Die gleiche Mathematik, die ein Teilchen an zwei Orten gleichzeitig beschreibt, kann auch ein Portfolio an zwei Positionen gleichzeitig beschreiben. Hier erfährst du, wie du die Struktur der Quantenmechanik in einen autonomen Trading-Agenten verwandelst – und, genauso wichtig, wo die Analogie aufhört, real zu sein, und wo sie zum Marketing wird.
1. Warum Quanten, und warum jetzt
Jeder Hedgefonds auf diesem Planeten mahlt dieselben drei Ideen zu Staub: Momentum, Mean-Reversion und eine Spielart von maschinellem Lernen auf Orderflow-Daten. Der Vorteil schrumpft stetig, weil das Marktmodell, das alle teilen, identisch ist – ein klassisches, bei dem ein Preis eine einzelne Zahl ist und die Zukunft ein einziger verrauschter Pfad.
Die Quantenmechanik bietet ein anderes Datenmodell. Ein Quantensystem ist niemals in einem Zustand. Es lebt in einer Superposition aller möglichen Zustände gleichzeitig, jeder mit einer komplexen Wahrscheinlichkeitsamplitude. Das ist zufällig eine bemerkenswert gute Beschreibung eines Marktes bevor du einen Trade platzierst: Das Asset ist gleichzeitig steigend, fallend und seitwärts laufend, jedes Ergebnis mit einer Wahrscheinlichkeit gewichtet, bis deine Order die Realität zwingt, eines auszuwählen.
Hier ist der Teil, den die meisten Beiträge auslassen, also lasst mich das gleich vorwegnehmen. Du brauchst für nichts davon einen physischen Quantencomputer, und das meiste, was folgt, ist nicht buchstäblich quantenmechanisch. Es ist quanteninspiriert: klassische Algorithmen, die die mathematische Struktur der Quantenmechanik ausleihen – Zustandsvektoren, komplexe Amplituden, Hamiltonoperatoren, Annealing, Interferenz – und auf derselben GPU laufen, die du bereits besitzt. Der Wert liegt in der Struktur, nicht in Qubits. Ehrlich zu sein über diesen Unterschied ist das, was ein brauchbares Framework von einem Schlagwort trennt.
Banken und Quant-Shops – darunter Goldman Sachs, JPMorgan, HSBC und Spezialisten wie Multiverse Computing – haben aktiv quanten- und quanteninspirierte Methoden für die Derivatebewertung, Monte-Carlo-Risiko und Portfoliooptimierung erforscht und veröffentlicht. Die Theorie ist öffentlich. Was fast niemand aufgeschrieben hat, ist, wie man sie in einen autonomen Agenten einbindet – ein System, das selbstständig wahrnimmt, entscheidet, ausführt und lernt. Das bauen wir hier.
2. Das Quanten-zu-Markt-Wörterbuch
Bevor wir Code schreiben, brauchst du die Zuordnung. Jedes quantenmechanische Konzept unten hat ein präzises Trading-Analogon. Betrachte diesen Abschnitt als den konzeptionellen Vertrag für alles Folgende.
Wahrscheinlichkeitsamplitude wird zu Überzeugung – aber mit einer Phase. Klassische Wahrscheinlichkeiten sind nur nicht-negative Zahlen. Quantenamplituden sind komplex: jede trägt einen Betrag und einen Phasenwinkel. Die Phase ist die gesamte Verbesserung. Sie ermöglicht, dass zwei bullische Signale destruktiv interferieren und sich aufheben, oder zwei schwache Signale konstruktiv zu einem starken interferieren. Ein klassisches Ensemble, das positive Wahrscheinlichkeiten mittelt, kann das physikalisch nicht – das Beste, was es tun kann, ist zu verdünnen. Die Phase erlaubt es Signalen, sich gegenseitig aktiv zu vetoieren.
Verschränkung wird zu Korrelation, die du nicht faktorisieren kannst. Wenn sich zwei Assets als verbundenes Regime bewegen – denk an eine große Coin und die Memecoins, die auf ihrer Liquidität reiten – kannst du das eine nicht ehrlich beschreiben, ohne das andere. Der Agent codiert dies als einen nicht-separablen Zustand, der die regimeverbundene gemeinsame Bewegung erfasst, die eine statische Korrelationsmatrix tendenziell glättet und unterschätzt, besonders in den Extremen.
