alpha50: Die Mathematik hinter dem Schwarm

Copy-Trading verkauft eine Fantasie: Man findet das eine Genie, spiegelt sein Wallet und wird reich. In Wirklichkeit ist ein einzelnes Wallet eine einzige Stichprobe. Auf einem einzigen Pfad lässt sich Können nicht von Glück unterscheiden, und an dem Tag, an dem dein Genie abraucht, rauchst du mit ihm ab. Du erbst seinen Tilt, seinen börsenspezifischen Edge, seinen Rache-Trade um drei Uhr nachts — alles davon, in voller Größe.

alpha50 setzt am entgegengesetzten Punkt an. Die Portfoliotheorie kennt ein über ein halbes Jahrhundert altes Resultat, das aus vielen unvollkommenen Signalen ein gutes macht. Ray Dalios Bridgewater nannte es den Heiligen Gral des Investierens. Auf Copy-Trading hat es kaum jemand angewandt — schlicht weil kaum jemand einen sauberen, verifizierbaren Echtzeit-Feed fähiger Trader hatte, auf den er es hätte anwenden können. On-chain-Perps haben das geändert.

Dieser Text ist die Mathematik dahinter, von vorne bis hinten: warum Diversifikation der einzige Free Lunch an den Märkten ist, warum eine handverlesene Menge von Tradern der ideale Ort ist, ihn auszugeben, und wie man aus fünfzig Live-Überzeugungssignalen eine einzige, risikogesteuerte Position macht.

Die These in einem Satz: Der Edge von alpha50 ist statistisch, nicht prognostisch. Das Modell sagt keine Kurse voraus. Es erntet die Varianzreduktion eines Ensembles von Signalen, die zwar fähig, aber verrauscht sind — und das ganze Spiel entscheidet sich an ihrer Korrelation.

1. Der Heilige Gral des Investierens

Dalios Einsicht ist täuschend einfach. Man nehme Ertragsströme, die jeweils eine positive erwartete Rendite und ungefähr vergleichbares Risiko haben. Fügt man nun Ströme hinzu, die nicht miteinander korreliert sind, bleibt die Rendite des Portfolios gleich, während das Risiko sinkt — und zwar schnell. Stapelt man fünfzehn wirklich unkorrelierte Ströme, lässt sich die Volatilität um rund 80% senken, ohne auch nur einen Basispunkt erwarteter Rendite herzugeben.

Der Mechanismus ist nichts weiter als die Art, wie sich Varianzen addieren. Für $N$ gleichgewichtete Ströme mit jeweils der Volatilität $\sigma$ und einer durchschnittlichen paarweisen Korrelation $\rho$ beträgt das Risiko des Portfolios:

Aus dieser Wurzel folgen zwei Dinge — und die sind die ganze Geschichte.

Mehr Ströme, weniger Risiko — doch jede Kurve läuft flach auf einen Boden von σ·√ρ zu. Bei ρ = 0,25 kommt man unter rund 50% des Risikos eines einzelnen Stroms nicht, ganz gleich wie viele man hinzufügt.

Erstens: Liegt ρ nahe null, zerfällt das Risiko wie 1/√N — die klassische Diversifikationskurve, die gegen null stürzt. Zweitens, und das wiegt schwerer: Wächst N, geht das Portfoliorisiko eben nicht gegen null. Es konvergiert gegen einen Boden von σ·√ρ. Nicht die Anzahl setzt diesen Boden, sondern die Korrelation. Fünfzig Ströme bei ρ = 0,25 sind kein Deut sicherer als zehn bei ρ = 0,25. Diversifikation ist durch die Korrelation begrenzt, Punkt. Diesen Gedanken bitte festhalten — er bestimmt alles daran, wie die Kohorte gebaut wird.

