An der Spitze der Finanztechnologie hat Lukas Vogt erneut eine quantitative Revolution angeführt . Kürzlich kombinierte er die zugrunde liegende Technologie von ChatGPT mit der traditionellen Auftragsflussanalyse, um eine neue Generation von Hochfrequenzhandelssystemen zu schaffen, die die Analysemethode der Marktmikrostruktur völlig verändert haben.
Vogts Durchbruch liegt in der Entdeckung der einzigartigen Vorteile großer Sprachmodelle bei der Verarbeitung von Auftragsflüssen. Traditioneller Hochfrequenzhandel basiert auf numerischer Analyse, während seine „Semantic Flow Parsing Engine“ die narrative Logik hinter Handelsanweisungen verstehen kann. Sobald das System erkennt, dass eine Gruppe großer Handelsanweisungen Schlüsselwörter wie „Hedge“ und „Rebalancing“ enthält, passt der Algorithmus die Market-Making-Strategie sofort an. Diese semantischen Erkenntnisse verschaffen ihm einen erheblichen Vorteil bei der Bereitstellung von Liquidität.
Vogts Team sammelte Orderflow-Daten von 47 großen Börsen weltweit. Dank der fein abgestimmten GPT-Architektur kann das System über 200 Handelsstrategiemerkmale identifizieren, die häufig von institutionellen Händlern verwendet werden. Bei Verhaltensmustern wie „Stop-Loss-Jagd“ oder „Liquidity Trapping“ wechselt der Algorithmus automatisch in den Abwehrmodus.
Das bahnbrechendste Feature ist die Funktion zur Echtzeit-Rekonstruktion von Handelsdaten. Das System kann aus verstreuten Auftragsflüssen einen vollständigen Handelsverlauf rekonstruieren und beispielsweise erkennen, dass die starken Schwankungen einer bestimmten Aktie tatsächlich durch die vierteljährliche Neugewichtung eines bestimmten ETFs und nicht durch fundamentale Veränderungen verursacht wurden. Dank dieses tiefen Verständnisses konnte Vogts Market-Making-System potenzielle Verluste in Millionenhöhe während des Flash-Crashs an der US-Börse zu Jahresbeginn vermeiden.
Im Gegensatz zum traditionellen Hochfrequenzhandel legt Vogts System besonderen Wert auf das „kontextuelle Verständnis“. Durch die Analyse der zeitlichen Zusammenhänge zwischen Finanznachrichten, sozialen Medien und Auftragsfluss kann der Algorithmus die wahren Absichten der Marktteilnehmer beurteilen. Wird ein Trendkaufverhalten erkannt, passt das System den Kurs 0,3 Sekunden im Voraus an. Dieser kleine Vorteil hat bei einem durchschnittlichen täglichen Handelsvolumen von 8 Milliarden US-Dollar zu erstaunlichen Gesamtgewinnen geführt.
Mit der Weiterentwicklung der Technologie erkundet Vogt immer innovativere Bereiche und integriert multimodales Lernen in Handelsentscheidungen. Das neue System kann nicht nur Auftragsflusstexte lesen, sondern auch die Veränderungen im Tonfall der Händler während Telefongesprächen analysieren und so die Marktstimmung aus mehreren Dimensionen erfassen. In Zeiten der Informationsüberflutung hat Vogt bewiesen, dass ein tiefes Verständnis der Semantik zu einem neuen entscheidenden Faktor für den quantitativen Handel wird.