Der Hamiltonoperator wird zu deiner Risiko/Rendite-Kostenfunktion. In der Physik codiert der Hamiltonoperator H die Energie eines Systems. Im Trading codierst du dein Ziel – maximiere erwartete Rendite, minimiere Varianz, respektiere Positions- und Budgetlimits – als eine Energielandschaft. Das optimale Portfolio ist dann der Grundzustand: die energieärmste Konfiguration von H. Portfolioaufbau wird zu einem Energieminimierungsproblem, was ein sehr gut untersuchtes Problem ist.
Messung und Kollaps werden zur Ausführung. In dem Moment, in dem du eine Order sendest, kollabiert die Superposition zu einem realisierten Ergebnis. Die eigentliche Aufgabe des Agenten ist es, zu wählen, wann und was gemessen wird, damit der Kollaps tendenziell auf einer profitablen Konfiguration landet. Es gibt sogar ein eingebautes Risikoprinzip analog zur Heisenbergschen Unschärferelation: Du kannst nicht gleichzeitig den genauen Preis einer Position und ihren genauen Impuls mit unbegrenzter Genauigkeit bestimmen. Mehr Sicherheit bei der einen kostet dich Sicherheit bei der anderen. Das ist eine Analogie, kein Gesetz der Finanzwelt – aber es ist eine nützliche, und später wird daraus eine konkrete Positionsgrößenregel.
3. Die Architektur eines Quanten-Trading-Agenten
Der Agent ist eine geschlossene Schleife von sechs Modulen. Das Architekturdiagramm, das diesem Beitrag beigefügt ist, zeigt den vollständigen Zyklus; hier ist, was jede Stufe tut.
1. Wahrnehmung. Rohdaten vom Markt aufnehmen – Orderbuch, OHLCV, Finanzierungsraten, On-Chain-Flüsse. Normalisiere sie zu einem Merkmalsvektor x. Das ist gewöhnliche Quant-Infrastruktur; noch nichts Quantenmechanisches.
3. Hamiltonoperator-Konstruktor. Übersetze dein Risiko/Rendite-Ziel plus Nebenbedingungen in einen QUBO / Ising-Hamiltonoperator H. Hier werden Budgetlimits, Risikoaversion und erwartete Renditen in eine Energielandschaft eingebaut.
4. Quanteninspirierter Löser. Finde den Grundzustand von H – die optimale Asset-Auswahl – mittels simuliertem Annealing, einer QAOA-Schaltung auf einem Simulator oder einem Tensor-Netzwerk-Löser. Dieses Modul ist dein Portfolio-Optimierer, und es ist bewusst austauschbar.
5. Entscheidung durch Messung. Kollabiere den Zustand in konkrete Positionen und Größen, mit der Heisenberg-artigen Regel, die das Exposure schrumpft, wenn die Unsicherheit hoch ist.
6. Ausführung und Feedback. Leite die Orders weiter, beobachte den realisierten P&L und aktualisiere die Amplituden. Das gemessene Ergebnis wird zur morgigen A-priori-Verteilung – eine Verstärkungsschleife, die dem Agenten erlaubt, sich anzupassen, anstatt eine eingefrorene Strategie zu fahren.
4. Code: Den Markt als Quantenzustand codieren
Wir werden numpy für die Zustandsmathematik verwenden und uns an qiskit / pennylane-Konventionen für die quanteninspirierten Teile orientieren. Nichts hier braucht echte Quantenhardware – es läuft auf einem Laptop.
Interferenz ist der springende Punkt, daher muss die Codierung es Signalen erlauben, sich als komplexe Zahlen zu addieren, bevor du Wahrscheinlichkeiten nimmst. Jedes Alpha-Modell trägt eine komplexe Amplitude bei – Betrag gleich Überzeugung, Phase gleich Timing oder Regime-Ausrichtung – zu jedem Marktszenario. Du summierst die Beiträge über die Modelle und wendest erst dann die Bornsche Regel an.
