|
3 Jahre
Erfahrung
|
0
Produkte
|
0
Demoversionen
|
|
0
Jobs
|
0
Signale
|
0
Abonnenten
|
Quantitativer Trader & KI-gestützter systematischer Stratege | MSc Finance (HEC Lausanne)
𝐊𝐮𝐫𝐳𝐛𝐢𝐨𝐠𝐫𝐚𝐟𝐢𝐞
Ich bin ein in der Schweiz ansässiger quantitativer Trader mit einem Master in Finance der HEC Lausanne, spezialisiert auf Quantitative Asset & Risk Management. In meiner Masterarbeit stellte ich die Effizienz des US-Aktienmarktes anhand empirischer Daten infrage. Seitdem habe ich mehr als 30 institutionstaugliche Algorithmen in Python für Aktien, Devisen und Kryptowährungen entwickelt – ausgelegt auf ein Volumen von mehreren Millionen USD und implementiert über APIs. Mein Vorteil liegt in der Kombination eines robusten Risikomanagements (Kapitalerhalt, Volatilitätssteuerung) mit Machine-Learning-basierten Signalen, Makro-/Regimemodellen sowie produktionsreifer Automatisierung auf IBKR (Fix Protocol & IBKR Gateway Docker), Alpaca, MT5, Binance und DAS. Derzeit baue ich eine Schweizer Aktiengesellschaft (SA) und eine US-LLC für meine quantitativen Aktivitäten auf und prüfe eine RIA-Registrierung in den USA, um in einem vollständig regulierten Umfeld tätig zu sein. Mein langfristiges Ziel ist es, einen quantitativen Hedgefonds aufzubauen und in den kommenden Jahren rund 50 Mio. USD AuM einzuwerben.
𝐅ä𝐡𝐢𝐠𝐤𝐞𝐢𝐭𝐞𝐧 & 𝐓𝐞𝐜𝐡𝐧𝐨𝐥𝐨𝐠𝐢𝐞𝐧
• Systematische Strategien: Mean-Reversion, Breakout, Cross-Sectional/Time-Series, Faktor-Long/Short
• Risiko & Portfolio: Volatilitätssteuerung, Drawdown-Kontrolle, Walk-Forward- & Monte-Carlo-Tests
• ML & NLP: XGBoost/LightGBM, Makroregime-Klassifizierung, News-/Sentiment-Pipelines (z. B. FinBERT)
• Ausführung & Infrastruktur: Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Märkte: US- & globale Aktien, Hauptwährungspaare im FX, liquide Krypto-Assets
𝐂𝐨𝐦𝐩𝐥𝐢𝐚𝐧𝐜𝐞 & 𝐄𝐭𝐡𝐢𝐤
Ethik und transparente Dokumentation stehen für mich an erster Stelle; ich bin verpflichtet, ausschließlich innerhalb regulierter Rahmenbedingungen zu arbeiten (Schweizer SA und US-LLC im Aufbau; RIA-Registrierung in den USA wird geprüft).
In meiner Arbeit über die Effizienz des US-Aktienmarktes habe ich das Probability of Backtest Overfitting Framework (Bailey et al., 2015) angewandt und verwende weiterhin strikte In-Sample/Out-of-Sample-Validierungen, Walk-Forward-Analysen, Ein-Perioden-Lags und Anti-Look-Ahead-Protokolle, um sicherzustellen, dass meine Modelle robust und nicht überoptimiert sind.
Meine Präsenz in der MQL-Community dient dazu, Privatanleger darüber aufzuklären, wie man überoptimierte Hochrisikostrategien und exzessiven Leverage vermeidet.
𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧: 𝐥𝐢𝐧𝐤𝐞𝐝𝐢𝐧.𝐜𝐨𝐦/𝐢𝐧/𝐣𝐨𝐡𝐧-𝐛𝐞𝐫𝐠𝐞𝐫𝐚𝐭/
𝐊𝐮𝐫𝐳𝐛𝐢𝐨𝐠𝐫𝐚𝐟𝐢𝐞
Ich bin ein in der Schweiz ansässiger quantitativer Trader mit einem Master in Finance der HEC Lausanne, spezialisiert auf Quantitative Asset & Risk Management. In meiner Masterarbeit stellte ich die Effizienz des US-Aktienmarktes anhand empirischer Daten infrage. Seitdem habe ich mehr als 30 institutionstaugliche Algorithmen in Python für Aktien, Devisen und Kryptowährungen entwickelt – ausgelegt auf ein Volumen von mehreren Millionen USD und implementiert über APIs. Mein Vorteil liegt in der Kombination eines robusten Risikomanagements (Kapitalerhalt, Volatilitätssteuerung) mit Machine-Learning-basierten Signalen, Makro-/Regimemodellen sowie produktionsreifer Automatisierung auf IBKR (Fix Protocol & IBKR Gateway Docker), Alpaca, MT5, Binance und DAS. Derzeit baue ich eine Schweizer Aktiengesellschaft (SA) und eine US-LLC für meine quantitativen Aktivitäten auf und prüfe eine RIA-Registrierung in den USA, um in einem vollständig regulierten Umfeld tätig zu sein. Mein langfristiges Ziel ist es, einen quantitativen Hedgefonds aufzubauen und in den kommenden Jahren rund 50 Mio. USD AuM einzuwerben.
𝐅ä𝐡𝐢𝐠𝐤𝐞𝐢𝐭𝐞𝐧 & 𝐓𝐞𝐜𝐡𝐧𝐨𝐥𝐨𝐠𝐢𝐞𝐧
• Systematische Strategien: Mean-Reversion, Breakout, Cross-Sectional/Time-Series, Faktor-Long/Short
• Risiko & Portfolio: Volatilitätssteuerung, Drawdown-Kontrolle, Walk-Forward- & Monte-Carlo-Tests
• ML & NLP: XGBoost/LightGBM, Makroregime-Klassifizierung, News-/Sentiment-Pipelines (z. B. FinBERT)
• Ausführung & Infrastruktur: Python (pandas/NumPy/sklearn), IBKR, DAS, FIX, AWS/VPS, SQL/SQLite, MT5/MT4, Binance
• Märkte: US- & globale Aktien, Hauptwährungspaare im FX, liquide Krypto-Assets
𝐂𝐨𝐦𝐩𝐥𝐢𝐚𝐧𝐜𝐞 & 𝐄𝐭𝐡𝐢𝐤
Ethik und transparente Dokumentation stehen für mich an erster Stelle; ich bin verpflichtet, ausschließlich innerhalb regulierter Rahmenbedingungen zu arbeiten (Schweizer SA und US-LLC im Aufbau; RIA-Registrierung in den USA wird geprüft).
In meiner Arbeit über die Effizienz des US-Aktienmarktes habe ich das Probability of Backtest Overfitting Framework (Bailey et al., 2015) angewandt und verwende weiterhin strikte In-Sample/Out-of-Sample-Validierungen, Walk-Forward-Analysen, Ein-Perioden-Lags und Anti-Look-Ahead-Protokolle, um sicherzustellen, dass meine Modelle robust und nicht überoptimiert sind.
Meine Präsenz in der MQL-Community dient dazu, Privatanleger darüber aufzuklären, wie man überoptimierte Hochrisikostrategien und exzessiven Leverage vermeidet.
𝐋𝐢𝐧𝐤𝐞𝐝𝐈𝐧: 𝐥𝐢𝐧𝐤𝐞𝐝𝐢𝐧.𝐜𝐨𝐦/𝐢𝐧/𝐣𝐨𝐡𝐧-𝐛𝐞𝐫𝐠𝐞𝐫𝐚𝐭/
