INSM · Insmed Incorporated
Stock Universe · globaler AktienmarktINSM Algorithmatische Handelsstrategie im 15-Minuten-Raster: Detaillierte Quant-Analyse einer hochselektiven Trendfolgelogik
Diese quantitative Strategieanalyse untersucht die historische Simulation einer automatisierten Handelslogik fur die INSM-Aktie auf Basis eines 15-Minuten-Ausfuhrungsrasters uber einen Zeitraum von knapp sieben Jahren. Die Performance-Daten zeigen eine auffallende Synthese aus extrem niedriger Frequenz und ungewohnlich langer Haltedauer: Bei lediglich 66 abgeschlossenen Trades erzielte das System eine historische Win-Rate von 81,82 % und einen Profit-Factor von 3,75. Obwohl das Signal auf Intraday-Intervallen generiert wird, erstreckt sich die durchschnittliche Haltedauer auf uber 509 Stunden (ca. 21 Tage), was die Strategie als klassischen Swing- bis Positions-Ansatz charakterisiert. Mit einem maximalen Drawdown von 23,58 % und einer Konzentration der drei grossten Gewinner auf 35,52 % des Bruttogewinns liefert diese quantitative Untersuchung tiefgreifende Einblicke in die Risiko-Ertrags-Dynamik automatisierter Trading-Bots im Aktienbereich.
Analyse vom 19.11.2026. Die Strategiedaten werden separat aktualisiert.Vollständige Analyse lesen
1. Strategieprofil
Das hier analysierte Handelssystem fur das Wertpapier INSM basiert auf einem 15-Minuten-Zeitfenster, unterscheidet sich jedoch grundlegend von typischen hochfrequenten Intraday-Strategien. Mit einem DevioLab-Score von 74,55 und Rang 3 unter den evaluierten Strategien fur diesen Ticker reprasentiert die Logik einen hochselektiven Ansatz. Im Beobachtungszeitraum vom 16. September 2019 bis zum 2. September 2026 - was einer mathematischen Historie von nahezu sieben Jahren (6,96 Jahre) entspricht - wurden insgesamt lediglich 66 Trades vollstandig abgeschlossen. Dies entspricht einer durchschnittlichen Frequenz von knapp 9,48 Trades pro Jahr beziehungsweise 1,29 Trades pro aktivem Monat. Die Strategie verwendet somit das unterjahrige 15-Minuten-Chart als feingliedriges Ausfuhrungsraster, um prazise Einstiegszeitpunkte zu identifizieren, verweilt anschliessend jedoch uber langere Zeitraume im Markt. Die kumulierte historische Gesamtrendite uber alle simulierten Trades belauft sich auf 71.928,16 %, was unter Berücksichtigung der Zinseszinsdynamik geschlossener Trades einer hochgradig exponierten mathematischen Progression entspricht. Solche Algorithmen bieten die ideale mathematische Grundlage fur den Einsatz in einem vollautomatisierten Trading-Bot oder Trading-Agenten, da die Regelgebundenheit emotionale Fehleinschatzungen bei lang anhaltenden Haltedauern konsequent ausschliesst.
2. Handelsrhythmus und Haltedauer der Positionen
Eine der auffallendsten statistischen Eigenschaften dieser Strategie ist die Diskrepanz zwischen dem untergeordneten 15-Minuten-Chartintervall und der tatsachlichen Haltedauer der Positionen. Die durchschnittliche Haltedauer pro Trade liegt bei 509,19 Stunden, was umgerechnet rund 21,2 Kalendertagen entspricht. Der Median der Haltedauer fallt mit 312,25 Stunden (etwa 13 Kalendertage) moderater aus, verdeutlicht jedoch ebenfalls, dass es sich um eine mittelfristige Swing-Trading- bis Position-Trading-Logik handelt. Ausserdem liegen zwischen zwei geschlossenen Trades im Durchschnitt 38,37 Tage (Median: 29,94 Tage). Dies verdeutlicht, dass der Algorithmus lange Phasen der Marktbeobachtung einlegt und nur dann Marktpositionen eingeht, wenn das regelbasierte Anforderungsprofil vollstandig erfullt ist. Das Zusammenwirken von feingliedrigem 15-Minuten-Intervall und mehrwochiger Haltedauer deutet darauf hin, dass die Signallogik sehr strikte Filter nutzt, um Fehlsignale in Konsolidierungsphasen zu vermeiden. Ein Trading-Robot, der auf dieser Logik aufbaut, agiert somit nicht als Vieltrader, sondern als geduldiger Jager, der Marktchancen selektiv wahrnimmt und Gewinne uber langere Trends ausreitet.