1import numpy as np23def combine_signals(contributions: np.ndarray) -> np.ndarray:4 """5 contributions: complex matrix of shape [n_signals, n_scenarios].6 |value| = a model's conviction for a scenario,7 angle = its phase (timing / regime alignment).8 returns: normalized state |psi> over the scenarios.9 """10 amplitudes = contributions.sum(axis=0) # signals INTERFERE here11 return amplitudes / np.linalg.norm(amplitudes)1213# Scenarios: [up, down, chop, breakout]14# Two momentum models both lean 'up' -- but they are out of phase, so they partly cancel.15signal_A = np.array([0.7+0j, 0.1+0j, 0.2+0j, 0.3+0j]) # bullish, phase 016signal_B = np.array([0.6*np.exp(1j*2.7), 0.15, 0.2, 0.25]) # bullish but ~anti-phase1718psi = combine_signals(np.vstack([signal_A, signal_B]))1920# Probability of each scenario = |amplitude|^2 (the Born rule)21probs = np.abs(psi) ** 222print(probs.round(3)) # -> [0.147 0.102 0.26 0.491]
Die Schlüsselzeile ist die Bornsche Regel: Wahrscheinlichkeit ist das Quadrat des Betrags der Amplitude. Da die beiden bullischen Signale als komplexe Zahlen vor dem Quadrieren summiert werden, heben sich ihre gegenphasigen Komponenten auf, und das überfüllte "up"-Szenario wird von einer naiven 0,76 auf 0,147 unterdrückt. Der Agent blendet automatisch eine überkorrelierte Konsenswette aus. Das ist der konkrete, messbare Unterschied zwischen diesem und einem einfachen Wahrscheinlichkeitsmittelungs-Ensemble, und das Interferenzdiagramm, das diesem Beitrag beigefügt ist, zeigt dieselben Zahlen nebeneinander.
5. Der schwierige Teil, den dir niemand zeigt: Woher kommt die Phase?
Jeder Beitrag, der dir "Quanten-Trading" verkauft, codiert die Phasen stillschweigend fest und hofft, dass du es nicht bemerkst. Im obigen Ausschnitt habe ich np.exp(1j\2.7) von Hand geschrieben. In einem echten System ist die Erfindung der Phase das gesamte Forschungsproblem*, und so zu tun, als ob nicht, ist der schnellste Weg, dich selbst zu täuschen.
Behandle die Phase also als erstklassiges Modellierungsziel, nicht als Dekoration. Einige fundierte Wege, sie abzuleiten, anstatt zu raten:
Timing / Zyklusphase. Führe jedes Signal durch eine Hilbert-Transformation oder eine Wavelet-Zerlegung und lies die momentane Phase des dominanten Zyklus ab. Zwei Momentum-Modelle, die in die gleiche Richtung feuern, aber auf unterschiedlichen Zyklusphasen, sollten sich tatsächlich teilweise aufheben – das ist genau die Überfüllung, die du erkennen willst.
Lead-Lag-Phase. Schätze die Kreuzkorrelationsverzögerung zwischen einem Signal und den zukünftigen Renditen. Wandle diese Verzögerung in einen Winkel um. Signale, die dem Preis voraus sind, erhalten eine Phase; Nachzügler, die eigentlich nur hinterherrennen, erhalten eine andere, so dass sie destruktiv mit den Führern interferieren, anstatt doppelt gezählt zu werden.
Regimephase. Bilde einen Regime-Klassifikator (Trend vs. Range, hohe vs. niedrige Volatilität) auf einen Winkel ab, so dass sich der Beitrag eines Signals mit dem Regime dreht. Ein Breakout-Modell und ein Mean-Reversion-Modell sitzen dann natürlich nahe entgegengesetzter Phasen.
Die Disziplin ist einfach: Wenn du nicht erklären kannst, warum ein Signal die Phase hat, die es hat, darfst du die Phase nicht verwenden. Falle auf Phase 0 für alles zurück, und du bist wieder bei einem klassischen Ensemble – was in Ordnung und ehrlich ist. Phase ist gerade deshalb mächtig, weil sie schwer zu erlangen ist.
6. Code: Das Portfolio als Grundzustandssuche
Portfolioauswahl unter Nebenbedingungen ist kombinatorische Optimierung – wähle die beste Teilmenge von Assets unter Berücksichtigung eines Budgets und Risikogrenzen. Das ist genau die Art von Problem, für das Annealing entwickelt wurde. Wir codieren "welche Assets zu halten" als ein QUBO (Quadratic Unconstrained Binary Optimization), das klassische Gegenstück zu einem Ising-Hamiltonoperator.
