Am 10. und 11. Oktober 2025 wurden innerhalb von 24 Stunden mehr als 19,3 Milliarden Dollar in gehebelten Kryptowährungspositionen zwangsweise liquidiert, laut CoinGlass-Daten, die von CNBC zitiert wurden.[s] Bitcoin fiel um bis zu 14,5 Prozent, Altcoins sanken noch stärker, und mehr als 1,6 Millionen Händler wurden liquidiert.[s] Den Höhepunkt bildete ein einzelnes 60-Sekunden-Intervall, in dem 3,21 Milliarden Dollar verschwanden, wobei 93,5 Prozent des Spitzenvolumens dieser Minute aus Zwangsverkäufen stammten und praktisch keine Zeit für menschliche Eingriffe blieb.[s]
Dies war keine traditionelle Marktkorrektur. Es war Flash-Crash-Fragilität in ihrer reinsten Form: eine Kaskade algorithmischer Entscheidungen, die sich gegenseitig in einem Tempo verstärkten, das kein menschlicher Händler unterbrechen konnte. Während Kryptowährungsmärkte Schlagzeilen machten, verankern sich dieselben Dynamiken still in Schwellenmärkten weltweit und schaffen systemische Risiken, die Aufsichtsbehörden erst beginnen zu verstehen.
Das Wettrüsten um Geschwindigkeit
Hochfrequenzhandelsfirmen konkurrieren im Mikrosekundenbereich. Ihre Server befinden sich innerhalb von Börsenrechenzentren, eine Praxis namens Co-Location, die ihnen ermöglicht, Aufträge schneller zu platzieren als Wettbewerber, deren Maschinen weiter vom Matching-Engine entfernt sind.[s] Dieser Geschwindigkeitsvorteil ist lukrativ: Ein BIS-Arbeitspapier von 2025 stellt fest, dass HFT-Firmen mehr als 50 Prozent des Aktienmarkthandelsvolumens ausmachen.[s]
Die Vorteile sind real. Engere Geld-Brief-Spannen bedeuten niedrigere Transaktionskosten für gewöhnliche Anleger. Doch dieselbe Infrastruktur, die diese Gewinne ermöglicht, erhöht auch die Anfälligkeit für Extremereignisse, einschließlich Flash-Crashes.[s] Wenn Algorithmen auf Preisbewegungen reagieren, können sich ihre Reaktionen aufschaukeln. Ein System verkauft, ein anderes erkennt den Kursrückgang und verkauft ebenfalls, ein drittes zieht seine Kaufaufträge vollständig zurück. Beim Kryptowährungscrash im Oktober 2025 zogen Market-Making-Algorithmen Liquidität schneller ab, als Menschen die Lage beurteilen konnten. Die Orderbuchtiefe verdampfte um mehr als 98 Prozent.[s]
Warum Schwellenmärkte anfällig sind
Flash-Crash-Fragilität kann in Schwellenmärkten aus einem strukturellen Grund besonders gefährlich sein: Ihre Derivatemärkte übersteigen oft bei weitem ihre zugrunde liegenden Kassamärkte. Indien bietet ein anschauliches Beispiel. Bis April 2025 entfielen auf Indiens Derivatemärkte 61 Prozent aller weltweiten Aktienoptionskontrakte.[s] Am 17. Januar 2024 verzeichnete der Bank-Nifty-Index einen Optionsumsatz von 1,26 Billionen Dollar gegenüber lediglich 3,6 Milliarden Dollar im zugrunde liegenden Aktienhandel: eine Diskrepanz von 350 zu 1.[s]
Dieses Ungleichgewicht schafft einen fruchtbaren Boden für versierte Händler. Wenn der Derivatemarkt hundertfach größer ist als der Kassamarkt, kann ein Unternehmen mit ausreichend Kapital die Basispreise bewegen, um von Optionspositionen zu profitieren. Genau das warf Indiens Marktaufsichtsbehörde SEBI dem US-Handelsgiganten Jane Street vor. Jane Street hat jedes Fehlverhalten bestritten.[s]
Laut der vorläufigen Anordnung von SEBI vom Juli 2025 tätigte Jane Street morgens umfangreiche Käufe von Bank-Nifty-Aktien, die mitunter 15 bis 25 Prozent des gesamten Marktvolumens ausmachten. Diese Käufe trieben den Index nach oben. Gleichzeitig hielt das Unternehmen massive Short-Positionen in Optionen, die von einem späteren Kursrückgang profitieren würden. Am Nachmittag kehrte Jane Street den Kurs um und verkaufte die gekauften Aktien aggressiv, was den Index wieder nach unten drückte.[s] SEBI stellte fest, dass Jane Streets Optionspositionen in Delta-Äquivalent-Begriffen 7,3-mal größer waren als seine Aktien- und Futures-Positionen, ein für legitime Indexarbitrage ungewöhnliches Ungleichgewicht.[s]
