Auf den Punkt
Short-Gamma-Strategien verlieren in Volatilitäts-Clustern quadratisch, nicht linear. Kein bisher getestetes Deep-Learning-Modell kann diesen Effekt aufheben — das ist eine physikalische Eigenschaft der Payoff-Kurve, kein Modellierungsfehler.
Systematische Optionsschreibstrategien wie Covered Calls (CC) und Cash-Secured Puts (CSP) sind in der Finanzwelt beliebt, um die Volatilitätsrisikoprämie (VRP) zu vereinnahmen. Doch in Phasen von Volatilitäts-Clustern droht der sogenannte „Gamma-Ruin".
Was ist Gamma-Ruin?
Gamma (Γ) ist die zweite Ableitung des Optionspreises nach dem Basispreis. Vereinfacht: Es misst, wie stark sich das Delta einer Option ändert, wenn der Basiswert sich bewegt. Für einen Optionsverkäufer ist die zentrale Eigenschaft, dass Verluste quadratisch mit der Bewegungsgröße wachsen:
Approximation
P&LGamma ≈ − ½ · Γ · (ΔS)2
Eine 2%ige Bewegung des Basiswerts kostet den Short-Gamma-Verkäufer etwa viermal so viel wie eine 1%ige Bewegung derselben Richtung — vorausgesetzt, die Volatilität bleibt konstant. Steigt die Volatilität gleichzeitig (Volatilitäts-Cluster), potenziert sich der Effekt, weil Γ selbst mit der impliziten Volatilität skaliert.
Während eines ruhigen Marktes sind diese quadratischen Verluste klein und werden durch die vereinnahmte Prämie kompensiert. In einem Volatilitäts-Cluster — einer Phase, in der große Kursbewegungen gehäuft auftreten — addieren sich die quadrierten ΔS nicht, sondern multiplizieren sich über mehrere Tage. Das ist der Gamma-Ruin: ein Verlust, der nicht durch die Größe einer einzelnen Bewegung entsteht, sondern durch die Häufung.
PRISM — Probabilistic Regime Identification
Um diese Dynamik unter kontrollierten Bedingungen zu untersuchen, wurde das Framework PRISM (Probabilistic Regime Identification for Systematic Management) entwickelt. Ziel war nicht, ein besseres Optionsmodell zu finden, sondern zu testen, ob ein Deep-Learning-Modell das Gamma-Risiko rechtzeitig erkennen und die Position vor dem Cluster verlassen kann.
Methodik & Setup
- Zeitraum: 2018–2024 (Sandbox-Simulation, synthetische + historische Volatilitäts-Cluster)
- Strategien: Covered Calls (CC) und Cash-Secured Puts (CSP), 7–21 Tage Laufzeit
- Modelle: Transformer mit Attention-Entropy-Signal als Frühindikator; Baselines: gleitender Durchschnitt, GARCH-Vol-Forecast, naive Hold-Strategie
- n = 38 unabhängige Simulationen mit verschiedenen Volatilitäts-Pfaden (nicht eine einzelne Zahl)
- Verteilung der Sharpe Ratio: Median −1,92 · Worst-Case −6,87 · Best-Case −0,41 · 90%-Konfidenzintervall [−4,12 ; −0,54]
- Quelloffen: Repo, Daten-Pipeline und Notebook unter github.com/drmarkusmeier/prism-volatility-regime
Die harten Fakten
Über 38 Simulationen liegt die durchschnittliche Sharpe Ratio bei −1,92, mit einem Worst-Case von −6,87. Das Attention-Entropy-Signal des Transformers ist reaktiv, nicht prädiktiv — es erkennt Volatilitäts-Cluster erst, wenn sie bereits laufen, und schließt die Position ein bis zwei Tage zu spät.
Die naive Hold-Strategie performte vergleichbar schlecht (−1,74 Sharpe im Median). GARCH-basierte Vol-Forecasts (−1,21) waren zwar besser, schlugen aber ebenfalls nicht die Gebühr- und Slippage-Kosten. Kein Modell erreichte eine positive Sharpe.
Fazit
KI kann die physikalischen Grenzen des Marktes nicht aushebeln. Wer „Short Gamma" geht, ist dem Timing-Risiko ausgesetzt – unabhängig von der Modellkomplexität. Wer Short-Gamma-Strategien betreibt, sollte die Position vor makroökonomischen Ereignistagen (FOMC, CPI, Quartalszahlen) manuell schließen — nicht dem Modell vertrauen, das den Cluster erst erkennt, wenn er bereits P&L vernichtet hat.
Hinweis: Die Sharpe-Ratio-Werte stammen aus einer Sandbox-Simulation mit synthetischen Slippage-Modellen und vereinfachter Gebührenstruktur. Sie sind nicht übertragbar auf Live-Handel mit Market-Impact, Dividenden-Anpassungen und Dividenden-Steuer-Effekten. Vor jeder Optionsstrategie-Einführung: eigenes Backtesting, eigene Risikoanalyse, eigenes Verständnis.