2. Trader sind Ertragsströme — und bessere als Anlageklassen

Dalio diversifizierte über Anlageklassen hinweg. Das ist schwierig, denn es gibt nur eine begrenzte Zahl davon, und ausgerechnet dann, wenn es darauf ankommt, laufen sie im Gleichschritt. Ein fähiger Trader ist ein weit besserer Baustein. Jeder von ihnen ist eine Strategie — ein lebendiger, anpassungsfähiger Ertragsstrom mit positiver erwarteter Drift, der bereits eine ganze Reihe von Out-of-Sample-Realität überstanden hat: echte Fills, echte Drawdowns, echtes gezahltes Funding.

Und on-chain ist das Universum riesig. Von den rund 13.000 Wallets, die wir auf Hyperliquid indexieren, kommen ein paar hundert durch strenge Skill-Filter. Genau dieser Überschuss ist der Luxus, der den Heiligen Gral funktionieren lässt: Wir müssen nicht nehmen, wer gerade da ist, wie es ein Asset-Allocator muss. Wir können gezielt auf Dekorrelation selektieren. Ein Momentum-Scalper auf den Majors, ein Mean-Reversion-Desk auf Mid-Caps, ein Swing-Trader auf Aktienindizes über HIP-3, ein Funding-Carry-Spezialist — das sind verschiedene Wetten, nicht bloß Geschmacksrichtungen desselben Beta. Das ist der Rohstoff, nach dem die Mathematik verlangt.

Wir diversifizieren Alpha, wir stapeln nicht Beta. Diese Unterscheidung ist überhaupt erst der Grund, warum das Ganze funktioniert.

3. Von der Risikoreduktion zur Sharpe-Verstärkung

Man drehe dieselbe Gleichung einfach um. Wenn jedes Mitglied Können mitbringt — einen Sharpe pro Trade von S —, dann ergibt die Aggregation von N Mitgliedern mit durchschnittlicher Korrelation ρ einen Portfolio-Sharpe von:

$A(N,\rho )$ ist das gesamte Wertversprechen, verdichtet auf eine einzige Zahl: um welchen Faktor die risikoadjustierte Rendite des Schwarms die des durchschnittlichen Mitglieds schlägt. Das ist die entscheidende Grafik.

Bei ρ = 0 beträgt der Faktor √N — rund 7× bei fünfzig Wallets. Bei realistischer Korrelation liegt er deutlich niedriger, aber immer noch klar über 1.

Rechnen wir es ehrlich durch. Perfekte Unabhängigkeit (ρ = 0) ergibt √50 ≈ 7,1× — aber das ist Wunschdenken, denn fähige Trader teilen sich nun einmal ein gewisses Exposure zum selben Markt. Bei einer realistischen Durchschnittskorrelation von ρ ≈ 0,2 liegt der Faktor immer noch bei etwa 2,1×. Aus einer Kohorte von Tradern, die einzeln nur mittelmäßig sind und jeweils bei Sharpe 1,0 liegen, wird ein Buch mit Sharpe 2. Das ist der Unterschied zwischen einer Strategie, der niemand Kapital gibt, und einer, um deren Zugang sich ein Desk reißt.

4. Den Schwarm zu bauen ist ein Dekorrelationsproblem, kein Leaderboard

Genau hier scheitern die meisten Produkte nach dem Motto „Kopiere die Top-Trader" — leise, ohne dass es jemand merkt — und genau hier erzwingt die Mathematik ein Design, das alles andere als naheliegend ist.

Der naive Reflex: alle infrage kommenden Wallets nach Sharpe sortieren und die besten fünfzig nehmen. Das ist falsch. Sind diese fünfzig allesamt Momentum-Trader, die auf denselben Majors reiten, liegt ihr ρ bei 0,7 und die Verstärkung bei ~1,2× — man hat eine teure, gehebelte Version eines einzigen Traders gebaut. Ein Ranking maximiert die individuelle Qualität und ignoriert dabei die einzige Größe, die das Ergebnis tatsächlich bestimmt.

