Warum die MiFID-Review Spread-Fragmentierung nicht löst, sondern verstärkt
Die MiFID-Review, die 2026 finalisiert wurde und bis 2027 in nationales Recht umgesetzt werden muss, erweitert die Transparenzpflichten für Wertpapierhandel drastisch. Limit-Order-Märkte, also Märkte, in denen Orders mit Preis-Limits eingegeben und ins Orderbuch gestellt werden, sollen fairer werden. Mehr Venues bekommen Zugang zu Auftragsströmen, Daten werden granularer gemeldet, und die Ausführung soll für alle sichtbar sein. Das klingt nach einem Fortschritt für den Wettbewerb. In der Praxis erleben wir das Gegenteil: Die Fragmentierung verschärft sich.
Die neuen Regeln zwingen Handelsplätze, standardisierte Pre-Market- und Post-Market-Daten in Echtzeit zu liefern. Gleichzeitig werden neue Ausführungsplätze, sogenannte Systematic Internalisers, und alternative Handelsplattformen gestärkt. Mehr Venues bedeuten mehr Orte, an denen die gleiche Limit-Order landen könnte. Die Liquidität pro Venue sinkt. Der Spread, also die Differenz zwischen Geld- und Briefkurs, weitet sich in den einzelnen Büchern aus, weil die Markttiefe abnimmt. Ein Teufelskreis: Je mehr Venues, desto dünner die Bücher, desto größer der Spread, desto höhere Kosten für Blöcke, die nicht über den Tisch gehen.
Beispielhaft: Ein mittelgroßer Asset-Manager möchte einen Aktienblock von 50.000 Stück einer Midcap umschichten. Die Order wird gemäß Best-Execution auf fünf Venues verteilt, weil ein einzelnes Buch nicht genug Volumen zeigt. Drei Venues verlangen einen spürbaren Aufschlag wegen geringer Tiefe, ein Venue hat eine technische Latenz von 300 Mikrosekunden. Die durchschnittliche Ausführung kostet 0,15 Prozent mehr als der theoretische Blockpreis. Multipliziert über das Jahr zerfrisst das die Rendite. Die Regulation hat hier keine Lösung, nur mehr Berichtspflichten.
Das Paradox der MiFID-Review: Man verpflichtet zu mehr Daten, aber liefert keine native Routing-Intelligenz mit. Eine Order-Routing-Entscheidung bleibt eine ex-post-Prüfung auf Best-Execution. Ein Händler oder ein Algorithmus muss die Venue wählen. Die ESMA liefert Kriterien, aber keine Echtzeit-Entscheidungshilfen. Das heißt: Die fragmentierte Landschaft ist ein Optimierungsproblem, das nur maschinell gelöst werden kann. Die Regulierung schafft die Bedingungen für KI, aber implementiert sie nicht.
Best-Execution wird weiterhin über Implementation Shortfall gemessen: die Differenz zwischen Entscheidungspreis und tatsächlichem Ausführungspreis, gewichtet mit der Ordergröße. Ein statisches Konzept. In einer fragmentierten Welt entstehen jedoch neue Kosten: Routing-Komplexität, Latenz-Arbitrage zwischen Venues, Information Leakage bei Splits. Diese Kosten ignoriert die traditionelle Best-Execution-Logik komplett. Ein KI-Agent kann sie messen, aber das Regelwerk gibt ihm dafür keinen Rahmen. Compliance bleibt eine ex-post-Quote, kein Echtzeit-Steuerungssignal.
Multi-Agent-Routing-Architektur für 2027: Wie KI-Agenten Blöcke über Venues verteilen
Die Antwort auf diese Fragmentierung kann kein monolithischer Algorithmus sein. Starre Rulebooks scheitern an der Dynamik der Märkte: Spreads, Latenzen und Liquidität ändern sich sekündlich. Eine Multi-Agent-Architektur, wie sie in anderem Kontext JP Morgan testet, skaliert hier. Drei Agenten kooperieren, um Blöcke optimal zu verteilen. Nicht sequenziell, sondern über Reinforcement Learning koordiniert.
Der erste Agent ist ein Latenz- und Kostenprognostiker. Er bewertet für jeden Venue in Echtzeit: Order-Buch-Tiefe, Queue-Position (wo steht meine Order im Zeitprioritätsbuch?), erwartete Ausführungswahrscheinlichkeit pro Preisebene und implizite Kosten aus Spread und Latenz. Sein Output ist eine probabilistische Kostenkarte: „Venue A: 80% Wahrscheinlichkeit, den Block in 50ms zu füllen, Durchschnittspreis 23,45 Euro.“ Ein Modell auf Basis von Transformer-Architekturen, trainiert auf historischen Book-Updates, liefert diese Prognose. Es kennt die Mikrostruktur jedes Marktes.
