Zero Signal – A Structural Fragility Framework for Modern Markets
Zero Signal
A Structural Fragility Framework for Modern Markets
Pavel Miska
Senior Software Engineer / Quant Systems Architecture
Nuremberg, 2026
Abstract
Zero Signal ist ein strukturelles Risikoframework, das entwickelt wurde, um systemische Fragilität in modernen Finanzmärkten zu erkennen. Es integriert verhaltensbezogene, strukturelle und narratives getriebene Signale mit erklärbaren Machine-Learning-Methoden, um Stressaufbau, Regimewechsel und Cross-Asset-Propagationseffekte zu identifizieren. Das Framework ist für Portfolio-Management-Umgebungen optimiert und verwendet tägliche sowie verzögerte Intraday-Daten – nicht Echtzeit-Feeds – um regulatorische Kompatibilität und operative Robustheit zu gewährleisten.
Inhaltsverzeichnis
- Einleitung
- Methodische Haltung
- Marktpsychologie
- Behavioral Fragility
- News & Narrative Dynamics
- Mass Hypnosis – Warum Crowd-Behaviour der wahre Kern von Tail-Risk ist
- Tail-Risiko
- Die fünf strukturellen Stress-Kanäle
- Stress-Kaskade
- Klassische Modelle und ihre Grenzen
- Machine-Learning-Architektur
- Feature Engineering
- Regime Detection
- Anomaly Detection
- Stress Engine
- Decision Layer
- Datentypen
- Latenz-Matrix
- Prototyp-Blueprint
- Limitierungen & Risiken
- Fazit
1. Einleitung
Die Finanzwelt hat sich in den letzten Jahrzehnten zunehmend auf Modelle verlassen. Daten werden immer genauer, Algorithmen immer schneller, Rechenleistung immer günstiger.
Und doch: Die grössten Verluste entstehen nicht in Zeiten hoher Volatilität. Sie entstehen in Zeiten, in denen alle Indikatoren Ruhe anzeigen.
Das nennen wir: Zero Signal.
Zero Signal ist nicht die Abwesenheit von Information. Es ist die Anwesenheit einer Stille, die von Standardmodellen nicht gelesen wird. Eine Stille, in der Tail Risk heranreift – unbemerkt, ungemessen, unverstanden.
2. Methodische Haltung
Wir sind keine Prognostiker. Wir sind Systembeobachter.
Unser Ziel ist nicht die Vorhersage des nächsten Ereignisses, sondern die Wahrnehmung von Zustandsveränderungen.
- Wir suchen nicht nach dem nächsten Crash.
- Wir suchen nach Veränderungen in der Mechanik des Marktes.
- Wir vertrauen nicht auf historische Wahrscheinlichkeiten.
- Wir vertrauen auf strukturelle Muster.
Machine Learning ist für uns kein Orakel – es ist ein Werkzeug, um diese Muster sichtbar zu machen.
3. Marktpsychologie
Märkte sind keine physikalischen Systeme. Sie haben keine Naturgesetze, keine Konstanten, keine garantierten Symmetrien.
Und doch verhalten sie sich, als hätten sie Strukturen: Wiederkehrende Muster, Bruchstellen, Stresspunkte.
Diese Strukturen entstehen aus Verhalten, Liquidität, Erwartungen, Positionierung – und aus den Modellen, die wir selbst verwenden.
Die Psychologie der Marktteilnehmer ist kein Randphänomen. Sie ist der Treiber für viele der Muster, die wir beobachten – insbesondere in Phasen der Stille.
4. Behavioral Fragility
Behavioral Fragility beschreibt das Rauschen im System – die erratischen, manchmal irrationalen Reaktionen der Marktteilnehmer.
Es ist nicht systemisch. Es ist ein Verstärker.
Behavioral Fragility macht bestehende strukturelle Schwächen sichtbar, indem sie sie aktiviert. Sie ist nicht die Ursache von Tail-Risk – aber sie kann ihn beschleunigen, wenn die Mechanik bereits fragil ist.
5. News & Narrative Dynamics
Nachrichten sind keine systemischen Treiber. Sie sind Indikatoren für die Lautstärke des Rauschens.
Wir analysieren nicht den Wahrheitsgehalt von Nachrichten. Wir messen:
- Volumen: Wie viele Artikel zu einem Thema erscheinen?
- Divergenz: Werden verschiedene Perspektiven gezeigt – oder alle dasselbe?
- Emotionale Ladung: Nicht nur positiv/negativ, sondern Dringlichkeit.
Ein Narrativ allein ist harmlos. Aber wenn ein Narrativ mit einer dünnen Markttiefe zusammentrifft, wird es gefährlich – weil alle gleichzeitig darauf reagieren.