Das Ausmaß war erschreckend. An mehreren Handelstagen war Jane Street allein für die gesamte positive Kursauswirkung auf den Bank-Nifty-Index verantwortlich, während der Rest des Marktes netto Abwärtsdruck ausübte.[s] SEBI gibt an, dass das Unternehmen in etwas mehr als zwei Jahren schätzungsweise 4,3 Milliarden Dollar in Indien erwirtschaftet hat.[s] Privatanleger verloren derweil erheblich. Im Geschäftsjahr 2025 verloren indische Privatanleger im Derivatehandel 1,05 Billionen Rupien, etwa 11,6 Milliarden Dollar, gegenüber 750 Milliarden Rupien im Vorjahr; die BBC stellte fest, dass diese Verluste der Privatanleger nicht direkt Jane Street zugeschrieben werden können.[s]
Das Herdenproblem
Der Fall Jane Street enthüllte die mutmaßliche Manipulation eines einzelnen Unternehmens. Doch es gibt ein noch heimtückischeres Problem: Algorithmische Systeme können Flash-Crash-Fragilität erzeugen, selbst wenn kein einzelner Akteur Schaden beabsichtigt. Wenn Handelsalgorithmen ähnliche Architekturen, ähnliche Trainingsdaten oder ähnliche Marktsignale teilen, können sie zu ähnlichen Zeiten zu ähnlichen Schlussfolgerungen gelangen. Aufsichtsbehörden und Rechtsanalysten haben gewarnt, dass diese Art von Modellkonzentration Herdenverhalten und hoch korrelierte Märkte ohne ausdrückliche Koordination fördern kann.[s]
Ein arXiv-Preprint vom April 2026 argumentiert, dass KI-Handelsagenten unter normalen Marktbedingungen divers erscheinen, sich aber unter Stress synchronisieren können. Repräsentationshomogenität, der Grad, in dem Algorithmen Marktdaten auf ähnliche Weise kodieren, kann den effektiven Raum der Prognoseuneinigkeit in Krisenzeiten komprimieren, selbst wenn die Prognosen zuvor vielfältig erschienen.[s] Die Autoren argumentieren außerdem, dass Niedrigvolatilitätsphasen endogen versteckten Leverage akkumulieren können, der anschließend kollabiert, wenn Schocks synchronisiertes Deleveraging auslösen.[s]
Dies schafft ein Paradoxon. Forschungsergebnisse auf Basis chinesischer Marktdaten deuten darauf hin, dass algorithmischer Handel die Volatilität verringern und die Anlegerstimmung in normalen Zeiten dämpfen kann.[s] Wenn der Markt jedoch rückläufig ist, schwächt sich dieser stabilisierende Effekt erheblich ab.[s] Genau die Mechanismen, die kleine Schwankungen glätten, können große verstärken.
Chinas Reaktion
China hat entschlossen gegen Flash-Crash-Fragilität vorgegangen. Ende 2025 berichteten Medien, dass die Shanghaier und Shenzhener Börsen Regeländerungen diskutierten, die Wertpapierfirmen dazu verpflichten könnten, kundenspezifische HFT-Geräte innerhalb von drei Monaten aus Börsenrechenzentren zu entfernen.[s] Im Januar 2026 berichtete 5paisa, dass die Shanghaier Terminbörse Brokern angeordnet hatte, HFT-Server bis Ende des Monats zu räumen.[s]
Die Marktauswirkungen waren unmittelbar. Metallpreise an den Börsen in Shanghai und London fielen nach der Ankündigung des Vorgehens scharf.[s] Der Schritt verdeutlichte, wie tief HFT-Aktivitäten in die Preisbildung eingebettet waren: Derselbe Bericht besagte, dass Hochfrequenztransaktionen frühere Kursanstiege mitbefeuert hatten, und die Preise korrigierten anschließend nach unten.
Was als Nächstes kommt
Der Fall Jane Street setzt einen Präzedenzfall für das regulatorische Denken weltweit, insbesondere für Schwellenmärkte mit geringem Kassamarktvolumen, aber ausgeprägter Derivateaktivität.[s] Länder, die mit einer Schwellenmarkt-Schuldenkrise konfrontiert sind, sehen sich außerdem einer zweiten strukturellen Schwachstelle gegenüber: Ihre Finanzinfrastruktur könnte auf Geschwindigkeit statt auf Stabilität ausgelegt sein.
