1. Es geht nicht um „Welche Aktie soll ich kaufen?“, sondern darum, das Forschungslabor in Software zu verwandeln
Das Spannende an autonomem Investieren ist nicht, einen Chatbot nach der heutigen Aktie zu fragen.
Die eigentliche Veränderung ist die Automatisierung des Forschungszyklus: Ideen sammeln, Hypothesen bilden, Code schreiben, mit Daten testen, Fehlschläge verwerfen, Überlebende mit bestehenden Strategien vergleichen, gute Kandidaten ins Portfolio aufnehmen und wieder von vorn beginnen.
Klassischer Algo-Handel bedeutete oft: Der Mensch entwirft, die Maschine führt aus. Das neue Modell ist eher: Der Mensch definiert Forschungsrichtungen und Kriterien, KI-Agenten arbeiten wie ein Team von Researchern.
Das ist keine Wahrsagerei.
Das ist ein 24-Stunden-Labor.
Die Forscher schlafen nicht. Manchmal kippen sie nur an einem Rate Limit um.
2. J-Quants ist wichtig, weil es den lästigen Weg von der Idee zum Test verkürzt
Bei japanischen Aktien kann die Datenaufbereitung mehr Energie kosten als die eigentliche Hypothese.
Wertpapierstammdaten, Kurse, Finanzdaten, Margin, Short Selling, Dividenden, Futures und Optionen können eine einfache Idee in CSV-Archäologie verwandeln.
J-Quants reduziert diese Reibung durch standardisierte API-Daten.[1]
Am 1. Oktober 2026 kostet Standard 3.300 Yen pro Monat und Premium 16.500 Yen. Premium bietet die gesamte verfügbare Historie und einen breiteren Datenumfang.
16.500 Yen kaufen kein Alpha.
Sie kaufen weniger Expeditionen auf der Suche nach CSV-Dateien.
Sobald Daten programmatisch verfügbar sind, kann ein Agent direkt von der Hypothese zu Datenabruf, Python, Backtest und Ergebnisspeicherung gehen.
3. Wenn Implementierung nicht mehr knapp ist, werden Ideen und Bewertung knapp
Früher führten zehn Ideen vielleicht zu einer oder zwei tatsächlichen Implementierungen.
Code, Bugs, API-Dokumentation, Datenbereinigung und Visualisierung waren natürliche Bremsen.
Starke Coding-Agenten lösen diese Bremse.
„Probier das.“
„Erledigt.“
„Andere Bedingungen.“
„Erledigt.“
„Walk-forward?“
„Erledigt.“
Die Menschheit hat endlich das Fabelwesen bekommen, das Gedanken in Code verwandelt.
Zehn Minuten später entsteht ein neues Problem.
Gute Gedanken werden knapp.
Wenn KI auch Ideen massenhaft erzeugt, verschiebt sich der Engpass erneut: Welche Ideen verdienen Vertrauen?
Der Wert wandert von Implementierung zu Suchraumdesign, Falsifikation und Bewertung.
4. Die gefährlichste Superkraft ist, 1.000 schlechte Strategien mit Lichtgeschwindigkeit zu produzieren
Autonome Forschung beschleunigt Entdeckung und Overfitting gleichzeitig.
Erzeuge Hunderte leicht veränderte Strategien und behalte nur historische Glückstreffer: Der Backtest sieht wie ein Genie-Fonds aus.
Live kann es wie eine Dokumentation über Aussterben aussehen.
Darum braucht man Filter: Out-of-sample, Walk-forward, Transaktionskosten, Slippage, Stabilität über Jahre, Regime-Sensitivität, Korrelation, Turnover, Liquidität, Kapazität und Erkennung doppelter Ideen.
Wer hundert KI-Researcher einstellt, sollte zuerst den Papierkorb vergrößern.
Ein Labor ohne Ablehnungskriterien ist ein Backtest-Zoo.
5. Was kostet ein ernsthaftes Setup 2026?
J-Quants Standard kostet 3.300 Yen/Monat, Premium 16.500.[1]
Claude Max kostet 100 $/Monat als Max 5x und 200 $ als Max 20x, inklusive interaktivem Claude Code.[2][3]
Aber 200 $ sind kein unbegrenztes 24/7-Ticket. Es gibt Fünf-Stunden-Sitzungslimits und Wochenlimits.[2]
Seit dem 15. Juni 2026 erhalten Claude Agent SDK und claude -p für berechtigte Nutzer separate monatliche Credits: 100 $ bei Max 5x und 200 $ bei Max 20x.[4]
Bei der API kostet Sonnet 5.5 2 $ pro Million Input-Tokens und 10 $ Output; Opus 5.5 kostet 4 $/20 $.[5] GPT-6.1 Sol liegt im Standard-Modus ebenfalls bei 2 $/10 $, Astra bei 10 $/50 $.[6]
„KI“ hat keinen einheitlichen Stundenlohn.