6. Mass Hypnosis – Warum Crowd-Behaviour der wahre Kern von Tail-Risk ist
Tail-Risk entsteht nicht durch Preise.
Er entsteht durch Menschen.
Nicht durch Fundamentals. Nicht durch Modelle. Nicht durch News.
Sondern durch kollektive Trance.
Nennen wir es beim Namen: Mass Hypnosis.
Das ist der Zustand, in dem viele Marktteilnehmer:
- dieselbe Strategie fahren
- dieselbe Richtung handeln
- dieselben Hedges nutzen
- dieselben Modelle verwenden
Sie handeln nicht mehr auf Basis von Analyse – sie handeln, weil alle anderen es auch tun.
6.1 Wie Mass Hypnosis entsteht
Mass Hypnosis ist kein Zufall. Sie entsteht durch:
- Erfolgsverstärkung: Eine Strategie funktioniert – immer mehr Leute steigen ein.
- Risikoparitäts-Effekte: Volatilität sinkt – alle erhöhen ihr Exposure.
- Modellkonvergenz: Alle verwenden dieselben Risikomodelle – alle kommen zu denselben Schlüssen.
- Performance-Druck: Niemand will zurückbleiben – also macht jeder mit.
Das Ergebnis: Eine unsichtbare Gleichrichtung des Marktes.
6.2 Warum Mass Hypnosis gefährlich ist
Solange nichts passiert, sieht das stabil aus.
Aber diese Stabilität ist trügerisch – sie ist das Zero Signal.
Unter der Oberfläche:
- Liquidität wird einseitig
- Orderflow wird korreliert
- Hedging wird synchronisiert
- Funding wird simultan belastet
- Exit-Türen werden eng
Wenn dann ein Schock kommt – auch ein kleiner –
wachen alle gleichzeitig auf.
Dann passiert das, was wir Tail-Risk nennen:
- Preis fällt → Positionierung wird riskanter
- Forced Selling → Preis fällt weiter
- Hedging verstärkt die Bewegung
- Liquidität verschwindet
Das ist keine Panik.
Das ist die logische Konsequenz von Mass Hypnosis.
7. Tail-Risiko
Tail-Risk ist kein „seltenes Ereignis“.
Tail-Risk ist ein Zustand des Marktes, in dem die üblichen Annahmen nicht mehr gelten.
Es ist der Bereich, in dem:
- Liquidität verschwindet
- Korrelationen kollabieren
- Preisreaktionen nichtlinear werden
- Hedging ineffizient wird
- Modelle ihre Gültigkeit verlieren
- Positionierung und Funding wichtiger werden als Fundamentals
Tail-Risk ist also kein statistisches Phänomen,
sondern ein strukturelles.
8. Die fünf strukturellen Stress-Kanäle
Stress entsteht nicht durch Preisbewegungen.
Stress entsteht durch Mechanik.
Wir haben fünf strukturelle Treiber identifiziert, die Tail-Risk erzeugen:
- Liquidität – der wichtigste Faktor. Wenn sie dünn wird, reicht eine kleine Order für einen grossen Move.
- Leverage & Funding – der Verstärker. Margin Calls zwingen zum Verkauf, der Verkauf drückt die Preise – ein Kreislauf.
- Cross-Asset-Kopplung – der Übertragungsweg. Ein Schock im Creditmarkt trifft Equity, dann FX, dann Volatilität.
- Options-Gamma & Vol-Feedback – der Beschleuniger. Dealer hedgen – und ihr Hedging verstärkt die Bewegung.
- Positionierung & Crowd-Behaviour – die Falle. Wenn alle dieselbe Position haben, wird der Ausweg zum Engpass.
Diese fünf Treiber sind nicht unabhängig.
Sie verstärken sich gegenseitig.
9. Stress-Kaskade
Stress breitet sich nicht linear aus.
Typische Kaskade:
Rates → FX → Equity → Credit → Funding → Liquidity
Das ist die Stress-Propagation.
Eine Kaskade entsteht nicht plötzlich.
Sie baut sich über Zeit auf – in der Stille von Zero Signal.
10. Klassische Modelle und ihre Grenzen
Klassische Risikomodelle basieren auf historischen Daten. Sie erkennen Muster, die schon einmal aufgetreten sind.
Tail Risk aber ist per Definition ein Ereignis, das nicht in der Historie vorkommt – oder so selten, dass es statistisch nicht fassbar ist.
Im Tail gilt:
- Returns sind nicht normal
- Delta ist falsch
- Gamma dominiert
- Korrelationen springen
- Liquidität verschwindet
- Modelle brechen
Deshalb unterschätzen klassische Modelle:
- Crash-Geschwindigkeit
- Crash-Tiefe
- Cross-Asset-Effekte
- Hedging-Kosten
- Liquiditätsrisiko
Tail-Risk ist also ein Modellversagen,
nicht ein Datenproblem.