Das richtige Ziel ist die effektive Zahl unabhängiger Wetten:

Fünfzig Wallets bei ρ = 0,25 sind weniger als vier unabhängige Wetten wert. Die Auswahl muss um Dekorrelation kämpfen, nicht um die schiere Zahl der Mitglieder.

Fünfzig Wallets bei ρ = 0,25 liefern weniger als vier effektive Wetten. Der Aufbau der Kohorte ist damit ein Problem der Portfoliooptimierung: Man maximiert N_eff unter einer Skill-Untergrenze — nicht den durchschnittlichen Skill. In der Praxis heißt das, die Kandidaten anhand der Korrelation ihrer Ertragsströme und ihres Instrumenten-Exposures zu Strategie-Archetypen zu clustern und dann aus jedem Cluster den besten Überlebenden zu ziehen — man opfert bewusst ein wenig individuellen Sharpe für ein großes Plus an Unabhängigkeit. Ein Wallet, das nur der achtbeste Momentum-Trader ist, dafür aber der einzige Funding-Carry-Spezialist, ist für den Schwarm mehr wert als der drittbeste Momentum-Trader.

Zwei weitere Quant-Disziplinen gehören hierher, weil eine reine Auswahl overfittet:

• Shrinkage. Der gemessene Sharpe eines Wallets ist eine Schätzung — und ausgerechnet die höchsten Sharpe-Werte sind am stärksten durch Glück aufgebläht (der Winner's Curse). Man zieht den Sharpe jedes Mitglieds in Richtung des Kohortenmittels — ein James–Stein- bzw. Empirical-Bayes-Zug, dessen Stärke davon abhängt, wie wenige Trades die Schätzung tragen. Für eine bloße Glückssträhne zahlt man dann nicht länger das volle Gewicht.
• Auch die Korrelation ist nur geschätzt — und sie ist nicht stationär. Man verwendet einen geschrumpften Kovarianzschätzer (Ledoit–Wolf), damit die Auswahl keiner Scheindekorrelation hinterherjagt, die nächste Woche schon wieder verpufft ist.

Die Kohorte wird anschließend fortlaufend neu bewertet, mit Hysterese: Ein Wallet muss deutlich unter die Schwelle rutschen, bevor es herausfliegt — so wird das Buch nicht ständig umgeschichtet, nur weil das Ranking an der Grenze rauscht.

5. Aus dem Konsens eine Position machen

Die Aggregation zahlt sich nur aus, wenn man sie in Exposure übersetzt, ohne dabei genau das Einzel-Wallet-Risiko wieder hereinzuholen, das man gerade wegdiversifiziert hat. Das Signal für jedes Instrument ist ein vorzeichenbehafteter, überzeugungsgewichteter und risikonormierter Konsens:

Dabei gilt für jedes Kohorten-Wallet $i$, das Instrument $c$ hält:

• $s_i=\pm 1$ — die Seite, auf der es steht (long oder short).
• ${\kappa }_i=|{\text{notional}}_i|/{\text{equity}}_i$ — die Überzeugung: Positionsgröße im Verhältnis zum eigenen Buch.
• $w(S_i)$ — das Gewicht aus dem geschrumpften Sharpe: $0$ unterhalb von $S=1$, ansteigend bis $1$ bei $S\approx 5$.
• ${\pi }_i={\sigma }_{\text{target}}/{\sigma }_{\text{realized}}(c)$ — der Risk-Parity-Skalar: gleiches Risiko, nicht gleiche Dollarbeträge.
• $c_{\max }$ — die Obergrenze für den Beitrag pro Wallet, damit kein einzelner Whale das Buch trägt.