Der zweite Agent ist ein Fragmentierungs-Monitor. Er beobachtet nicht einzelne Venues, sondern das Zusammenspiel. Ein Split einer Blockorder auf fünf Venues kann den Spread insgesamt treiben, weil die Orderfragmente auf mehreren Büchern gleichzeitig Preise verschieben. Der Fragmentierungs-Monitor berechnet kontinuierlich, ob ein Block an einer einzelnen Venue billiger wäre als die Summe der Splits. Eine typische Kennzahl: die Cross-Venue-Spread-Elastizität. Steigt diese über einen Schwellwert, signalisiert der Agent: „Nicht splitten, Venue A bekommt den gesamten Block. Ja, der Spread dort ist 2 Basispunkte weiter, aber der Split kostet über alle Venues 5 Basispunkte mehr, weil drei Venues ihre Quoten nachziehen.“ Diese Erkenntnis liefert er an den zentralen Reinforcement-Learning-Koordinator.
Der dritte Agent parametrisiert RFQ-Protokolle (Request for Quote) mit Large Language Models. Bei liquiden Instrumenten kann ein LLM aus Nachrichten, Makrodaten und Micro-Sentiment-Indikatoren einen Handelskontext erstellen, der die RFQ-Anfrage an Market-Maker anreichert. Ein typisches Beispiel: Ein Trader möchte einen Block einer europäischen Bankaktie handeln. Der LLM-gestützte Agent erkennt aus EZB-Kommentaren und Quartalsergebnissen, dass das Sektor-Risk erhöht ist, und formuliert die RFQ-Anfrage mit einem Zeithorizont von unter zwei Minuten. Das verbessert die Quote, weil der Market-Maker den Kontext einpreisen kann. Diese Anreicherung funktioniert gut bei Standardwerten mit engem Spread.
Die Koordination der drei Agenten erfolgt nicht über vorprogrammierte Regeln, sondern über ein zentrales Reinforcement-Learning-Modul. Es bekommt die Outputs aller Agenten als Zustandsvektor und entscheidet: Block an Venue A, Split auf B und C, oder RFQ an drei Market-Maker. Die Belohnungsfunktion ist der Adjusted Implementation Shortfall (dazu später mehr). Das System lernt aus jeder Ausführung und passt ständig an. Starre Regelwerke wie „maximal 30% an einen Venue“ oder „ab 100.000 Stück RFQ“ entfallen.
Diese Architektur erfordert eine leistungsfähige Infrastruktur. Latenzarme Datenfeeds, Co-Location für die Venue-Anbindung und ein Feature-Store, der neue Marktdaten in Echtzeit verarbeitet. Für einen Prop-Trading-Desk mit 15 Händlern ist das stemmbar. Cloud-native Implementierungen mit FPGA-beschleunigten Inferenzen sind heute verfügbar. Wichtig: Der menschliche Händler bleibt als Supervisor, der Grenzen setzt – etwa maximale Positionsgrößen pro Venue oder Risikolimits für Dark-Pools.
Wo das RFQ-Protokoll mit LLM-Parametrisierung scheitert und was stattdessen funktioniert
RFQ ist der Standardweg, um bei großen Orders Preise von Market-Makern einzuholen. Die Idee, RFQ-Anfragen mit Kontext aus Large Language Models anzureichern, ist verlockend: Ein LLM fasst makroökonomische Analysen, Unternehmensnews und Sentiment-Indikatoren zusammen und schickt diese als Anhang mit der Quote. Bei liquiden Aktien und gängigen Anleihen mag das einen marginalen Vorteil bringen. Bei illiquiden Instrumenten wird es gefährlich.
Illiquide Anleihen, Credit Default Swaps (CDS) und manche Derivate haben keinen kontinuierlichen Marktpreis. Spreads sind oft indikativ und weichen massiv vom tatsächlichen Handel ab. Ein LLM, das einen historischen Textkorpus durchsucht und Preise „schätzt“, halluziniert unweigerlich. Es liefert eine präzise klingende Zahl, die auf Mustern aus dem Trainingsdatensatz beruht, nicht auf der aktuellen Marktrealität. Beispiel: Eine Unternehmensanleihe eines Automobilzulieferers hat im letzten Monat nur zwei Trades gesehen. Der Trainingskorpus enthält viele ähnliche Anleihen, aber der aktuelle Spread von 120 Basispunkten ist eine Fiktion. Der nächste Trade könnte bei 180 liegen, weil ein großer Halter plötzlich abgibt. Das LLM würde frohgemut 125 schätzen – und der RFQ-Empfänger könnte dieses Signal nutzen, um die Quote teurer zu machen. Information Leakage an den Gegenpart ist hier systemimmanent.