11. Machine-Learning-Architektur
Die ML-Architektur des Zero-Signal-Frameworks folgt einem modularen, erweiterbaren Design.
Der Kern besteht aus erklärbaren Ensemble-Modellen (z.B. Gradient Boosting oder Random Forest), die strukturelle und verhaltensbezogene Features verarbeiten.
Die Architektur sieht Schnittstellen für zusätzliche Module vor – insbesondere für:
- Deep-Learning-basierte Verarbeitung von Nachrichten und Narrativen
- Unsupervised Learning zur Erkennung unbekannter Regime
- Echtzeitfähige Anomalie-Erkennung
Die Ergebnisse aller Module werden in einer Stress Engine zusammengeführt – nicht als gewichtete Summe, sondern als Zustandsbeschreibung.
12. Feature Engineering
Das Feature-Engineering folgt einer dreiteiligen Strategie:
12.1 Strukturelle Features
- Markttiefe über mehrere Orderbuch-Ebenen
- Liquiditätskonzentration
- Korrelationsdynamik (Veränderungsrate)
- Resilienz (Erholungsgeschwindigkeit)
12.2 Verhaltensbezogene Features
- Sentiment-Drift aus Nachrichten
- Handelszeit-Anomalien
- Herding-Index
- Narrative-Dichte
12.3 Dynamische Features
- Korrelationsgeschwindigkeit
- Liquiditätsabbaurate
- Volatilitätsänderung (Tempo)
Die drei Feature-Klassen werden als Zustandsvektor zusammengeführt – nicht einzeln betrachtet.
13. Regime Detection
Ein Regime ist ein Zustand des Marktes, der sich durch ein stabiles Muster in den Features auszeichnet.
Regime sind nicht vordefiniert – sie werden aus den Daten entdeckt.
Zero Signal ist kein Fehler – es ist ein eigenes Regime.
Ein Regime, in dem die klassischen Indikatoren Ruhe zeigen, aber die strukturellen Features bereits Veränderung signalisieren.
Die Kunst ist, dieses Regime früh zu erkennen – nicht als Alarm, sondern als Hinweis.
14. Anomaly Detection
Die Anomalie-Erkennung ist nicht reaktiv, sondern frühwarnend.
Eine Anomalie wird nicht als Einzelereignis bewertet, sondern im Kontext des aktuellen Regimes.
Wenn das Regime stabil ist, wird eine Anomalie anders gewichtet als in einem bereits fragilen Regime.
Das macht die Anomalie-Erkennung kontextsensitiv – und das ist der Unterschied zu Standardmodellen.
15. Stress Engine
Die Stress Engine bewertet nicht die Stärke der einzelnen Signale – sondern ihre Kopplung.
Ein hoher Wert in der Anomalie-Detection wird nur dann kritisch, wenn gleichzeitig die Regime-Detection eine Abweichung zeigt und die strukturellen Features auf abnehmende Liquidität hinweisen.
Das ist Systembeobachtung in Reinform:
nicht die Einzelkomponente zählt, sondern die Beziehung zwischen den Komponenten.
16. Decision Layer
Der Decision Layer ist keine Blackbox.
Er ist eine Brücke.
Er nimmt die Ergebnisse aller vorherigen Schritte und übersetzt sie in eine Form, die der Mensch verstehen und nutzen kann.
Was der Decision Layer nicht tut:
- Keine Alarme
- Keine Handlungsempfehlungen
- Keine automatischen Positionierungen
- Keine Risikobewertungen in Zahlen
Was der Decision Layer tut:
- Erzeugt einen Zustandsbericht in natürlicher Sprache
- Zeigt die fünf Treiber im Kontext
- Markiert Zero Signal – ohne Alarm
- Dokumentiert die Beobachtungen für spätere Reviews
Der Decision Layer ist für Portfolio-Management konzipiert – nicht für HFT oder Market Making.
17. Datentypen
17.0 Was wir unter Marktdaten verstehen
Viele Risikomodelle verwenden als Input: Preise, Returns, Volatilität, Korrelationen.
Das ist die Oberfläche.
Unser Framework verwendet als Input die Daten, die Tail-Risk enthalten:
- Liquidität
- Orderflow
- Funding
- Positionierung
- Cross-Asset-Kopplungen
- Vol-Struktur
- Credit-Spreads
- Repo-Rates
- Basis-Spreads
- Dealer-Gamma
- ETF-Flows
- Options-Open-Interest
Das ist der Maschinenraum des Marktes.
Preise sind nur das Echo – nicht die Ursache.