1import numpy as np23def build_portfolio_hamiltonian(expected_returns, cov, risk_aversion=1.0,4 budget=3, penalty=5.0):5 """6 Build a QUBO matrix Q so that minimizing x^T Q x (x in {0,1}^n)7 picks the best 'budget' assets: maximize return, minimize risk,8 and softly penalize breaking the budget constraint.9 """10 n = len(expected_returns)11 Q = np.zeros((n, n))1213 # return (negated, since we minimize) plus a risk term from the covariance14 for i in range(n):15 Q[i, i] += -expected_returns[i] + risk_aversion * cov[i, i]16 for j in range(i + 1, n):17 Q[i, j] += 2 * risk_aversion * cov[i, j]1819 # budget constraint (sum x_i - budget)^2 as a soft penalty20 for i in range(n):21 Q[i, i] += penalty * (1 - 2 * budget)22 for j in range(i + 1, n):23 Q[i, j] += 2 * penalty24 return Q2526def simulated_anneal(Q, steps=20000, T0=5.0):27 """Quantum-inspired annealing: slowly cool the system into its ground state."""28 n = Q.shape[0]29 x = np.random.randint(0, 2, n)30 def energy(x): return x @ Q @ x31 e = energy(x)32 for t in range(steps):33 T = T0 * (1 - t / steps) # linear temperature schedule34 i = np.random.randint(n)35 x_new = x.copy(); x_new[i] ^= 1 # flip one asset in/out36 e_new = energy(x_new)37 # accept improvements always, and worse moves sometimes (that is how it escapes local minima)38 if e_new < e or np.random.rand() < np.exp(-(e_new - e) / max(T, 1e-9)):39 x, e = x_new, e_new40 return x, e4142returns = np.array([0.12, 0.09, 0.15, 0.04, 0.11])43cov = np.array([44 [0.10, 0.02, 0.01, 0.00, 0.03],45 [0.02, 0.08, 0.02, 0.01, 0.01],46 [0.01, 0.02, 0.18, 0.00, 0.02],47 [0.00, 0.01, 0.00, 0.03, 0.00],48 [0.03, 0.01, 0.02, 0.00, 0.09],49])50Q = build_portfolio_hamiltonian(returns, cov, risk_aversion=2.0, budget=2)51selection, ground_energy = simulated_anneal(Q)52print("Hold assets:", np.where(selection == 1)[0], "| energy:", round(ground_energy, 3))
Eine ehrliche Anmerkung zum Maßstab. Bei fünf Assets brauchst du kein Annealing – du könntest alle 32 Kombinationen brute-forcen. Annealing verdient seinen Platz bei hunderten von Assets mit harten Nebenbedingungen, wo der Suchraum explodiert und exakte Löser versagen. Der Grund, es so auf kleinem Maßstab zu schreiben, ist, dass sich die Schnittstelle nie ändert: Ersetze simulated_anneal durch ein echtes Backend – D-Waves Annealer, eine QAOA-Schaltung auf einem Qiskit-Simulator oder einen Tensor-Netzwerk-Löser der Art, die Multiverse ausliefert – und nichts anderes im Agenten bewegt sich. Der Löser ist ein Steckmodul.
7. Code: Die Agentenschleife (Wahrnehmung bis Kollaps bis Ausführung)
Jetzt verbinden wir alles. Das ist das Skelett eines autonomen Agenten – dieselbe Wahrnehmen/Entscheiden/Handeln-Kontrollschleife, die ein LLM-Agent verwendet, aber mit einem quantenartigen Zustand als Weltmodell anstelle von Text.