Researcher und Forschungsleiter können das Fünffache kosten.
6. Sind 900.000 Yen pro Monat absurd? Nein, erstaunlich leicht erreichbar
Mit einem 2-/10-Dollar-Modell ohne Cache:
50M Input + 5M Output ≈ 150 $.
200M + 20M ≈ 600 $.
500M + 50M ≈ 1.500 $.
Mit einem 10-/50-Dollar-Modell:
50M + 5M ≈ 750 $.
200M + 20M ≈ 3.000 $.
400M + 40M ≈ 6.000 $.
Mit grob 150 Yen pro Dollar sind 6.000 $ ungefähr 900.000 Yen.
Das ist keine Science-Fiction.
Lass teure Modelle nur lange genug parallel laufen.
Cache, Batch, billigeres Routing und Early Stop können stark sparen. Lange Kontexte, Tool Calls, Retries und unbeaufsichtigte Fehler-Agenten können die Rechnung wieder vergrößern.
Die richtige Frage lautet daher nicht „Was kostet die API?“, sondern „Wie viele Forschungszyklen erlaube ich pro Monat?“.
7. Der Stückpreis kann fallen und die Gesamtausgaben trotzdem steigen
Epoch AI schätzte im September 2026, dass die Kosten für ein gegebenes KI-Leistungsniveau seit 2023 um etwa 47 % pro Quartal gefallen sind, ungefähr das 13-Fache pro Jahr.[7]
Es gibt keine Garantie, dass dieses Tempo anhält.
Aber die Richtung ist klar: dieselbe Fähigkeit wird deutlich billiger.
Sinkt damit das Gesamtbudget?
Der Preis pro Aufgabe kann sinken.
Die Gesamtausgaben müssen es nicht.
Wenn eine Aufgabe statt 1 $ nur noch 0,10 $ kostet, führt der Nutzer vielleicht hundert statt zehn aus.
Ein Agent mit zehn Ideen wird zu hundert Agenten mit je hundert Ideen, plus Kritiker-Agenten, Meta-Agent und einer weiteren Forschungswelle.
Das ähnelt dem Jevons-Paradoxon.
KI wird billiger.
Wir nutzen viel mehr KI.
8. Gewinnen könnte nicht der Käufer des klügsten Modells, sondern der beste Dispatcher von Intelligenz
Es gibt keinen Grund, jede Aufgabe an das teuerste Modell zu schicken.
Das erzeugt einen Rechnungsgenerator statt eines Forschungssystems.
Sinnvoll ist eine Hierarchie: billige Modelle für breite Hypothesengenerierung, Python und SQL für deterministische Filter, starke Mittelklassemodelle für Implementierung und Debugging, statistische Gates und erst danach das beste Modell für eine aggressive Prüfung der wenigen Überlebenden.
Numerische Schleifen gehören auf CPUs und Batch-Compute.
Das LLM schreibt das Programm. Der Computer wiederholt es.
Setze das teure Modell nicht als Fließbandarbeiter ein.
Setze es als Forschungsleiter ein.
Die entscheidende Managementfähigkeit ist, jeder Aufgabe den passenden Preis für Intelligenz zuzuweisen.
Fazit
Autonome Agenten und J-Quants senken die Eintrittsbarriere für systematische Forschung an japanischen Aktien deutlich.
Wenn Datenbeschaffung, Implementierung, Validierung und Reporting automatisiert werden, verschiebt sich die menschliche Rolle vom manuellen Abarbeiten hin zum Entwurf von Suchräumen und zur Beurteilung von Evidenz.
Der nächste Engpass sind die KI-Kosten.
Aber die Zukunft ist wahrscheinlich nicht einfach „KI wird teurer“.
Der Preis pro Fähigkeit fällt.
Die möglichen Aufgaben nehmen zu.
Der gewünschte Einsatz wächst noch schneller.
Die Gesamtausgaben können steigen.
Die zukünftige Frage lautet nicht „Was kostet KI?“
Sondern:
„Wie viel Intelligenz sollte dieses Labor pro Monat kaufen, bevor der Grenznutzen nicht mehr reicht?“
KI reißt die Mauer der Implementierung ein.
Dahinter liegt Freiheit.
Neben der Freiheit steht die Rechnung.
