29.10.2026 aktualisiert
100 % verfügbar
Quantitative Developer | Researcher | Trader
Bochum, Deutschland
Weltweit
Über mich
Ich entwickle seit 2017 Dateninfrastruktur, Backtesting- und Portfoliomanagement-Systeme für Asset Manager und Trading-Firmen, vor allem in Python und SQL. Dazu kommt quantitatives Research mit Machine Learning und eigene Erfahrung im Handel.
Skills
AI AgentsKünstliche IntelligenzDerivatemärktePythonMachine LearningPortfolio-OptimierungQuantitative MethodenQuantitatives InvestierenBacktestingHandelSQLComputational StatisticsQuantitative AnalyseAWS ECSCrypto Currency
Ich entwickle seit 2017 Software und Modelle für Asset Manager und Trading-Firmen: Dateninfrastruktur, Backtesting-Frameworks, Portfoliomanagement-Systeme und quantitatives Research. Ich arbeite vor allem in Python und SQL und betreue das, was ich baue, auch im Produktivbetrieb.
Schwerpunkte
- Backtesting-Frameworks und Research-Umgebungen mit realistischen Annahmen zu Kosten, Ausführung und Liquidität
- Datenpipelines für Marktdaten bis hin zu Tick- und Orderbuchdaten
- Portfoliomanagement-Systeme: Order Management, P&L-Attribution, Performance- und Risikoreporting
- Portfoliooptimierung und Modelle für Positionsgrößen
- Prognosemodelle und Machine Learning für Signale und Marktregime (z. B. XGBoost, PCA, HMM)
- Automatisierung von Prozessen, die bisher manuell laufen
Erfahrung
Krypto-Fonds (2025 bis 2026): Aufbau der Dateninfrastruktur und des Backtesting-Frameworks für die marktneutralen Strategien, von der Anbindung der Marktdaten über die Feature-Generierung bis zur Portfoliokonstruktion. Prognose der Werttreiber von Krypto-Derivaten und eine Portfoliooptimierung, die die manuelle Allokation ersetzt hat. Dazu eine interne Python-Bibliothek und das Risiko-Framework.
Asset Manager (2020 bis 2023): Konzeption und Entwicklung des Portfoliomanagement-Systems der Firma mit Order Management, P&L-Attribution und Performance-Messung. Quantitatives Research, das in die Produktionsmodelle, Monitoring-Dashboards und Ausführungstools eingeflossen ist, und Mitarbeit an der Backtesting- und Datenarchitektur. Daneben habe ich dort drei Mandate verantwortet und gehandelt.
Asset Manager (2017 bis 2020): Entwicklung des Portfoliomanagement-Systems für eine Multi-Asset- und eine Volatilitätsstrategie, inklusive Backtesting und Portfoliooptimierung, sowie quantitatives Research für beide Strategien.
Eigenes Projekt: Market-Making-System für eine Betting Exchange, mit Echtzeit-Orderbuchdaten, einem Machine-Learning-Modell für die Auswahl der Quotes und Inventarsteuerung. Das System lief eine Zeit lang mit echtem Kapital.
Promotion: Parallel zum Beruf promoviere ich in Quantitativer Ökonomie an der Uni Kiel, zu agentenbasierten Modellen von Limit-Orderbüchern und Machine Learning für implizite Volatilitätsflächen.
Technologien
Python (NumPy, pandas, SciPy, statsmodels, scikit-learn, PyTorch, XGBoost, cvxpy), SQL, R
PostgreSQL, TimescaleDB, ClickHouse, Arctic, Bloomberg, Datastream
AWS (EC2, S3, Athena, Airflow, CodePipeline), Docker, Nomad, CI/CD, Git, ZeroMQ, Dash, Flask
Ich habe meistens in kleinen Teams gearbeitet und direkt an Geschäftsführung oder Portfolio Manager berichtet. Einen Teil der Strategien, für die ich die Systeme gebaut habe, habe ich selbst gehandelt. Deshalb kenne ich die Anforderungen aus Sicht der Nutzer.
Sprachen: Deutsch und Russisch (Muttersprache), Englisch (fließend)
Erfahrung
Berufserfahrung5 - 10 Jahre
Freelancer seit2026
Sprachen
DeutschMutterspracheEnglischverhandlungssicherRussischMuttersprache
Projekthistorie
- Built the data infrastructure, internal Python library and backtesting framework for the systematic crypto market-neutral strategies, covering market data ingestion, feature generation, portfolio construction and cross-exchange collateral management
- Ran the models in production on a day-to-day basis: monitoring live behaviour, diagnosing deviations, and adjusting parameters and risk controls in response to empirical results and ongoing research
- Replaced discretionary allocation in the funding arbitrage strategy with an automated optimisation layer driven by funding-rate forecasts, covering instrument selection and sizing; applied machine learning (XGBoost, PCA) to statistical arbitrage
- Built the options data and modelling infrastructure from scratch (data cleaning and aggregation, greeks, hedging, P&L decomposition) and assessed the feasibility of an option market making setup via backtests
- Researched auction trading dynamics, including machine-learning forecasting of optimal quote price levels, and proposed quoting-logic changes expected to improve P&L
- Led an interdisciplinary team that conceptualised and built the firm’s portfolio management system (order management, P&L attribution, performance measurement) and contributed across the backtesting and data architecture
- Conducted the quantitative research, including an HMM regime model and machine-learning signals, and integrated it into the production models, monitoring dashboards and execution tools
- Developed and ran three independent mandates end-to-end in volatility selling, systematic long-only equity and global macro; built and line-managed a small quant research team; member of the risk committee