Eine Lösung ist ein Hybrid-Modell. Der LLM-Teil bleibt auf das beschränkt, was er kann: Kontext liefern aus makroökonomischen und sentimentbasierten Quellen. „Die Branche steht unter Druck wegen Zinserhöhungen, der Spread dürfte tendenziell weiter sein als im Vormonat.“ Diese qualitative Aussage fließt als Eingabe in ein statistisches Modell, nicht umgekehrt als direkter Preisschätzer. Für die Mikrostruktur, also den tatsächlichen Spread und die Ausführungswahrscheinlichkeit, kommt ein Kalman-Filter zum Einsatz. Er schätzt den wahren, unbeobachtbaren Spread aus einer Reihe verrauschter Beobachtungen: Indikationen, historische Trades, Orderbuch-Ungleichgewichte. Der Filter aktualisiert seine Schätzung bei jedem neuen Datenpunkt und liefert ein Intervall, nicht einen Punktwert. Das ist die Grundlage für eine solide Block-Entscheidung.
Ein typischer Fall: Ein Credit-Trader muss einen CDS-Block von 20 Millionen auf einen italienischen Emittenten absichern. Das LLM meldet erhöhte politische Unsicherheit. Der Kalman-Filter zeigt einen impliziten Spread von 95 Basispunkten mit einem 95%-Intervall von 85 bis 140. Die Entscheidung fällt gegen RFQ. Stattdessen wird der Block auf einen Dark Pool und einen bilateralen Kanal gesplittet, wobei die Split-Quote so gewählt wird, dass der Information-Leakage-Erwartungswert unter 1 Basispunkt bleibt. Ein probabilistisches Modell steuert, wie viel Volumen in den Dark Pool geht, ohne dort Signale an andere Teilnehmer zu senden, die den Preis treiben könnten. Der Kalman-Filter läuft im Hintergrund weiter und justiert die Strategie nach, wenn neue Signale kommen.
Dieser hybride Ansatz ersetzt die naive LLM-Parametrisierung bei illiquiden Titeln. Er benötigt saubere Daten und ein robustes statistisches Framework, liefert aber nachvollziehbare, adaptive Ergebnisse. Der EU AI Act, der Hochrisiko-KI im Handel reguliert, verlangt genau diese Nachvollziehbarkeit. Ein reines LLM ohne statistische Absicherung wäre nicht prüffähig und würde Audits nicht bestehen.
Best-Execution 2027: Der Kalman-Filter als neues KPI-Gerüst
Best-Execution nach MiFID II wird über den Implementation Shortfall bewertet: Abweichung vom Entscheidungspreis. In einer fragmentierten Venue-Landschaft stößt dieses Maß an Grenzen. Es belohnt eine schnelle, aber nicht notwendigerweise günstige Ausführung, und es ignoriert die versteckten Kosten der Fragmentierung: Routing-Aufwand, Spread-Ausweitung durch eigene Orders, Information Leakage. Ein Adjusted Implementation Shortfall (AIS) ist nötig.
Der AIS addiert zum klassischen Shortfall eine Routing-Komplexitätsstrafe. Sie bemisst, wie stark die Order Venues beansprucht hat, in Relation zur erzielten Liquidität. Ein Block, der über fünf Venues Split-fill ausgeführt wurde und dabei dreimal Quote-Anpassungen verursacht hat, bekommt einen Malus. Die Strafe ist nicht linear, sondern über einen Kalman-Filter geschätzt: Sie misst den latenten Einfluss der eigenen Routing-Entscheidung auf den Cross-Venue-Spread. Der Filter lernt über die Zeit, welche Venue-Kombinationen Spread-stabil sind und welche zu Overshooting neigen.
Beispielhafte Metrik: Ein Trader führte 100 Blockorders aus, durchschnittlich 12 Basispunkte Implementation Shortfall. Der klassische Wert täuscht, denn bei 30 dieser Orders führte der Split zu deutlichen Gegenanpassungen an anderen Venues, die den Spread langfristig weiteten. Der AIS bereinigt um diese Effekte und zeigt korrigiert 15 Basispunkte. Die drei Basispunkte Differenz sind die wahren Kosten der Fragmentierung. Ein KI-Agent, der auf AIS optimiert, wählt seltener komplexe Splits und nutzt stattdessen Dark Pools oder bündelt Blöcke zeitlich, bis ein Venue genügend Tiefe meldet.
