Der Top-Quant bei Morgan Stanley erklärt, warum sein Beruf kein Zuckerschlecken ist

In früheren Zeiten konnte man als Quant im Finanzwesen eine Strategie ersinnen und sich dann zurücklehnen, im seidenen Morgenmantel Zigarre rauchen und dabei zusehen, wie das Geld anrollte. Ein friedvoller Traum für alle, die heutzutage als Quant arbeiten, rund um die Uhr vor dem Bildschirm schuften und ein illusorisches Alpha suchen – genau wie alle, die in Python programmieren.

Soweit – im Großen und Ganzen – das Fazit der heutigen Quant Conference (die dieses Jahr digital stattfand).

„Die Eintrittsbarrieren sind niedriger, die Hürden für den Erfolg allerdings viel höher“, so Boris Lerner, Global Head of Quantitative Equity Research bei Morgan Stanley über heutige Quantenstrategen. „Sie brauchen keine eigenen ausgeklügelten Tools zu schreiben – es gibt jede Menge Standard-Python-Pakete und komplexe Machine Libraries, aus denen Sie sich bedienen können.“

Da der Wettbewerb sich verschärft habe, so Lerner, würden Quants in eine unerbittliche Innovationsspirale gezwungen und müssten auf der Suche nach neuen Ertragsquellen immer unkonventioneller sein. „Mit Strategien, die vor einigen Jahren noch ein sicheres Pferd waren, lässt sich heute nicht mehr so leicht Geld verdienen“, sagt er. „Man muss ständig am Puls der Forschung sein und aus großen Asset-Klassen wie Aktien in kleinere und weniger liquide Asset-Klassen wie Kryptowährungen wechseln.“

Wenn Quantenhändler in weniger liquide Bereiche des Marktes drängen, so Lerner, würden Konzepte wie „Marktmikrostruktur“ immer wichtiger – sie helfen dabei, vorherzusagen, wie bestimmte Wertpapiere gehandelt werden. Den Begriff „Marktmikrostruktur“ ließ auch Michael Steliaros, Global Head of Quantitative Execution Services bei Goldman Sachs, unlängst vor Studierenden fallen. Die Expertise in Sachen Quant scheint sich aktuell hierauf zu fokussieren.

Neben all diesen Entwicklungen gibt es ein weiteres Thema, das Quants umtreibt: Die zunehmende Konkurrenz durch Daten. Der Erfolg einer Quant-Strategie steht und fällt mit der Qualität der verwendeten Daten, und die Qualität der Daten hängt zum Teil davon ab, wie viel man für sie hinblättert.

„Daten sind teuer“, so Lerner. „Erfolgreiche Quant-Investoren tätigen große Investitionen in Daten und auch große Investitionen in Menschen.“

Wer als Quant unermüdlich dabei ist, seine Modelle zu optimieren und dennoch nur einen mickrigen Bonus erhält, weiß jetzt also, woran das liegt: Daran, dass Daten so teuer sind.

Have a confidential story, tip, or comment you’d like to share? Contact: sbutcher@efinancialcareers.com in the first instance. Whatsapp/Signal/Telegram also available.

Bear with us if you leave a comment at the bottom of this article: all our comments are moderated by human beings. Sometimes these humans might be asleep, or away from their desks, so it may take a while for your comment to appear. Eventually it will – unless it’s offensive or libelous (in which case it won’t.