Jeder Term erfüllt eine tragende Funktion. Die Überzeugung liest die Positionsgröße relativ zum eigenen Equity des Traders — ein Whale, der 40% seines Buchs auf einen Namen setzt, wiegt damit schwerer als einer, der nur zaghaft antestet. Das Sharpe-Gewicht stuft die Glückspilze herunter. Die Risk-Parity ist der Teil, den naive Copier überspringen: Man skaliert nach Risiko, nicht nach Dollar — so überstrahlt eine Memecoin-Position mit Vola 120 nicht klammheimlich eine BTC-Position mit gleichem Notional. Die Obergrenze ist es, die die These durchsetzt: Kein einzelnes Wallet kann das Signal allein weit bewegen, also braucht es echte Übereinstimmung mehrerer Wallets, um Größe aufzubauen. Diese Übereinstimmung — die Konfluenz — ist der praktische Stellvertreter dafür, dass hier echtes Alpha am Werk ist und nicht die Marotte eines einzelnen Traders.

Zwei Verfeinerungen, die eine ernsthafte Umsetzung dem Modell schuldig ist:

• Funding-bereinigter Edge. Bei Perps ist der Carry echtes Geld. Ein überfüllter Long, der 60% Funding p.a. zahlt, hat eine niedrigere erwartete Nettorendite, als das reine Kurssignal suggeriert — man rechnet ihn heraus, bevor man die Größe bestimmt.
• Abgleich der Kostenbasis. Man steigt immer nach der Kohorte ein — der Follower Drag, die Maut dieses ganzen Unterfangens. Man steigt bei frischen Openings ein, nahe dort, wo die Kohorte tatsächlich eröffnet hat, statt einer Bewegung hinterherzuhecheln, die schon 5% alt ist. So bleibt das eigene Risiko identisch mit dem des Traders, dessen Signal man übernimmt — und genau das ist der Unterschied zwischen dem Einstreichen des Edge und dem Verschenken an den Spread.

6. Positionsgröße: Volatility Targeting und Fractional Kelly

Ein Signal sagt dir Richtung und Zuversicht. Es sagt dir nicht, wie viel. Und eine falsch gewählte Positionsgröße ist genau der Grund, warum selbst Strategien mit echtem Edge am Ende sterben.

Zwei Ebenen. Erstens Volatility Targeting auf Portfolioebene: Man legt ein Zielrisiko fest — sagen wir 15% p.a. — und skaliert das Brutto-Exposure invers zur realisierten Volatilität.

Wenn die Märkte heftig werden, steigt die realisierte Vola und das Buch schrumpft automatisch ($L_t$ sinkt). Das Risiko, das du tatsächlich erlebst, bleibt in etwa konstant, statt genau dann aufzublähen, wenn die Bedingungen am schlechtesten sind.

Zweitens Fractional Kelly auf die Signalstärke. Kelly besagt, dass die wachstumsoptimale Wette mit dem Verhältnis von Edge zu Varianz skaliert, $f^{\ast }=\mu /{\sigma }^2$. Full Kelly ist bekanntlich zu aggressiv — es unterstellt, dass man $\mu$ exakt kennt, und das tut man nie. Der Schätzfehler ist ausgerechnet an der Spitze brutal, also setzt man nur einen Bruchteil (Half-Kelly oder weniger): mehr, wenn der Konsens stark und breit ist, weniger, wenn er dünn ist, und niemals den ganzen Stack auf eine einzelne Lesart. Starkes Signal, viele unkorrelierte Stimmen, die übereinstimmen, niedriges Funding — dann drückt man aufs Gas. Ein einzelner Whale mit einem dünnen Signal fällt kaum ins Gewicht.

7. Wenn der Gral bricht: das Korrelationsrisiko

Jetzt der ehrliche Teil — der, den eine Hochglanzpräsentation weglässt. Der Heilige Gral hat einen einzigen Versagensmodus, und der ist struktureller Natur: ρ ist nicht konstant. In einer Krise korreliert alles. Der fähige Momentum-Trader, das Mean-Reversion-Desk, der Aktienindex-Swinger — in einer heftigen Liquidationskaskade sind sie alle nur noch long Risiko, und sie bluten alle gemeinsam. ρ schnellt gegen 1, und genau dann, wenn man die Diversifikation am dringendsten braucht, bricht A(N, ρ) auf 1× zusammen.

