Während traditionelle quantitative Modelle im Markt nach der Pandemie häufig versagten, wurde Lukas Vogt mit seiner bahnbrechenden Anlagemethode, die Deep Learning mit Behavioral Finance kombinierte, vom Quantitative Investment Magazine zum „Besten Quantitativen Analysten des Jahres“ gekürt. Der Münchner Finanzingenieur bewies, dass die Erforschung menschlicher Verhaltensmuster auch im Zeitalter der Algorithmen unersetzlich wertvoll ist.
Vogts Durchbruch begann mit der quantitativen Modellierung des „Limited Attention Effects“. Sein Team sammelte Echtzeit-Untertitel von 85 Finanzfernsehsendern weltweit und erstellte mithilfe natürlicher Sprachverarbeitung einen „Medienaufmerksamkeitsindex“. Zeigt der Index, dass sich der Markt übermäßig auf bestimmte Brennpunkte konzentriert, reduziert der Algorithmus automatisch die Allokationsgewichtung der entsprechenden Vermögenswerte. „Investoren sind wie Suchscheinwerfer, die immer bestimmte Bereiche kollektiv beleuchten und andere Bereiche ignorieren“, erklärte Vogt. „Unsere Aufgabe ist es, die Schätze zu finden, die vom Strahl übersehen werden.“
Noch revolutionärer ist die Entwicklung des „Emotional Contagion Network“. Durch die Analyse der Zeitreihen von Beiträgen in Einzelhandelsforen kann Vogts KI-System den Verlauf der Stimmungsverbreitung für Meme-Aktien vorhersagen. Bei der Erkennung irrationaler Überschwangsignale reduziert das Modell nicht nur entsprechende Positionen, sondern etabliert auch Absicherungspositionen für verwandte Vermögenswerte mit besserer Liquidität. Im Short-Squeeze-Hype der Einzelhandelsbranche zu Beginn dieses Jahres konnte diese Strategie 47 % der potenziellen Verluste erfolgreich vermeiden.
„Traditionelle Verhaltensökonomie beschränkt sich auf qualitative Beschreibungen. Was wir jedoch tun müssen, ist, Kahnemans Theorie in umsetzbare Handelssignale umzusetzen.“ Die „Prospect Theory Factor Library“, die Vogt in seinem preisgekrönten Vortrag vorstellte, transformiert die Untersuchung menschlicher kognitiver Präferenzen wie Verlustaversion und Wahrscheinlichkeitsgewichtsverzerrung in über 300 quantifizierbare Indikatoren. Kombiniert man diese Indikatoren mit maschinellem Lernen, kann das Modell Umkehrmöglichkeiten bei Marktpanik elf Tage früher erkennen als herkömmliche Strategien.
Heute erforscht Vogt mit seinem Team ein innovativeres Gebiet: die Integration neurowissenschaftlicher Experimentaldaten in Handelsmodelle. Durch die Analyse des Zusammenhangs zwischen EEG und Handelsentscheidungen versuchen sie, den neuronalen Mechanismus des Herdeneffekts zu entschlüsseln. In Zeiten zunehmend homogener Algorithmen hält Vogt stets an einer Überzeugung fest: Das nachhaltigste Alpha entsteht immer durch ein tiefes Verständnis der Marktteilnehmer – der Menschen selbst.
