Fractional Trading
Wenn einfacher investieren komplexeres Risikomanagement bedeutet
09. September 2026
Fractional Trading senkt die Einstiegshürden am Aktienmarkt. Anlegerinnen und Anleger müssen keine vollständige Aktie mehr erwerben, sondern können einen frei gewählten Geldbetrag investieren. Was aus Kundensicht unkompliziert ist, verändert jedoch die Rolle des Brokers: Aus der Vermittlung einer Order kann eine eigene Position entstehen, die aktiv gesteuert werden muss.
Wie Data Science dabei helfen kann, diese Risiken frühzeitig zu erkennen, untersucht Prof. Dr. Natalie Packham gemeinsam mit Prof. Dr. Christina Erlwein-Sayer, Sakir Kipeskay und Dr. Alla Petukhina. Im Zentrum der Forschungsarbeit steht die Frage, ob sich die Handelsaktivität von Retail-Anlegern prognostizieren lässt – und ob solche Prognosen ein vorausschauenderes Inventar- und Risikomanagement ermöglichen.
Einfach für Anleger, anspruchsvoll für Broker
Das Prinzip des Fractional Trading lässt sich an einer hochpreisigen Aktie verdeutlichen. Kostet eine Aktie beispielsweise 2.000 Euro, kann ein Kunde dennoch nur 100 Euro investieren. Er erhält damit fünf Prozent der Aktie. Der Broker erwirbt am Markt eine ganze Aktie und hält den nicht benötigten Anteil zunächst selbst.
Damit ist der Broker nicht mehr ausschließlich Vermittler. Er hält eigenes Inventar und trägt das damit verbundene Kursrisiko. Eine einzelne Restposition mag gering erscheinen. Über viele Kundentransaktionen und ein großes Aktienuniversum können sich diese Bruchteile jedoch zu einem relevanten Exposure summieren.
Die Marktbedeutung ist längst sichtbar. Frau Packham erläutert, dass die Handelsaktivität in hochpreisigen Aktien nach der Einführung von Fractional Trading deutlich zunahm. Für Broker wächst damit nicht nur das Geschäft, sondern auch die Aufgabe, zahlreiche kleine Positionen über verschiedene Titel hinweg zu steuern.
Warum Retail-Orderflow schwer vorherzusagen ist
Retail-Anleger handeln nicht immer unabhängig voneinander. Herdenverhalten, Overconfidence und die Angst, eine Kursbewegung zu verpassen, können dazu führen, dass sich Kauf- oder Verkaufsorders zeitweise stark in eine Richtung bewegen. Meme-Stock-Ereignisse haben gezeigt, wie schnell eine solche Dynamik entstehen kann.
Für einen Broker mit eigenem Inventar ist das besonders relevant. Wenn viele Kunden gleichzeitig dieselbe Aktie kaufen oder verkaufen, kann sich die eigene Position kurzfristig stark verändern. Reagiert der Broker erst im Nachhinein, läuft er der Entwicklung hinterher. Eine belastbare Prognose des Retail-Orderflows könnte dagegen helfen, das Inventar früher und gezielter anzupassen.
Vergleichbare Inventarfragen gibt es zwar auch bei Sparplänen und im Index-Tracking. Bei Sparplänen lassen sich zeitgleich ausgeführte Kundenorders jedoch häufig bündeln. Fractional Trading findet dagegen fortlaufend und über eine große Zahl einzelner Aktien statt. Dadurch erhält das Risikomanagement eine neue Dimension.
Aus Handels-, Markt- und Sentimentdaten wird ein Prognosemodell
Für die Untersuchung kombiniert das Forschungsteam mehrere Datenquellen. Die Robinhood-Daten enthalten für den Zeitraum von Mai 2018 bis August 2020 stündliche Angaben dazu, wie viele Kunden eine Position in einer von rund 8.400 Aktien hielten. Die genaue Zahl der gehandelten Aktien ist nicht bekannt. Veränderungen in der Zahl der investierten Kunden dienen deshalb als Näherung für den Retail-Orderflow.
Ergänzt werden diese Informationen durch Kurs- und Handelsdaten sowie durch Nachrichten-, Sentiment-, Risiko- und ESG-Daten. Nach einer Eingrenzung auf nordamerikanische Unternehmen verblieben zunächst 561 Aktien. Daraus wählte das Team 26 repräsentative Titel aus verschiedenen Branchen aus, darunter Apple, Amazon, Microsoft und Tesla.
Für jede Aktie wurde ein eigenes Long-Short-Term-Memory-Modell, kurz LSTM, entwickelt und rollierend neu trainiert. Diese Form des neuronalen Netzes kann zeitliche Abhängigkeiten berücksichtigen. Vereinfacht gesagt lernt das Modell, welche Informationen aus der Vergangenheit für die nächste Prognose relevant bleiben und welche an Bedeutung verlieren.