3. Qualität der historischen Ergebnisse
Die Ertragsstruktur des Systems zeichnet sich durch eine bemerkenswerte Trefferquote von 81,82 % aus, was 54 Gewinntrades gegenüber nur 12 Verlusttrades entspricht. Der Profit-Factor von 3,75 stellt ein solides Fundament dar und signalisiert, dass der Bruttogewinn den Bruttoverlust um mehr als das Dreieinhalbfache ubersteigt. Bei genauerer Betrachtung der Verteilung zeigt sich ein gewinnbringendes Verhältnis zwischen dem durchschnittlichen Trade-Ergebnis von +12,47 % und dem Median von +6,88 %. Der im Vergleich zum Median spürbar hohere Mittelwert weist auf das Vorhandensein starker positiver Ausreisser hin. Der beste Einzeltrade erzielte ein Plus von 164,14 %, wahrend der schlechteste geschlossene Trade einen Verlust von -15,78 % erlitt. Ein zentraler analytischer Aspekt ist der Anteil der drei grossten Gewinntrades am gesamten Bruttogewinn: Dieser liegt bei 35,52 %. Das bedeutet, dass die Strategie zwar von einigen sehr lukrativen Extrembewegungen profitiert, das Gesamtergebnis aber nicht ausschliesslich an einer winzigen Handvoll Ausnahmetrades hangt. Vielmehr existiert eine breite Basis an moderaten Gewinnen, welche zusammen mit den Top-Performern zu der stabilen Gesamtertragsstruktur beitragen.
4. Risiko, Drawdown und Verlustverhalten
Im Bereich des Risikomanagements offenbart die historische Simulation ein gut konturiertes Risikoprofil. Der maximale historische Drawdown belauft sich auf 23,58 %. In Anbetracht des erheblichen Gesamtertrags und der langen Haltedauern ist eine maximale Equity-Inanspruchnahme von knapp unter einem Viertel des Kapitals ein akzeptabler statistischer Wert, der jedoch vom Anwender Disziplin verlangt. Die Analyse der Verlustserien unterstreicht die funktionale Starke der Selektionskriterien: Die meiste Zeit schliesst das System erfolgreiche Trades ab, was sich in einer hochsten gewinnbringenden Serie von 11 Trades in Folge widerspiegelt. Die langste Verlustserie begrenzte sich historisch auf lediglich 2 Verlusttrades in Folge. Das Ausmass des maximalen Einzelverlusts von -15,78 % zeigt zudem, dass die Strategie Verlustpositionen konsequent abwickelt, bevor diese katastrophale Ausmasse annehmen konnen. Das Zusammenspiel aus hoher Trefferquote (81,82 %), moderater maximaler Verlustserie und strikt gedeckeltem Maximalverlust fuhrt zu einer Ertragskurve, deren Rücksetzer zwar spürbar, aber historisch betrachtet zeitnah wieder aufgeholt werden konnten.
5. Historische Entwicklung und jährliche Stabilität
Ein Blick auf die jahresbezogene Auswertung (yearly_breakdown) offenbart die Konsistenz und Phasenabhangigkeit des Systems uber den gesamten Zeithorizont von 2019 bis 2026. Im Startjahr 2019 erzielte die Strategie in den verbleibenden Monaten bei 2 Trades eine Trefferquote von 100 % und ein Summenergebnis von +36,23 %. Die ertragreichsten Phasen bildeten das Jahr 2020 mit 13 Trades, 84,62 % Win-Rate und +153,11 % Renditesumme, sowie das Jahr 2024 mit 9 Trades, 88,89 % Win-Rate und +204,37 % kumuliertem Plus. Auch schwachere Phasen wie 2022 und 2025 zeigten eine bemerkenswerte Resilienz: Obwohl die Trefferquote in diesen Jahren jeweils auf 60,00 % absank (2022: 6 Gewinne bei 4 Verlusten; 2025: 3 Gewinne bei 2 Verlusten), blieben die Jahresergebnisse mit +73,80 % bzw. +131,76 % deutlich im positiven Bereich. Selbst in Phasen mit niedriger Handelsfrequenz, wie 2023 mit nur 6 Trades, schloss das System alle Trades profitabel ab (+85,64 %). Für das Rumpfjahr 2026 stehen bisher 7 Trades mit einer Win-Rate von 85,71 % und +73,68 % zu Buche. Diese breite Verteilung der Ertrage uber alle Kalenderjahre hinweg belegt, dass der Erfolg der Strategie nicht auf ein einzelnes Ausnahmejahr beschrankt ist.