17.1 Die drei Kategorien von Tail-Risk-Daten
| Kategorie | Funktion | Beispiele |
|---|---|---|
| A – Ankündigung | Zeigt, dass Stress entsteht | Credit‑Spreads, Funding‑Rates, Vol‑Termstruktur, Repo‑Rates, Liquidity‑Metrics |
| B – Verstärkung | Zeigt, wie stark ein Schock wirken wird | Dealer‑Gamma, Vega‑Exposure, CTA‑Trend‑Signals, Risk‑Parity‑Leverage, ETF‑Flows, Options‑Open‑Interest |
| C – Ausbreitung | Zeigt, wohin der Stress wandert | Cross‑Asset‑Korrelationen, Vol‑of‑Vol, Credit‑Equity‑Kopplung, Rates‑FX‑Spillover, Macro‑Regime‑Shifts |
17.2 Der Mechanismus hinter den Daten
Die drei Kategorien beschreiben einen Kreislauf:
- Liquidität wird einseitig (Kategorie A)
- Hebel wird aufgebaut (Kategorie B)
- Kopplungen werden enger (Kategorie C)
Wenn alle drei Schritte gleichzeitig aktiv sind – aber die klassischen Indikatoren Ruhe zeigen – dann entsteht Zero Signal.
18. Latenz-Matrix
Latenz ist nicht unser Feind.
Latenz ist ein Faktor, den wir berücksichtigen.
Die Latenz-Matrix beschreibt für jede Datenquelle:
- Typische Latenz
- Maximale Latenz
- Volatilität der Latenz
- Auswirkung auf die Entscheidung
Beispiel:
- End-of-Day Kurse: 1–2 Stunden Latenz → geringe Auswirkung
- COT-Daten: 3 Tage Latenz → wir nutzen sie als Trendindikator
- Sentiment-Daten: Echtzeit → aggregieren über Stunden
Die Latenz wird im Decision Layer berücksichtigt – als Hinweis auf die Zuverlässigkeit der Daten.
19. Prototyp-Blueprint
Der Prototyp verfolgt ein einziges Ziel:
Nachweis, dass Zero Signal messbar ist – und dass es sich von klassischen Marktphasen unterscheidet.
Architektur (fünf Module):
- Datenintegration
- Feature-Berechnung
- Zustandserkennung (unsupervised Clustering)
- Stressbewertung (Kopplung der Treiber)
- Entscheidungsunterstützung (Zustandsbericht)
Der Prototyp arbeitet mit täglichen Daten – ohne Echtzeit.
Er liefert einen textbasierten Zustandsbericht – ohne Alarm, ohne Handlungsempfehlung.
Der Prototyp ist kein Produkt – er ist ein Proof of Concept.
20. Limitierungen & Risiken
Kein Framework ist perfekt. Dieses auch nicht.
- Datenlatenz – einige Indikatoren sind nur mit Verzögerung verfügbar.
- False Positives – das System wird Phasen markieren, in denen nichts passiert.
- Keine Vorhersage – nur Zustandsbeschreibung.
- Datenqualität – Fehler in den Quellen führen zu Fehlern im Output.
- Anwendbarkeit – nicht für HFT oder Market Making geeignet.
- Menschliche Unsicherheit – der Anwender kann den Bericht ignorieren oder falsch interpretieren.
- Keine Haftung – dieses Papier ist ein Konzept, kein Produkt.
Das System ersetzt keine Entscheidung – es unterstützt sie.
21. Fazit
Zero Signal ist kein Randphänomen.
Es ist der Zustand, in dem sich Märkte meistens befinden – und in dem die meisten Modelle blind sind.
Tail-Risk ist kein statistischer Zufall –
er ist das Ergebnis von Mechanik: Liquidität, Hebel, Kopplungen, Crowd-Verhalten.
ML kann helfen, diese Mechanik sichtbar zu machen –
aber es kann den Menschen nicht ersetzen.
Die Entscheidung liegt nicht im Algorithmus –
sondern im Kopf desjenigen, der den Bericht liest.
Wir haben keinen neuen Formelapparat geliefert –
sondern einen Rahmen, in dem Risiko sichtbar wird, bevor es eintritt.
Zero Signal ist keine Schwäche der Modelle.
Zero Signal ist eine Eigenschaft der Realität.
Die Kunst liegt nicht darin, den Sturm zu verhindern –
sondern darin, die Stille zu verstehen.
Anhang
Diagramme, Abbildungen und ergänzende Materialien folgen in separaten Anhängen.
Kontakt
Pavel Miska
Senior Software Engineer / Quant Systems Architecture
Nuremberg, Germany
2026
Echoes from the Machine – Part II: The Geometry of Stress