1class QuantumTradingAgent:2 def __init__(self, universe, risk_aversion=2.0, budget=2, gross_leverage=1.0):3 self.universe = universe4 self.risk_aversion = risk_aversion5 self.budget = budget6 self.gross_leverage = gross_leverage7 self.memory = [] # feedback / RL buffer89 def perceive(self, market):10 contributions = self.model_conviction(market) # your alpha models -> complex matrix11 return combine_signals(contributions) # -> state |psi> over scenarios1213 def deliberate(self, market):14 Q = build_portfolio_hamiltonian(15 market["expected_returns"], market["cov"],16 self.risk_aversion, self.budget)17 selection, _ = simulated_anneal(Q)18 return selection1920 def measure(self, psi, selection, market):21 """22 Collapse into orders. Two things happen here:23 1) a GLOBAL conviction gate from the scenario state (directional + Heisenberg vol shrink)24 2) a PER-ASSET weight so the chosen assets are sized by their own expected return25 """26 scenario_probs = np.abs(psi) ** 227 directional = scenario_probs[0] + scenario_probs[3] # P(up) + P(breakout)28 vol = market["volatility"]29 gate = directional / (1.0 + self.risk_aversion * vol) # shrink in high vol / low conviction3031 idx = np.where(selection == 1)[0]32 if len(idx) == 0:33 return {}34 edge = np.clip(market["expected_returns"][idx], 0, None) # only long positive-edge names35 weights = edge / edge.sum() if edge.sum() > 0 else np.ones(len(idx)) / len(idx)3637 sizes = self.gross_leverage * gate * weights38 return {int(a): round(float(s), 4) for a, s in zip(idx, sizes)}3940 def act(self, market):41 psi = self.perceive(market)42 selection = self.deliberate(market)43 orders = self.measure(psi, selection, market)44 # execute(orders) <- route to exchange / broker here45 self.memory.append((market, orders))46 return orders
Schau genau auf measure(), denn die frühere naive Version hatte einen echten Fehler: Sie wendete eine identische Größe auf jedes ausgewählte Asset an, ignorierte dabei, wie gut jedes einzelne tatsächlich war. Diese Version behebt das mit zwei Stufen. Ein globales Gate liest den Szenariozustand – die Richtungsüberzeugung, also P(up) + P(breakout), geteilt durch einen Volatilitätsterm. Diese Division ist die Heisenberg-artige Regel, die Risikomanagement betreibt: Je mehr der Markt einer präzisen Preisbildung widersteht, also höhere Volatilität, desto geringer das gesamte Engagement des Agenten. Dann verteilt eine asset-spezifische Gewichtung dieses Budget auf die ausgewählten Namen proportional zu ihrem eigenen erwarteten Vorteil und weigert sich, etwas mit negativer erwarteter Rendite zu longen. Die Überzeugung legt fest, wie viel du wettest; der asset-spezifische Vorteil legt fest, wohin es geht.
8. Der Wall-Street-Realitätscheck
Wo verdient das tatsächlich Geld, und wo ist es eine schöne Demo? Hier konkret zu sein, macht den Rest glaubwürdig.
Echter Vorteil heute, auf klassischer Hardware:
Portfoliooptimierung im großen Maßstab. Mit Hunderten von Assets und harten Nebenbedingungen handhaben Annealer und Tensor-Netzwerk-Methoden die Kombinatorik und die Nebenbedingungen eleganter als naive Mean-Variance-Löser, und oft schneller. Das ist die ausgereifteste, am wenigsten hype-anfällige Anwendung.
Risikoschätzung mittels Quanten-Amplitudenschätzung. Theoretisch bietet dies eine quadratische Beschleunigung gegenüber klassischem Monte Carlo für VaR und CVaR. Es bleibt eine der am aktivsten erforschten Richtungen bei großen Banken, weil Risikoläufe teuer sind und ständig durchgeführt werden. Beachte den Vorbehalt: Die angepriesene Beschleunigung ist ein theoretisches asymptotisches Ergebnis, und die heutige Hardware realisiert es noch nicht im Produktionsmaßstab.
Signalkombination mittels Interferenz. Die Modellierung von Überzeugung mit einer Phase, so dass überfüllte, überkorrelierte Trades sich aufheben, ist eine wirklich nützliche Neuformulierung, und sie funktioniert heute auf deiner vorhandenen GPU. Es ist die praktisch unmittelbarste Idee in diesem Artikel – vorausgesetzt, du löst das Phasenproblem aus Abschnitt 5 ehrlich.
Noch überwiegend Forschung:
End-to-End-Derivatebewertung auf echter Quantenhardware. Prinzipiell vielversprechend, aber Rauschen und Qubit-Anzahl begrenzen es heute.
"Quanten-ML"-Preisvorhersage. Stark überbewertet. Die Kosten für das Laden klassischer Marktdaten in einen Quantenzustand fressen normalerweise jede Beschleunigung, die du zu gewinnen hofftest. Sei sehr skeptisch gegenüber jedem, der das verkauft.
Das ehrliche Fazit: Der quanteninspirierte Agent ist jetzt baubar und backtestbar, weil jedes Modul auf klassischer Hardware läuft. Du erfasst die strukturellen Ideen – eine Superposition von Hypothesen, destruktive Interferenz gegen Überfüllung, Hamiltonoperator-basierte Optimierung – ohne auf fehlertolerante Quantencomputer zu warten. Wenn die Hardware reift, tauschst du Modul 4 aus und behältst den Rest.