6. Jüngster Analysezeitraum seit 01.06.2024 im Vergleich zur Gesamthistorie
Um die Relevanz der Strategie unter aktuellen Marktbedingungen zu bewerten, dient das gesonderte Zeitfenster seit dem 1. Juni 2024 als wichtiger Prüfstein. In diesem jüngsten Auswertungsabschnitt wurden insgesamt 19 Trades abgeschlossen, die eine kumulierte Ertragssumme von +248,02 % generierten. Dass fast 29 % aller historischen Trades (19 von 66) in diesen Zeitraum von rund zwei Jahren fallen, zeigt eine Intensivierung der Signalaktivitat im Vergleich zum langfristigen Durchschnitt von 9,48 Trades pro Jahr. Diese erhohte Aktivitat ging keineswegs mit einem Qualitätsverlust einher: Der beachtliche Ertragssummenwert von +248,02 % demonstriert, dass das Handelssystem die Marktbewegungen von INSM in der jüngeren Vergangenheit hochgradig effektiv nutzen konnte. Die Ergebnisse des jüngsten Zeitraums stützen die Hypothese, dass die zugrunde liegende Trendfolgelogik auch in veranderten Marktumfeldern funktionsfahig bleibt und keine strukturelle Entkopplung von der historischen Performancedynamik stattgefunden hat.
7. Stärken und Limitationen der Systemlogik
Die analytische Gegenuberstellung der Systemmerkmale offenbart klare mechanische Stärken, aber auch systemimmanente Schwachpunkte. Zu den evidenten Stärken gehort die hervorragende Win-Rate von 81,82 % gepaart mit einem Profit-Factor von 3,75. Die geringe Frequenz von weniger als 10 Trades pro Jahr erfordert minimalen Überwachungsaufwand und schont die operative Infrastruktur eines Trading-Bots. Die Limitationen ergeben sich primar aus dem Stichprobenumfang: 66 Trades uber knapp sieben Jahre stellen eine eher schmale statistische Basis dar. Aus statistischer Sicht bedeutet eine geringe Anzahl von Stichproben, dass Konfidenzintervalle breiter ausfallen und zufallige Markteinflusse einen hoheren relativen Effekt haben konnen als bei Hochfrequenzsystemen. Zudem verlangt die durchschnittliche Haltedauer von rund 21 Tagen dem Anwender eine erhebliche mentale Belastbarkeit ab, da Zwischenschwankungen und ein maximaler Drawdown von 23,58 % über Wochen hinweg durchgehalten werden mussen. Das Risiko einer zeitweisen Underperformance in langwierigen Seitwartsphasen bleibt somit eine reale Groesse.
8. DevioLab analytische Schlussfolgerung
Mit einem DevioLab-Score von 74,55 und der Platzierung auf Rang 3 fur den Ticker INSM ordnet sich diese Strategie als ein aussergewohnlich performantes, wenn auch hochspezialisiertes Quant-Modell ein. Die Symbiose aus einem hochfrequenten 15-Minuten-Einstiegsraster und langgestreckten Haltedauern von im Mittel uber 500 Stunden hat sich historisch als extrem effizient erwiesen. Die Konzentration des Bruttogewinns der drei besten Trades von 35,52 % zeigt eine gesunde Balance zwischen Ausreisser-Gewinnen und einer verlasslichen Basisrendite. Für die Implementierung in automatisierten Trading-Agenten bietet die Logik ein klares, mathematisch klar definiertes Regelwerk. Dennoch sollten Händler berucksichtigen, dass die hohe Gesamtrendite auch das Resultat von Zinseszins-Effekten simulierter geschlossener Positionen ist. Die historischen Daten bescheinigen dem System eine herausragende Effizienz im Umgang mit der Aktie INSM, erfordern jedoch ein striktes Risikomanagement hinsichtlich des maximalen Drawdowns.
9. Datenumfang und Methodik
Die in diesem Artikel prasentierten Kennzahlen basieren auf historisch simulierten, geschlossenen Trades des Wertpapiers INSM im Zeitraum vom 16.09.2019 bis zum 02.09.2026. Das zugrunde liegende Kerndiagramm beruht auf 15-Minuten-Intervallen (15m). Alle Ertragsangaben, einschliesslich der prozentualen Summen und Jahreswerte, verstehen sich als rein mathematische Auswertungen geschlossener Transaktionen auf Historienbasis. Sie berücksichtigen keine individuellen Gebührenstrukturen, Slippage, Ausführungskraft oder künftige Marktveranderungen. Diese Analyse dient ausschliesslich wissenschaftlichen und informativen Zwecken der quantitativen Strategieforschung und stellt keine Anlageberatung oder Aufforderung zum Kauf oder Verkauf von Finanzinstrumenten dar. Vergangene Simulationstestergebnisse sind kein verlasslicher Indikator für zukünftige Performanceergebnisse realer Trading-Bots oder automatisierter Systeme.