Dieselbe Kurve für fünfzig Wallets. Ein Vorteil von 2,1× im ruhigen Regime kann auf ~1,1× fallen, wenn die Korrelation nach oben schießt. Die Diversifikation „versagt" dabei nicht — sie tut genau das, was die Mathematik sagt, und genau deshalb darf die Risikoschicht nicht optional sein.

Das ist kein Makel, den man übertünchen sollte — es ist der Grund, warum das Risikomanagement an erster Stelle steht und kein nachträglich angeschraubtes Extra ist. Die Verteidigungslinien müssen dynamisch sein und die Korrelation im Blick haben:

• Die realisierte Korrelation innerhalb der Kohorte in Echtzeit überwachen. Springt ρ — das verräterische Zeichen für einen Regimewechsel —, fährt man das Brutto-Exposure zurück, zieht das Vola-Ziel enger und behandelt den Konsens als informationsärmer, bis er sich normalisiert.
• Harte Auffangnetze unter den weichen: Stop-Losses je Position und ein Drawdown-Schalter auf Portfolioebene, der bei Überschreiten einer Tagesverlust-Schwelle glattstellt und neues Risiko pausiert. Sie begrenzen den Tail; sie versuchen nicht, ihn vorherzusagen.

Die Strategie ist nicht darauf ausgelegt, Tail-Schäden zu vermeiden. Sie ist darauf ausgelegt, sie zu begrenzen, sie zu überleben und danach noch zu stehen, um in den übrigen 95% der Zeit den 2×-Edge weiter zu verzinsen.

8. Das Modell an Live-Daten: die letzten 30 Tage

Theorie ist billig. Hier also die letzten dreißig Tage der Kohorte auf Hyperliquid, genau so behandelt, wie das Modell sie behandelt: Der realisierte tägliche P&L jedes Wallets, normiert auf seinen Account-Wert, wird zu einem Ertragsstrom; die Ströme werden zu einem gleichgewichteten Buch zusammengeführt — dem Schwarm. Dreißig der fünfzig Wallets handelten im Zeitfenster genug, um überhaupt einen Strom zu erzeugen.

Jede blasse Linie ist ein Kohortenmitglied; die fette Linie ist das gleichgewichtete Buch. Die Mitglieder streuen breit — manche schießen hoch, manche eiern seitwärts. Der Schwarm ist der glatte Pfad, der sich zwischen ihnen hindurchfädelt: fast der ganze Aufwärtsweg, nur ein Bruchteil des Gezappels.

Die Schlagzeile ist nicht die Rendite — es ist die Form. Der Schwarm verdiente mehr als das typische Mitglied und nahm dabei nur rund ein Drittel des Drawdowns in Kauf. Genau das ist der Heilige Gral, der tut, was die Algebra versprochen hat: gleiche Drift, weit weniger Rauschen. Die realisierte Verstärkung von ~3,4× liegt unter der theoretischen Obergrenze von ~4,9×, die die gemessene Korrelation impliziert — Realität mit endlicher Stichprobe, keine Free-Lunch-Fantasie.

Man lese es mit den Vorbehalten, die es verdient. Das ist realisierter P&L bei Schließung: Er ignoriert das Mark-to-Market noch offener Positionen, weshalb die absolute Volatilität — und damit der absolute Sharpe — untertrieben und keine handelbare Größe ist. Robust ist das Verhältnis, weil Zähler und Nenner auf dieselbe Weise berechnet werden. Und das gemessene ρ ≈ 0,01 unterschätzt die wahre ökonomische Korrelation mit ziemlicher Sicherheit — Schließungsereignisse sind spärlich und fallen von Tag zu Tag selten zusammen —, und genau deshalb bleibt der Tail aus §7, in dem die Korrelation gegen eins springt, das Risiko, auf das es ankommt. Ein ruhiger Monat ist eine Illustration, kein Stresstest.

