Wenn KI auf den echten Markt trifft: Warum KI-basierte Optionsstrategien an extremen Marktschwankungen scheitern

Stell dir vor, du verkaufst jeden Monat Optionen. Ein Covered Call bedeutet: Du hältst eine Aktie und verkaufst jemandem das Recht, sie dir zu einem festen Preis abzunehmen. Ein Cash-Secured Put ist die andere Seite: Du verkaufst jemandem das Recht, dir eine Aktie zu einem festen Preis andienen zu lassen. Beides bringt regelmäßige Prämien ein — solange der Markt ruhig bleibt.

In ruhigen Phasen wirkt das wie ein Geldautomat. Aber wenn der Markt in eine Phase mit extremen Preisschwankungen gerät — also aufeinanderfolgende Tage mit heftigen Ausschlägen —, droht das, was Händler einen Kaskaden-Crash nennen: der schnelle Totalverlust einer Optionsposition, weil die preissensitiven Absicherungs-Strategien (das sogenannte „Gamma") in Krisen nicht mehr Schritt halten können.

Genau diese Klippe sollte ein Forschungsprojekt namens PRISM (Probabilistic Regime Identification for Systematic Management) umschiffen. Die Idee: Ein neuronales Netz erkennt die Marktphase früh genug und fährt die Positionen zurück, bevor es wehtut. Die Sandbox-Simulation lief über die Jahre 2018 bis 2024. Das Ergebnis ist eine Lehre für jeden, der KI und Risiko vermischen will.

Die harten Fakten: PRISM im Stresstest

Die Architektur war alles andere als simpel. PRISM kombinierte zwei schwere Werkzeuge: eine Trend-Isolierung, die Preisreihen in einen klaren Trend und zufällige Rausch-Schwankungen aufspaltet, und einen Transformer (die Architektur hinter ChatGPT), dessen Verwirrtheits-Messwert als Frühwarnsignal dienen sollte — wenn das Modell also in seinen Aufmerksamkeitsgewichten unruhig wird, sollte das ein Zeichen für steigendes Risiko sein.

Die realitätsnahe Simulation endete mit einer durchschnittlichen Risiko-adjustierten Rendite von -3,83. Einzelne Durchläufe erreichten sogar -6,87. Die Risiko-adjustierte Rendite (ein Maß, das den Gewinn ins Verhältnis zum eingegangenen Risiko setzt) ist der Standardwert, um Strategien fair zu vergleichen; ein Wert unter -1 gilt schon als katastrophal. -3,83 ist nicht einfach nur ein schlechter Monat, das ist ein kompletter Strategie-Kollaps.

Warum scheiterte das KI-Modell?

Bei genauerer Analyse zeigten sich drei strukturelle Schwächen:

• Der Verwirrtheits-Messwert ist reaktiv, nicht vorausschauend: Der Transformer misst Unordnung in seinen eigenen Aufmerksamkeitsgewichten. Bis das Modell die erhöhte Unruhe registriert und Positionen schließt, ist der Schadensfall bereits eingetreten. Das Signal hinkt der Dynamik hinterher wie ein Rückspiegel dem Auto.
• Die Asymmetrie des Hebel-Effekts: Wenn Märkte abstürzen, steigen die Schwankungen asymmetrisch an — sie explodieren nach oben, aber nicht symmetrisch nach unten. Die eingepreiste Schwankungserwartung der geschriebenen Puts (also der Preis, den man zurückzahlen müsste) schießt durch die Decke, und die Positionen kippen massiv ins Hintertreffen.
• Die Tücke der zufälligen Rausch-Schwankungen: Der Rausch-Anteil, der nach der Trend-Isolierung übrig bleibt, wies extrem viele seltene Extreme auf — das heißt, ungewöhnlich starke Ausschläge kamen viel häufiger vor, als man erwarten würde. Lineare Schichten können das nicht sauber abbilden.

Fazit für die Praxis

Die ernüchternde Wahrheit: Ein noch so raffiniertes neuronales Netz kann das grundlegende mathematische Risiko von ungesicherten, kurzlaufenden Short-Optionen (Optionen, die am selben Tag verfallen) in Liquiditätskrisen nicht eliminieren. Wer Optionen verkauft und damit das Risiko trägt — also gegen Schwankungen anfällig wird —, ist dem Timing-Risiko schlicht ausgeliefert. KI kann die physikalischen Grenzen des Marktes nicht aushebeln. Das ist keine KI-Schwäche, das ist Mathematik.

Was stattdessen helfen würde

Wenn neuronale Frühwarnung nicht funktioniert, dann nicht deshalb, weil das Modell zu schwach war — sondern weil das Problem falsch formuliert war. Was in der Praxis tatsächlich hilft, sind klassische, langweilige Bausteine, die ihre Schwächen offenlegen statt sie zu verstecken:

• Harte Positionslimits: Statt auf einen Algorithmus zu hoffen, der selbst entscheiden soll, wann er die Position verlässt, setzt man harte Stopps — und nimmt die gelegentlichen Fehlausstiege in Kauf. Besser ein schmerzhafter Stopp als ein stiller Ruin.
• Markt-Filter mit einfacher Statistik: Eine Panik-Index-Schwelle (der bekannte VIX, ein einfacher Index, der die erwartete Markt-Unruhe misst) oder der Vergleich zwischen tatsächlich beobachteten und erwarteten Schwankungen ist nicht glamourös, aber transparent. Man sieht genau, wann er feuert und warum. Das Unruhe-Signal aus dem KI-Modell gibt das nicht her.
• Verzicht auf Optionen, die am selben Tag verfallen, bei Markt-Umschwüngen: Wer kurzlaufende Short-Optionen nur in klar ruhigen Marktphasen schreibt und sie in Übergangsphasen komplett meidet, opfert Ertrag — aber er überlebt die Phasen mit extremen Preisschwankungen.

Die eigentliche Lektion aus PRISM ist nicht „KI funktioniert nicht". Die Lektion ist: Werkzeuge haben einen natürlichen Anwendungsbereich. Eine Transformer-Architektur, die Texte und Bilder beeindruckend verarbeitet, ist nicht automatisch ein Werkzeug für asymmetrische Finanzrisiken. Manchmal ist das einfachere, verständlichere System das überlegene — weil man versteht, wo es versagt, bevor es versagt.