung; Lizenzen sind in der Regel der Hauptkostenpunkt, hinzu kommen Datengebühren.
- Weg B: 3–9 Monate für eine produktive Pipeline einschließlich OMS/EMS-Integration und Kontrollen.
- Weg C/D: 6–18 Monate mit einem Quant-Team; Marktdaten sowie Compliance und Tests sind die Kostentreiber, nicht die Rechenleistung.
- Kennzahlen: risikoadjustierte Nettorendite (Sharpe-/Information Ratio nach Kosten), Tracking Error, Umschlag, Implementation Shortfall gegenüber der Benchmark, Verstöße gegen Nebenbedingungen, Modelldrift, Ergebnisse von Tests des Notausschalters, TCA.
Menschen & Veränderung
- Früh einbinden: Geschäftsleitung (Risikoneigung, Mandat), Portfoliomanager und Händler (Nutzer), Compliance und Recht (MiFID II, RTS 6, MAR), IT und IT-Sicherheit (DORA, Zugriff auf Ordersysteme), die/den Datenschutzbeauftragte(n) bei Kundendaten im Robo-Advice.
- Betriebsrat: kommt darauf an. Handels- und Attributionssysteme, die individuelle Entscheidungen und Leistungen protokollieren, sind objektiv geeignet, Beschäftigte zu überwachen; daher greift § 87 Abs. 1 Nr. 6 BetrVG in der Regel, wo ein Betriebsrat besteht. Unterrichten Sie ihn nach § 90 Abs. 1 Nr. 3 und vereinbaren Sie, wie Leistungsdaten der Händler verwendet werden dürfen. Öffentliche Einrichtungen: Personalrat.
- Datenschutz: Marktdaten sind nicht personenbezogen; Kundenprofile und private Konten sind personenbezogene Daten. Führen Sie für Robo-Advice mit automatisierten Entscheidungen eine DSFA durch und schließen Sie mit jedem Daten- oder Cloud-Anbieter einen AVV ab.
- KI-Kompetenz: Unterstützen Sie Portfoliomanager und Risikomitarbeitende dabei, Modellgrenzen, Überanpassung und Drift zu verstehen (Art. 4 KI-Verordnung), siehe GUIDE-006.
- Pilot und Kommunikation: Führen Sie vor jedem Einsatz echten Kapitals mit einem kleinen Team parallel Papierhandel (Paper Trading) durch. Typische Bedenken sind die Verantwortlichkeit und die Angst, für Black-Box-Entscheidungen verantwortlich gemacht zu werden; begegnen Sie ihnen mit dokumentierter Modellvalidierung, harten Limits, einem getesteten Notausschalter und klarer Freigabe durch den Portfoliomanager.
- Leitfäden: GUIDE-005, GUIDE-009, GUIDE-014.
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): Ein typisches Handels- oder Portfoliooptimierungssystem ist nicht in Anhang III aufgeführt und stellt ein minimales Risiko dar; es gelten die Pflichten zur KI-Kompetenz (Art. 4). Die Kreditwürdigkeitsbewertung natürlicher Personen ist hochriskant, was relevant wird, wenn Kreditmodelle in Privatkundenprodukte einfließen. Eine Praxis nach Art. 5 liegt nicht vor, wohl aber läge sie bei manipulativen oder unterschwelligen Techniken gegenüber Privatkunden vor.
- MiFID II Art. 17 und Delegierte Verordnung (EU) 2017/589 (RTS 6): Unternehmen mit algorithmischem Handel benötigen Governance, Tests vor der Inbetriebnahme, Limits vor dem Handel, Echtzeitüberwachung, Notabschaltfunktion, eine jährliche Selbstbewertung und die Meldung an die zuständige Behörde; Handelsplätze und direkter elektronischer Zugang bringen zusätzliche Pflichten [2][3][4].
- MAR: Algorithmen dürfen kein Spoofing, Layering oder manipulative Muster erzeugen; Verknüpfung mit ANOM-012.
- Geeignetheit und beste Ausführung: Robo-Advice muss die Geeignetheitspflichten nach MiFID II erfüllen; AIFMD-/OGAW-Mandate begrenzen den Optimierer. DORA gilt für IKT-Risiken und für Drittanbieter von Finanzunternehmen.
- DSGVO: überwiegend nicht personenbezogene Daten; Kundenprofile für Robo-Advice und private Handelskonten sind personenbezogene Daten; automatisierte Entscheidungen mit erheblicher Wirkung erfordern Schutzmaßnahmen nach Art. 22.
- Gegenmaßnahmen: unabhängige Modellvalidierung, Walk-forward-Tests, harte Positions- und Order-Limits, Notausschalter, vollständiges Prüfprotokoll und kein direkter Weg von einem LLM zur Order.
Erste Schritte
- Legen Sie Mandat, Nebenbedingungen, Benchmark und Umschichtungsfrequenz fest; beginnen Sie mit einer täglichen oder wöchentlichen Strategie.
- Bauen Sie eine saubere Datenschicht und einen ehrlichen Backtest (Kosten, Slippage, Survivorship Bias, Walk-forward).
- Erstellen Sie einen Prototyp der Optimierung mit PyPortfolioOpt oder Riskfolio-Lib und vergleichen Sie ihn mit Ihrem bisherigen Allokationsprozess.
- Führen Sie parallel Papierhandel durch und ergänzen Sie Limits vor dem Handel sowie einen getesteten Notausschalter, bevor echtes Kapital eingesetzt wird.
- Dokumentieren Sie die Governance für RTS 6 und DORA und beziehen Sie Compliance und Modellrisiko früh ein.
Quellen
- Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- Directive 2014/65/EU (MiFID II) - https://eur-lex.europa.eu/eli/dir/2014/65/oj
- Deloitte - ESMA algorithmic trading supervisory briefing - https://www.deloitte.com/uk/en/blogs/ecrs/mind-the-gaps-why-esma-s-algorithmic-trading-supervisory-briefing-is-a-turning-point-for-firms.html
- European Commission - RTS 6 (Delegated Regulation (EU) 2017/589) - https://ec.europa.eu/finance/securities/docs/isd/mifid/rts/160719-rts-6_en.pdf
- PyPortfolioOpt - https://github.com/robertmartin8/PyPortfolioOpt
- Riskfolio-Lib - https://github.com/dcajasn/Riskfolio-Lib
- Microsoft Qlib - https://github.com/microsoft/qlib
- FinRL - https://github.com/AI4Finance-Foundation/FinRL
- NautilusTrader - https://github.com/nautechsystems/nautilus_trader