Kommentatoren haben mehrere Reformen vorgeschlagen. Sandbox-Tests oder Vorabgenehmigungsverfahren könnten Börsen dazu verpflichten, die Risikoimplikationen neuer Algorithmen vor dem Einsatz zu prüfen. Verbesserte Offenlegungsvorschriften könnten eine konsolidierte Berichterstattung für alle Unternehmen unter gemeinsamer Eigentümerschaft erfordern. Die Abrechnungsmethodik selbst könnte überarbeitet werden: Eine Erweiterung des Zeitfensters für die Preisberechnung oder die Einführung von Beteiligungsobergrenzen während der Verfallsstunden könnten Schlusskurse vor konzentrierten Trades schützen.
Fortgeschrittene KI-Systeme könnten in Stressphasen sprödere und hochkorrelierte Märkte erzeugen, Schwankungen verstärken, indem sie gemeinsam agieren, und Liquidität genau dann untergraben, wenn sie am meisten benötigt wird.[s] Algorithmische Handelsstrategien enthalten oft Sicherheitsmechanismen, die bei hoher Volatilität Risikoreduzierung oder vollständige Abschaltungen auslösen. Ihre gleichzeitige Aktivierung bei mehreren Marktteilnehmern könnte destabilisierende Rückkopplungsschleifen erzeugen.[s]
Flash-Crash-Fragilität ist kein Fehler in modernen Märkten. Sie ist ein Merkmal einer Infrastruktur, die darauf ausgelegt ist, Geschwindigkeit auf Kosten der Resilienz zu maximieren. Die Frage ist, ob Regulatoren vor der nächsten Kaskade handeln werden oder danach.
Co-Location-Infrastruktur und Latenzarbitrage
Hochfrequenzhandel hängt von der physischen Nähe zu den Matching-Engines der Börsen ab. Co-Location-Services ermöglichen es Firmen, Server innerhalb von Börsenrechenzentren zu platzieren und damit die Round-Trip-Latenz auf Mikrosekunden zu reduzieren.[s] Ein BIS-Arbeitspapier von 2025 besagt, dass HFTs mehr als 50 Prozent des Aktienmarkthandelsvolumens ausmachen.[s]
Ein BIS-Arbeitspapier vom September 2025 nutzte NASDAQ-Co-Location- und Latenzverbesserungsupgrades als natürliche Experimente, um die wirtschaftlichen Auswirkungen von HFT zu untersuchen. Die Ergebnisse waren kontraintuitiv: Im Durchschnitt führt HFT zu höheren Kapitalkosten.[s] Der Mechanismus ist systematische Risikoverstärkung. HFTs korrelierte Handelsstrategien machen Niedrig-Beta-Aktien empfindlicher gegenüber marktweiten Informationen, erhöhen ihr systematisches Risikoexposure und damit ihre erforderlichen Renditen.[s] HFT verengt zwar die Geld-Brief-Spannen, erhöht aber auch die Neigung zu Flash-Crashes.[s]
Die Kryptowährungskaskade vom Oktober 2025 demonstrierte Flash-Crash-Fragilität in großem Maßstab. CoinGlass verzeichnete innerhalb von 24 Stunden mehr als 19,3 Milliarden Dollar an Zwangsliquidationen, das größte Liquidationsereignis, das die Firma laut dem CNBC-Bericht vom Oktober 2025 je verfolgt hatte.[s] Beim Höhepunkt wurden 3,21 Milliarden Dollar in einem 60-Sekunden-Intervall liquidiert, wobei 93,5 Prozent des Volumens dieser Minute aus Zwangsverkäufen stammten.[s] Market-Making-Algorithmen zogen Quotes zurück, während Liquidations-Engines gleichzeitig feuerten und mehr als 98 Prozent der Orderbuchtiefe entzogen.[s]
Das Derivate-Kassamarkt-Gefälle in Schwellenmärkten
Flash-Crash-Fragilität wird strukturell verstärkt, wo der Nominalumsatz von Derivaten die zugrunde liegende Kassamarktliquidität bei weitem übersteigt. Indien verkörpert dieses Muster. Bis April 2025 entfielen auf indische Derivatemärkte 61 Prozent des globalen Aktienoptionsvolumens.[s] Am 17. Januar 2024 verzeichnete der Bank Nifty einen Optionsnominalwert von 1,26 Billionen Dollar gegenüber 3,6 Milliarden Dollar im zugrunde liegenden Aktienhandel, eine Diskrepanz von 350:1.[s]