Ein Backtesting-Framework ist essenziell, um solch ein KPI-System zu validieren. Historische Orderbücher aller relevanten Venues werden mit Snapshots über Monate gespeichert. Dagegen spielt man Agent-Entscheidungen: Was hätte der Agent am 5. März um 14:32 für diesen Block getan? Welcher Venue bekam wie viel? Wie entwickelte sich der Cross-Venue-Spread in den folgenden Minuten? Diese Simulation erfordert granulare Daten und eine replay-fähige Umgebung, aber sie ist machbar. Prop-Trading-Desks und Market-Maker haben diese Daten oft schon. Neu ist die Möglichkeit, Reinforcement-Learning-Agenten im Backtest zu trainieren und den AIS als Loss-Funktion zu nutzen.
Aus regulatorischer Sicht ist entscheidend, dass der AIS dokumentierbar und prüfbar bleibt. Die Komponenten des Kalman-Filters und die Strafparameter müssen offengelegt werden, ohne das IP des Modells zu gefährden. Ein Prüfbericht könnte zeigen: „Agent-Entscheidung basierte auf einem Unsicherheitsintervall von 10 bis 14 Basispunkten, Routing-Strafe bei Split 3 Basispunkte, erwarteter Netto-Shortfall 11 Basispunkte.“ Das ist auditerbar und erfüllt die Anforderungen an Hochrisiko-KI.
Keine Compliance, sondern Architektur. Wolfgangs Blaupause für Prop-Trading-Desks
Die MiFID-Review liefert regulatorische Rahmen, aber keine operative Lösung für die Spread-Fragmentierung. Wer glaubt, mit besseren Compliance-Reports das Problem in den Griff zu bekommen, rennt hinterher. Echte Fragmentierung braucht eine Multi-Agent-Architektur, die Latenz, Liquidität und Information Leakage in Echtzeit bewertet und adaptiv handelt. Meine Blaupause setzt genau dort an.
Die FCA-Logik, auf die sich viele britische und auch einige europäische Häuser stützen, geht von Venue-Neutralität und Zeitinvarianz aus. Sie unterstellt, jede Venue sei gleich gut und ein einmal definiertes Routing-Rulebook sei dauerhaft optimal. Das ist in einem dynamischen Markt falsch. Spreads ändern sich, neue Venues entstehen, Makro-Schocks verschieben Prioritäten. Ein KI-gesteuertes Multi-Agent-System lernt ständig dazu und passt sich an. Es ist nicht auf eine einzelne Jurisdiktion beschränkt, sondern kann mit mehreren Regulierungsregimen umgehen, indem es Compliance-Checks als Constraints in die Optimierung einbaut.
Die konkrete Implementierung beginnt mit drei Schritten. Erstens: Infrastruktur für Echtzeit-Datenfeeds über alle gehandelten Venues aufbauen, inklusive Dark Pools und bilateraler Kanäle. Zweitens: Agenten als Microservices in einer Cloud-nativen Umgebung deployen, mit Latenz unter 100 Mikrosekunden für die Entscheidungsfindung. Drittens: Backtesting-Framework mit historischen Daten installieren und Agenten zunächst im Schattenmodus laufen lassen, bevor echtes Geld fließt.
Der Nutzen ist kein abstrakter Renditehebel, sondern messbar: Senkung des Adjusted Implementation Shortfall um 2 bis 5 Basispunkte pro Trade. Das summiert sich bei aktivem Handel auf Millionenbeträge im Jahr. Gleichzeitig sinkt das Risiko von Information Leakage und unnötigen Spread-Ausweitungen, die Reputation kosten können.
Die naivste Zeile in vielen RFQ-Diskussionen lautet: „Das LLM macht die Quote klüger.“ Das gilt nur für liquide Instrumente. Bei Illiquidität ist das RFQ-Protokoll mit LLM-Parametrisierung eine Gefahr, die Geld kostet und Compliance brüskiert. Die Alternative habe ich skizziert: hybrides Modell, Kalman-Filter, probabilistisches Dark-Pool-Handling. Das ist umsetzbar, braucht aber Mut zur Architektur. Nicht zum Tool.
Wer diese Blaupause adaptiert, positioniert sich für 2027 und darüber hinaus nicht als Compliance-getriebener Verwalter, sondern als datengetriebener Marktteilnehmer. Der Wettbewerbsvorteil liegt in der Architektur, nicht im Regeltext.