Ist euch auch aufgefallen? Die neuen Reichen dieser Runde des Vermögens, wie Liang Wenfeng und JEFF YAN, sind mit Anfang 30 bereits in die Liga der Milliardäre aufgestiegen!
Viele Freunde aus den 80ern sagen, dass das Geld diesmal leichter zu verdienen sei, weil sie von den Dividenden von KI und Internet profitiert haben.
Genauer gesagt haben sie alle eines gemeinsam – sie verfügen über die Fähigkeit und das Bewusstsein für „Algorithmic Trading“!
Zum Beispiel Liang Wenfeng: Bevor er DeepSeek machte, war er 8 Jahre im Quantitative Trading tätig.
Jeff Yan machte vor Hyperliquid bei HRT Aktien-Algorithmus-Handel.
Die Branchen wirken auf den ersten Blick völlig unverbunden. Aber wenn man die Denkweise dieser Leute auseinander nimmt, merkt man: Das Quantitative Trading hat ihnen vier Dinge gegeben, die man im normalen Berufsleben kaum trainieren kann.
Das Erste: Eine Strategie mit einem System ausführen, statt mit „Gefühl“
Liang Wenfeng sagte einmal: „Quantitative Trading ist kein Glücksspiel, sondern ein Kampf gegen die menschliche Natur mit Wahrscheinlichkeiten.“
Und noch ein härterer Satz: „Menschliche Gier und Angst in die Eingaben und Ausgaben eines Algorithmus verwandeln.“
Der Alltag eines Quant-Traders ist nicht „Ich glaube, es steigt“, sondern: Wie oft ist dieses Signal historisch aufgetreten? Wie hoch ist die Trefferquote? Wie ist das Gewinn-Verlust-Verhältnis?
Wie groß ist der maximale Drawdown? Erst Regeln schreiben, dann ausführen. Erst das System bauen, dann wetten.
Nachdem Jeff Yan HRT verlassen hatte, ging er nach Puerto Rico, startete mit 10.000 US-Dollar, arbeitete 14 Stunden am Tag und begann mit Python-Skripten, damit das Programm rund um die Uhr automatisch handeln konnte.
Er hat den Durchbruch nicht durch ein „Gefühl für den Markt“ geschafft, sondern durch ein System, das sich immer wieder ausführen lässt.
Das Zweite: Emotionen aus der Entscheidung „herausziehen“
Im psychologischen Profil von Liang Wenfeng steht ein Satz, der sehr treffend ist: „Extrem starke Objektivität, emotionsfreies Trading.
Fast völlig subjektive Gefühle aufgeben; Marktanstiege und -rückgänge, öffentliche Aufregung – urteilen mit Daten und Modellen.“
Auch bei Huanfang gab es einmal einen starken monatlichen Drawdown, aber er akzeptierte „unvermeidliche Verluste in einer Welt der Wahrscheinlichkeiten“ und konzentrierte sich darauf, den maximalen Drawdown zu kontrollieren, statt das gesamte Framework wegen kurzfristiger Performance zusammenbrechen zu lassen.
Die erste Reaktion normaler Leute nach einem Verlust ist: „Ich muss es zurückholen.“ Die erste Reaktion von Menschen mit Quant-Hintergrund ist: Ist das Signal ausgefallen, oder läuft das System innerhalb des normalen Belastungsbereichs?
Emotionen gelangen nicht in den Entscheidungszyklus – das ist Muskelgedächtnis.
Das Dritte: Alles verbinden – grundlegende Fähigkeiten können den Tisch wechseln
Liang Wenfeng brachte das, was er bei Huanfang trainiert hatte, in DeepSeek ein: die Ingenieursfähigkeit, ein eigenes Supercomputing-Cluster aufzubauen; die Modellierungsintuition, riesige Datenmengen mit Machine Learning zu verarbeiten; und das extreme Streben nach Auslastung der Rechenleistung.
Er nannte das „quantitative Engineering-Fähigkeiten auf das Training großer Modelle übertragen“.
Jeff Yan ist genauso. Das Algorithmus-Trading-Training bei HRT gab ihm ein fast instinktives Verständnis für die Mikrostruktur des Marktes; später bei Hyperliquid für Perpetual Contracts und On-Chain-Matching beruhte alles auf derselben Fähigkeit: In einer hoch unsicheren Umgebung ein Regelwerk zu entwerfen, das stabil funktioniert.
Das Vierte: Klare Grenzen – „Was man nicht tut“ ist wichtiger als „Was man tut“
Menschen mit Quant-Hintergrund haben für „Grenzen“ einen fast obsessiven Respekt.
Ein CQF-Zertifizierter und Leiter des Quant-Geschäfts bei Guojin Securities sagte einmal sehr treffend: „Wirklich wertvoll sind immer jene Menschen, die den Markt verstehen, Risiken managen und ihre Modellgrenzen klar kennen.“
Im Kern des quantitativen Denkens geht es nicht darum, „alles tun zu können“, sondern zuerst einen Kreis zu ziehen, innerhalb des Kreises zu wetten und den Kreis von außen nicht anzurühren.
Je klarer die Grenzen, desto weniger leicht bricht das System zusammen.
Die wichtigste Lektion für normale Leute ist nicht, Quant zu werden. Die Hürde ist extrem hoch, und die meisten werden diesen Weg nicht gehen können.
Aber du kannst diese vier Dinge auf dich selbst übertragen:
Schreibe vor der Entscheidung zuerst die Regeln auf, statt zuerst den Emotionen zu folgen.
Ersetze „War mein Gefühl diesmal richtig?“ durch „Läuft mein System gerade normal?“
Noch ein ehrliches Wort zum Schluss: Wenn du kein System von Grund auf neu aufbauen willst und Binance AI gut nutzt, gibt es am Markt eine Klasse von technischen Dienstleistern, die sich auf technische Parameterdienste für Bots spezialisiert hat – die Parameter transparent machen, die Grenzen klar ziehen; das Kooperationsmodell ist meist ein sehr niedriger Einstiegspreis im Vorfeld und eine erfolgsabhängige Beteiligung im Backend, ohne Renditeversprechen, nur Verantwortung für die Parameter.
Ich mache seit Langem solche technischen Parameterdienste für Bots, und am meisten fürchte ich Kunden, die gleich zu Beginn fragen: „Wie viel kann man verdienen?“
Unsere Regel als technischer Dienstleister ist im Gegenteil: Erst sehen, ob du den maximalen Drawdown akzeptieren kannst, dann, ob die Parameter transparent sind, und erst danach sprechen wir darüber, wie das Backend aufgeteilt wird.
Wer die Auswahlkriterien kennenlernen will, kann in den Kommentaren „Parameter“ schreiben; ich schicke dir dann eine Checkliste für die Anbindung, die keine Renditeversprechen berücksichtigt, sondern nur auf klare Grenzen achtet.