Das Montrix AI Research Program versteht KI-Trading als gesteuertes Entscheidungssystem: Modelle schätzen, Regeln begrenzen, Ausführung berücksichtigt Kosten, Aufsicht kontrolliert Ausnahmen und jede Entscheidung bleibt rekonstruierbar.
Forschungs- und Implementierungsrahmen
Das Montrix Research Program definiert Architektur, Validierungsstandards und den Implementierungsrahmen für die laufende Weiterentwicklung der Plattform. Die Verfügbarkeit einzelner Funktionen hängt vom aktivierten Produktmodus und der jeweiligen Bereitstellung ab.
Die Arbeiten sind als zusammenhängendes Forschungsprogramm konzipiert. Jede behandelt eine andere Voraussetzung glaubwürdiger KI-Ausführung: Systemstruktur, belastbare Prüfung und die Umwandlung von Modellergebnissen in zulässige Handlungen.
Paper 01
18 Seiten · Mai 2026Architektur
Definiert den Governed AI Execution Stack: eine mehrschichtige Architektur aus probabilistischen Marktstate-Schätzungen, Exposure-Vorschlägen, deterministischen Risikogrenzen, kostenbewusster Ausführung, Aufsicht und Audit.
Auf Zenodo lesenPaper 02
9 Seiten · Juni 2026Evidenzprotokoll
Definiert die Bewertung gesteuerter KI-Agenten über Kalibrierung, Walk-Forward-Tests, Overfitting-Kontrollen, Benchmarks, Ablationen, Stressszenarien, Venue-Ausführung und Aufsichtseingriffe.
Auf Zenodo lesenPaper 03
6 Seiten · Juni 2026Kontrolllogik
Übersetzt die Architektur in implementierungsnahe Logik für Signalzulassung, Exposure-Vorschläge, Risiko-Projektion, Venue-bewusste Ausführung, Aufsichtseskalation und minimale Audit-Datensätze.
Auf Zenodo lesenDie Forschung behauptet nicht, Märkte perfekt vorhersagen zu können. Sie zeigt, dass KI-Trading wissenschaftlich glaubwürdig wird, wenn Modellvorschläge begrenzt, validiert, kostenbewusst, überwacht und auditierbar sind.
/ 01
Prognose- und Policy-Schichten schätzen Zustände und schlagen Exposure vor. Ihr Output ist nicht automatisch ein ausführbarer Trade.
/ 02
Deterministische Gates können Vorschläge ablehnen oder reduzieren, wenn Kosten, Liquidität, Venue-Gesundheit, Drawdown oder Ereignisdruck sie ungeeignet machen.
/ 03
Ein profitables Signal kann nach Gebühren, Slippage, Latenz, Funding und Adverse Selection unprofitabel werden.
/ 04
Trades, abgelehnte Trades, No-Trade-Entscheidungen und Aufsichtseingriffe benötigen ausreichende Datensätze für spätere Prüfung.
Der Rahmen trennt Inferenz, Risiko, Ausführung und Aufsicht, damit jede Schicht unabhängig geprüft und die Gesamtentscheidung rekonstruiert werden kann.
Aktualität, Zeitstempelreihenfolge, Struktur, Latenz, Venue-Gesundheit und Kontostatus prüfen, bevor ein Signal berücksichtigt wird.
Feature- und Signalschichten schätzen Rendite, Richtungswahrscheinlichkeit, Volatilität, Drawdown-Risiko, Ausführungskosten, Liquiditätsstress und Ereignisdruck.
Eine Policy-Schicht schlägt Ziel-Exposure vor, bleibt jedoch von der Ausführungsberechtigung getrennt.
Das Ziel wird durch Leverage, Konzentration, Drawdown, Verlustgrenzen, Liquidität, Funding-Stress, Venue-Limits und Aufsichtszustand begrenzt.
Die Ausführungsschicht wählt Venue und Ordertyp anhand erwarteter Slippage, Latenz, Fill-Wahrscheinlichkeit, Ablehnungsrisiko und Adverse Selection.
Aufsichtsregeln können neues Risiko blockieren, Exposure reduzieren, Freigabe verlangen, Venue wechseln, Module deaktivieren oder Abstimmung erzwingen.
Jede Handlung und Nicht-Handlung dokumentiert relevanten Markt-, Signal-, Policy-, Risiko-, Ausführungs-, Ergebnis- und Aufsichtszustand.
Die Validierungsarbeit trennt Entwicklungsevidenz, Launch-Candidate-Evidenz und External-Audit-Evidenz. Sie prüft, ob attraktive Ergebnisse realistische Kosten, Modellauswahlkontrollen, Stressereignisse und unabhängige Rekonstruktion überstehen.
Der Rahmen behandelt Aufsicht nicht als informellen Eingriff. Wenn sich Bedingungen verschlechtern, können explizite Zustände Exposure begrenzen, Ausführung pausieren, Review verlangen oder Abstimmung erzwingen. Verantwortung bleibt Teil der Trading-Logik.
Modell-Raffinesse zählt, reicht allein aber nicht aus. Glaubwürdigkeit hängt davon ab, wie Prognose, Risiko, Ausführung, Validierung, Aufsicht und Audit zusammenarbeiten.
Anonymisierte Validierungsevidenz kann Aussagen zu Architektur, Governance, Kalibrierung, Stressreaktion und Risikokontrolle stützen. Öffentliche Aussagen zur Anlageperformance erfordern einen höheren Standard: Quell-Order-IDs oder verifizierbare Hashes, Konto- und Verwahrungsunterlagen, Kapitalannahmen, Gebühren- und Funding-Datensätze, Venue-Status-Logs, Benchmark-Definitionen und unabhängig reproduzierbare Berechnungen.
Die Evidenzgrenze ist keine Schwäche. Sie trennt intern validierte Forschung von extern geprüften Aussagen und macht das Forschungsprogramm glaubwürdiger.
Das Ziel ist nicht, ein Modell zu bauen, das jedes Signal handelt. Ziel ist ein Ausführungssystem, das erkennt, wann ein Signal zulässig ist, wann Risiko reduziert werden muss, wann Ausführungsqualität unzureichend ist, wann Aufsicht erforderlich wird und wie jede Entscheidung geprüft werden kann.