Wat is 'Quantamental' trading? De mix tussen data en fundamentele analyse
Stel je voor: je zit achter je scherm, de markten gaan los, en je probeert niet alleen op je onderbuikgevoel te vertrouwen.
Je wilt de diepte in, met data én met verhalen van bedrijven. Dat is precies wat quantamental trading doet. Het is geen magie, maar een slimme mix van twee werelden die elkaar versterken. Quantamental trading combineert kwantitatieve modellen met fundamentele analyse.
Je gebruikt wiskundige modellen om patronen te vinden, en je voegt menselijke inzichten toe over bedrijven, sectoren en economische trends. Het is alsof je een raceauto bestuurt met zowel een GPS (data) als een ervaren navigator (kennis van de weg).
Waarom deze mix zo krachtig is
Alleen op data vertrouwen kan leiden tot modellen die de markt niet begrijpen.
Alleen op fundamentele analyse vertrouwen kan subjectief zijn en traag. Samen bieden ze een evenwicht: snelle, geautomatiseerde signalen ondersteund door diepgaande kennis. Denk aan een Python-script dat een backtest draait op 10 jaar historische data. Je ziet een mooi rendement, maar dan check je fundamentele data: is het bedrijf winstgevend?
Heeft het sterke cashflows? Zo voorkom je dat je in een valkuil stapt.
Met een broker die een snelle API biedt, kun je signalen direct uitvoeren.
Bijvoorbeeld Interactive Brokers of Alpaca, waar je via REST of WebSocket real-time data en orders kunt verwerken. Je risicomanagement blijft centraal: stop-losses, position sizing en portefeuillegrenzen.
Hoe het werkt: de kern in de praktijk
Start met een duidelijke data-pijplijn. Haal historische koersen via Yahoo Finance, Quandl, of een broker-API.
Voor een robuuste setup gebruik je Python met bibliotheken als pandas, numpy en vectorbt. Je bouwt een backtesting-engine die snel duizenden scenario’s doorrekent. Vervolgens voeg je fundamentele data toe: winst per aandeel (EPS), omzetgroei, schuldratio’s, waarderingsmaten zoals P/E en EV/EBITDA.
Deze haal je uit bronnen zoals Morningstar, SEC filings of een API van je broker. Je koppelt deze gegevens aan je kwantmodellen, of verrijkt ze met sentiment analyse op basis van nieuwsfeeds.
Je signaal wordt nu een mix: een technisch momentum-signaal én een fundamentele bevestiging.
Bijvoorbeeld: een aandeel breekt boven zijn 50-dagen moving average, én het bedrijf rapporteert een EPS-stijging van 15% op jaarbasis. Pas dan neemt je bot een long-positie in. Risicomanagement is onmisbaar. Gebruik een vaste fractie van je kapitaal per trade, bijvoorbeeld 1% tot 2%.
Stop-losses op 5-8% afhankelijk van volatiliteit. Bij een portfolio van 10 posities houd je maximaal 20% blootstelling aan één sector. Je bot controleert dit automatisch via de API.
Varianten en modellen met prijsindicaties
Je kunt quantamental op verschillende manieren invullen. Hier zijn drie populaire varianten, met concrete instapdetails:
- Momentum + Fundamentele kwaliteit: Koop aandelen die de laatste 6 maanden sterker presteren dan de markt, maar alleen als de return on equity (ROE) boven 15% ligt en de schuld/EBITDA onder 2 is. Backtest dit op 10 jaar data in Python met vectorbt. Prijsindicatie: een bot op een VPS vanaf €5-10 per maand, datakosten €20-50 per maand.
- Value + Technische bevestiging: Zoek aandelen met een lage P/E (<12) en een positief 200-dagen moving average. Gebruik een API van je broker voor orderuitvoering. Stop-loss op 6%, take-profit op 15%. Kosten: broker-commissie €0,01 per aandeel, minimale ordergrootte €10.
- Factor-gebaseerd mix: Combineer factoren zoals size, value, momentum en kwaliteit. Gebruik een Python-omgeving met Jupyter Notebooks voor analyse. Voeg fundamentele filters toe via een externe data-provider. Prijsindicatie: data-provider abonnement €30-100 per maand, VPS €5-15 per maand.
Elke variant vereist een backtest. Bouw een script dat de Sharpe-ratio, max drawdown en winstpercentage berekent. Test op minimaal 5 jaar historische data. Gebruik walk-forward analyse om overfitting te voorkomen.
Praktische tips om te starten
Begin klein. Kies één strategie en één markt, bijvoorbeeld US-aandelen.
Gebruik een broker met een goede API, zoals Interactive Brokers of Alpaca. Zorg dat je order execution betrouwbaar is, met lage latency. Bouw je Python-omgeving op met een virtual environment. Gebruik bibliotheken als pandas, yfinance, en backtrader of vectorbt voor backtesting.
Log elke trade en elke beslissing, zodat je later kunt analyseren wat werkt. Integreer risicomanagement vanaf dag één.
Stel harde limieten in: max 2% per trade, max 20% per sector.
Gebruik een dashboard om je portefeuille te monitoren, bijvoorbeeld met Streamlit of Grafana. Zo houd je overzicht, ook als de markt turbulent wordt. Analyseer je momentum trading strategie in een paper trading-omgeving voordat je echt geld inzet.
Laat hem minimaal 2-4 weken draaien. Controleer of de API-call limieten niet worden overschreden en of je data-kwaliteit stabiel is.
Denk aan kosten. Een VPS kost €5-15 per maand, data feeds €20-100, broker-commissies variëren. Houd rekening met slippage en spreads, vooral bij small-cap aandelen.
Een realistische backtest houdt hier rekening mee. En tot slot: blijf leren.
De markt verandert, en je quantamental aanpak moet meebewegen. Lees fundamentele rapporten, volg sector nieuws, en vernieuw je kwantmodellen regelmatig. Zo blijft je bot scherp en je strategie relevant.