9. Die zwei Seiten des Trades

Für den Einzahler. Du bekommst etwas, das früher ein ganzes Quant-Desk erfordert hat: ein diversifiziertes, auf ein Risikoziel gesteuertes, laufend rebalanciertes Buch aus verifiziertem On-chain-Alpha — ohne selbst Wallets auszuwählen, Charts zu beobachten oder je zu lernen, was ein Ledoit–Wolf-Schätzer ist. Das Exposure bleibt nicht-verwahrend; die Engine signiert Trades, niemals Auszahlungen. Der Pitch lautet nicht „Kopiere ein Genie". Er lautet „Besitze das Ensemble — mit einem Risiko, das durchkonstruiert ist".

Für das Protokoll. Das Modell fügt keine Token-Emissionen hinzu und trifft keine Kursprognose. Es ist eine klügere Verteilung von Risiko über Signale, die ohnehin schon existieren — transparent und automatisch ausgeführt, mit Gebühren, die sich an Aktivität und Performance orientieren statt an einer pauschalen Gebühr. Und informierter, aggregierter Flow ist ganz nebenbei gut für die Preisfindung an den Börsen, auf denen er handelt.

10. Grenzen und Kapazität

Kein ehrlicher Quant-Text endet ohne die Vorbehalte:

• Follower Drag ist eine dauerhafte Abgabe. Die Verstärkung muss ihn nach Gebühren und Slippage übertreffen; gerade auf dünnen HIP-3-Büchern entscheidet die Ausführungsqualität über den P&L, nicht die Signalqualität.
• Kapazität und Reflexivität. Der Edge zerfällt mit der Größe. Spiegelt man zu viel Kapital, bewegt man genau die Märkte, die man liest, und das Signal wird überfüllt. Die Strategie hat eine endliche AUM-Obergrenze, und die Positionsgröße muss sie respektieren.
• Schätzfehler und Survivorship. Jeder Sharpe, jede Korrelation, jede Clustergrenze ist aus endlicher, verrauschter, teils overfitteter Historie geschätzt. Shrinkage hilft; heilen tut es nicht.
• Der Tail durch den ρ-Spike, oben behandelt, ist das dominante Risiko — und genau das, zu dessen Begrenzung die gesamte Risikoschicht überhaupt existiert.

Fazit

alpha50 ist nicht der Versuch, den Markt besser vorherzusagen als alle anderen. Es ist der Versuch, den ältesten Free Lunch der Finanzwelt — Diversifikation über unkorrelierte Ertragsströme mit positivem Edge — auf einen Ertragsstrom zu übertragen, den die Welt nie zuvor verpackt hatte: die live einsehbare, verifizierbare Überzeugung der besten Trader on-chain.

Der Edge steckt in der Korrelationsstruktur. Man baut die Kohorte so, dass sie diese minimiert, gewichtet nach Risiko und geschrumpftem Skill, dimensioniert nach Volatilität und Fractional Kelly — und hält Wache für jenes Regime, in dem die Korrelation einen verrät. Tut man das, werden aus fünfzig verrauschten, fehlbaren Tradern, die jeder für sich schlagbar sind, ein einziges Signal, das schwer zu schlagen ist.

Das ist der Heilige Gral. Wir haben nur einen neuen Ort gefunden, an dem man ihn ausgeben kann.

Sieh es live. Das alpha50-Schwarm-Dashboard zeigt in Echtzeit die aktuelle Überzeugung der Kohorte, ihre offenen Positionen und die drawdown-gesteuerte Equity-Kurve. Wenn der Schwarm für dich arbeiten soll, kopierst du die Strategie mit einem Klick — nicht-verwahrend: Die Engine signiert Trades, aber niemals Auszahlungen.