9. Was das in der Produktion tatsächlich killen wird
Jede Strategie sieht glänzend aus, bis sie auf den Markt trifft. Bevor du einen Dollar riskierst, verinnerliche die vier Dinge, die quanteninspirierte Agenten gezielt zerstören.
Transaktionskosten und Slippage. Die Interferenzschicht mischt die Überzeugung jedes Mal neu, wenn neue Daten eintreffen, was den Agenten dazu verleitet, sein Buch umzuschichten. Gebühren und Slippage ist es egal, wie elegant dein Zustandsvektor ist. Füge eine Umschlagstrafe direkt in den Hamiltonoperator ein und führe es erneut aus – viele "Vorteile" verdampfen, sobald realistische Kosten berechnet werden.
Überanpassung der Phasen. Die Phase gibt dir eine ganze Reihe zusätzlicher freier Parameter, und freie Parameter sind der Grund, warum Backtests lügen. Es ist trivial einfach, Phasen so zu tunen, dass das letzte Jahr Geld druckt und das nächste Jahr blutet. Lege die Phasenregeln aus der Theorie fest (Abschnitt 5), bevor du dir die Renditen ansiehst, und lasse niemals zu, dass der Backtest sie für dich auswählt.
Daten-Snooping über die Schleife hinweg. Da dies eine geschlossene Rückkopplungsschleife ist, potenziert sich das Leck. Wenn dein Überzeugungsmodell, deine Kovarianzschätzung oder deine Regimelabels nur geringfügig in die Zukunft schauen, erbt der gesamte Agent die Lüge. Teste die gesamte Schleife walk-forward, nicht nur das Signal isoliert.
Regime-Anfälligkeit der Kovarianz. Das QUBO stützt sich auf eine Kovarianzmatrix, und Kovarianzen explodieren genau dann, wenn du sie brauchst – bei einem Crash laufen die Korrelationen gegen eins. Stressteste die Grundzustandsauswahl unter einer geschockten Kovarianz, nicht nur unter der eines ruhigen Marktes, sonst wird dir der Optimierer fröhlich ein Portfolio ausgeben, das nur auf dem Papier diversifiziert ist.
10. Deine Baucheckliste
Wenn du das tatsächlich ausliefern willst, hier ist die Reihenfolge der Arbeiten.
Beginne mit dem quanteninspirierten Löser – einfaches numpy plus simuliertes Annealing. Keine Hardware, keine Konten, keine Abhängigkeiten.
Ersetze die handgetunten Amplituden durch ein gelerntes Überzeugungsmodell, das combine_signals füttert, und leite die Phasen aus der Theorie ab, anstatt sie anzupassen.
Backteste die gesamte Schleife, mit Kosten, nicht nur das Signal. Berechne realistische Gebühren und Slippage, füge eine Umschlagstrafe hinzu und führe es walk-forward durch. Die Interferenz- und Sizing-Logik ist der Ort, an dem sich sowohl der Vorteil als auch die Selbsttäuschung verstecken.
Erst nachdem sich die Abstraktion in der Simulation bezahlt gemacht hat, solltest du zu einem echten Backend greifen – zuerst Qiskit- oder PennyLane-Simulator, dann D-Wave, dann Hardware. Das Austauschen von Modul 4 ist konstruktionsbedingt eine Einzeiler-Änderung.
Der Markt war schon immer eine Wahrscheinlichkeitswelle. Fast alle handeln ihn immer noch wie eine einzelne Zahl – und die Lücke zwischen diesen beiden Sichtweisen ist die gesamte Chance.
Wenn das deine Denkweise über Märkte neu verdrahtet hat, reposte den Anfang und folge mir. Das vollständige Open-Source-Agenten-Repository kommt als nächstes. ⚛️
Haftungsausschluss. Keine Finanzberatung und kein Versprechen von Renditen. Quanteninspiriert bedeutet nicht quantengarantiert – das meiste, was das hier zum Funktionieren bringt, ist disziplinierte klassische Modellierung im Quantenmantel. Backteste alles mit echten Kosten; der Markt lässt deine Wellenfunktion kollabieren, ob du bereit bist oder nicht.
