Quantitativer Analyst · KI-Forscher
// Deutschland
Kombiniert finanzielle Disziplin mit KI-gestützten systematischen Strategien, code-basierten Forschungen und maschinellen Lernmodellen für das Investieren der nächsten Generation.
Ich bin ein quantitativer Analyst mit über 6 Jahren Erfahrung in mathematischer Modellierung, Interpretation von Finanzdaten und systematischer Strategieentwicklung. Ich habe einen BBA und umfangreiche Erfahrung im maschinellen Lernen. Ich habe über 80 Forschungsberichte zu Aktien, Makroökonomie und digitalen Anlageklassen für Seeking Alpha verfasst, und meine Analysen wurden auch in MSN Money veröffentlicht.
Meine Arbeit verbindet rigorose quantitative Analyse mit künstlicher Intelligenz. Ich habe 19 systematische Handelsstrategien programmiert und algorithmische Lösungen entwickelt, die bei mehreren institutionellen Kunden im Einsatz sind. Derzeit baue ich QuantAI auf, eine Plattm, die institutionelle Aktienschung mit einer Kombination aus PyTorch-ML-Modellen und LLM-gestützten Analysen automatisiert. Das Ziel ist es, transparente, code-gestützte Forschung auf die Geschwindigkeit von Institutionen zu beschleunigen.
"Overfitting ist, als würde man einen millionenschweren Titankäfig bauen, der perfekt an eine Maus angepasst ist, die letzten Dienstag in Ihren Keller kam. Im Backtest denken Sie, Sie sind ein statistisches Genie, bis ein Waschbär in den Keller kommt. Die besten Geschäftsmodelle versuchen nicht, jedes Detail der every whisker of the past, they are just leaving enough room tomorrow’s surprises."— Yavuz Akbay
Complex mathematical modeling, factor-based equity research, and strategy entwicklung mit strengen Backtesting-Frameworks.
Anwendung von PyTorch- und LLM-Frameworks auf Finanzdaten — von der ML-gesteuerten Aktienauswahl bis zur Automatisierung institutioneller Forschungspipelines.
End-to-End-Entwicklung automatisierter Handelssysteme — von der Strategiekonzeption bis zum Live-Einsatz mit Fokus auf risikobereinigte Renditen.
80+ veröffentlichte Berichte über KI-Infrastruktur, Energie, Halbleiter, REITs und Behavioral Finance — veröffentlicht in MSN Money.
Tiefgreifende Forschung zu Rechenzentrumsökonomie, Halbleiter-Ökosystemen, Energie- infrastruktur und Investitionsthemen rund um KI-„Picks and Shovels“.
Quantitative Analyse von Bitcoin-Marktzyklen, Inhaber-Kohortenanalyse, On-Chain- metrics, and intrinsic valuation models digital assets.
Python-Simulation von Vermögenspreisverläufen mittels GBM — dem mathematischen Rückgrat des Black-Scholes model. Used option pricing, Monte Carlo risk analysis, and portfolio stress testing. 57 stars, 13 ks.
Python implementation of the Heston model option pricing under stochastic Volatilität — erfasst das Volatility Smile, das Black-Scholes übersieht. Inklusive Kalibrierungsroutinen und Berechnung der Griechen.
Mean-reverting stochastic process modeling interest rates, commodities, and pairs trading strategies. Includes parameter estimation, simulation, and validation tools.
Portfolio-Optimierung über HRP — nutzt hierarchisches Clustering und Graphentheorie, um diversifizierte, robuste Portfolios aufzubauen, ohne die Kovarianzmatrix zu invertieren. Ein Machine-Learning- Ansatz zur Allokation.
Offen für Forschungskooperationen, Stellenangebote und Gespräche über quantitative Finanzen, KI und Investitionen.
[email protected]