Zum Vergleich wurden einfachere lineare Modelle eingesetzt. Die Ergebnisse zeigen, dass Nachrichten-Sentiment und Risikofaktoren die Prognosen verbessern können. Gleichzeitig fällt ihre Bedeutung je nach Aktie und betrachtetem Zeitraum unterschiedlich aus – ein wichtiger Hinweis darauf, dass ein Modell nicht ohne Weiteres auf jedes Unternehmen übertragen werden kann.
Trefferquoten sind nur der erste Schritt
Bei der Frage, ob die Handelsaktivität einer Aktie eher steigt oder fällt, erreichten die LSTM-Modelle für die untersuchten Titel Trefferquoten zwischen etwa 75 Prozent und knapp 90 Prozent. Der Median lag bei etwas mehr als 80 Prozent. Auch extreme Handelstage ließen sich für einen Teil der Aktien gut erkennen. Gleichzeitig gab es deutliche Ausreißer.
Frau Packham ordnet diese Resultate entsprechend vorsichtig ein: Sie liefern eine erste Indikation, sind aber noch keine Grundlage für eine unmittelbar einsetzbare Hedgingstrategie. Gerade die Unterschiede zwischen den Aktien zeigen, warum Prognosequalität, Datenbasis und Modellannahmen gemeinsam betrachtet werden müssen.
In einer vereinfachten Anwendung untersuchte das Team außerdem, was geschieht, wenn ein Broker bereits zu Tagesbeginn einen Teil der prognostizierten Position aufbaut. Für einen Großteil der Aktien zeigten sich positive Effekte auf Gewinn und Verlust, Risikoschwankung und verbleibendes Inventar. Die Ergebnisse deuten zugleich darauf hin, dass ein vollständiger Aufbau der erwarteten Position nicht immer sinnvoll ist. Ein weniger aggressives Vorgehen kann ausreichen.
Die Untersuchung ist bewusst stilisiert und basiert auf begrenzten Daten. Granularere Informationen – etwa echte Intraday-Orderdaten – könnten die Grundlage für weiterführende Strategien bilden. Der Anwendungsfall macht dennoch deutlich, wie aus einer Prognose ein konkreter Beitrag zum Risikomanagement entstehen kann.
Ein Modell muss nicht nur gut sein, sondern erklärbar
Für den Einsatz im Finanzbereich reicht eine hohe Trefferquote allein nicht aus. Verantwortliche müssen nachvollziehen können, welche Faktoren eine Prognose beeinflussen und warum das Modell zu einem bestimmten Ergebnis kommt.
Das Forschungsteam nutzt dafür sogenannte SHAP-Werte. Mit dieser Methode lässt sich nachträglich untersuchen, welchen Beitrag einzelne Variablen zur Modellentscheidung geleistet haben. Im Beispiel der Amazon-Aktie zählen die Handelsaktivität des Vortags und das Marktvolumen zu den wichtigen Einflussgrößen. Auch Risikoscores, Nachrichtenvolumen, ESG-Daten sowie positives und negatives Sentiment spielen eine Rolle.
Erklärbarkeit verbindet damit technische Modellierung und fachliche Entscheidung. Sie hilft, Ergebnisse kritisch zu prüfen, Grenzen sichtbar zu machen und eine Prognose in den jeweiligen Risikokontext einzuordnen.
Data Science verstehen und in Finance anwenden
Fractional Trading zeigt exemplarisch, wie eng Finanzwissen, Datenanalyse und Risikomanagement heute zusammengehören. Ein neuronales Netz kann Muster erkennen und Prognosen erstellen. Welche Daten geeignet sind, ob die Modellannahmen zum Anwendungsfall passen und welche Entscheidung daraus folgt, bleibt jedoch eine fachliche Aufgabe.
Genau an dieser Schnittstelle setzen wir mit unseren Weiterbildungen an:
Chartered Financial Data Scientist (CFDS)
Der berufsbegleitende CFDS | Chartered Financial Data Scientist richtet sich an Finance Professionals, die ihre Erfahrung um fundierte Data-Science-Kompetenzen erweitern möchten. Das Programm führt von Statistik und Ökonometrie über Python zu Machine Learning, neuronalen Netzen und Ensemblemethoden. In einem eigenen, individuell begleiteten Projekt übertragen die Teilnehmenden das Gelernte auf eine konkrete Fragestellung aus ihrer Praxis.
Python für Finance und Data Science
Wer zunächst die praktische Grundlage schaffen oder vorhandene Kenntnisse auffrischen möchte, startet mit Python für Finance und Data Science. Der Kurs vermittelt den Einstieg in Python und die Arbeit mit Finanzdaten – als Basis für eigene Analysen und für den anschließenden CFDS.