Die vorläufige Anordnung von SEBI vom Juli 2025 gegen Jane Street dokumentierte eine Zwei-Phasen-Handelsstrategie. Jane Street hat jedes Fehlverhalten bestritten.[s] In Phase I (09:15-11:46) tätigte das Unternehmen aggressive Käufe von Bank-Nifty-Aktien, die in ausgewählten Wertpapieren 15-25 Prozent des marktweiten Volumens ausmachten. Gleichzeitig baute es Short-Optionsexposure durch verkaufte Calls und gekaufte Puts auf. In Phase II (11:49 bis Handelsschluss) kehrte es die Kassamarktpositionen um und übte Abwärtsdruck auf den Index aus, der mit dem Verfallsabrechnungstermin zusammenfiel.[s]
Jane Streets Optionspositionen waren in Delta-Äquivalent-Begriffen 7,3-mal größer als Aktien- und Futures-Positionen.[s] An mehreren Tagen schrieb SEBI die gesamte positive Kursauswirkung auf den Bank Nifty allein Jane Street zu, während der aggregierte Marktfluss netto negativ war.[s] SEBI gibt an, dass das Unternehmen in etwa zwei Jahren 4,3 Milliarden Dollar an indischen Märkten erwirtschaftet hat.[s] Privatanleger verloren im Derivatehandel des Geschäftsjahres 2025 11,6 Milliarden Dollar, 40 Prozent mehr als im Geschäftsjahr 2024, obwohl die BBC feststellte, dass diese Verluste nicht direkt Jane Street zugeschrieben werden können.[s]
Repräsentationshomogenität und synchronisiertes Deleveraging
Selbst ohne absichtliche Manipulation können algorithmische Systeme Flash-Crash-Fragilität durch emergente Koordination erzeugen. Ein strukturelles Multi-Agenten-Modell vom April 2026 untersuchte, wie KI-Handelsagenten mit ähnlichen Datenrepräsentationen systemische Instabilität erzeugen.[s]
Der wichtigste theoretische Beitrag unterscheidet Repräsentationshomogenität (Ähnlichkeit in der Art, wie Agenten Marktzustände kodieren) von Prognoseüberschneidung (Ähnlichkeit in vorhergesagten Renditen). Diese sind verwandt, aber nicht äquivalent. Unter normalen Bedingungen können Agenten mit ähnlichen Repräsentationen diverse Prognosen erzeugen. Unter Stress komprimiert Repräsentationshomogenität den effektiven Raum der Prognoseuneinigkeit, sodass Vorhersagen genau dann konvergieren, wenn Diversität am wichtigsten ist.[s]
Das Preprint argumentiert, dass Niedrigvolatilitätsphasen durch Positionsträgheit endogen versteckten Leverage akkumulieren können, der kollabiert, wenn Schocks synchronisiertes Deleveraging auslösen.[s] Es stellt außerdem die Hypothese auf, dass zunehmende Repräsentationsähnlichkeit die Synchronisierung von Überzeugungen und Positionen verstärkt und Volatilitätscluster, Liquiditätsstress und erhöhtes Tail-Risiko erzeugt.[s]
Aufsichtsbehörden haben vor KI-Herdenverhalten gewarnt: korreliertes Verhalten ohne ausdrückliche Koordination.[s] Traditionelle Überwachung könnte Schwierigkeiten haben, legitime konvergente Analysen von verbotenem koordiniertem Vorgehen zu unterscheiden. Gemeinsam genutzte maschinelle Lernmodelle und identische Daten-Feeds können Herdendynamiken erzeugen: Wenn ein Knoten Risiken abbaut, könnten korrelierte Agenten folgen und Orderbücher leeren.[s]
Bedingte Stabilisierung und asymmetrische Effekte
Forschungsergebnisse unter Verwendung chinesischer Level-2-Marktdaten ergaben, dass algorithmischer Handel die Volatilität im Allgemeinen durch Dämpfung der Anlegerstimmung reduziert, wobei dieser Kanal etwa 25 Prozent des Gesamteffekts ausmacht.[s] Dieser stabilisierende Effekt ist jedoch bedingt. Wenn der Markt rückläufig ist, schwächt sich die volatilitätsmindernde Rolle des algorithmischen Handels ab, und der vermittelnde Effekt auf die Anlegerstimmung nimmt ebenfalls ab.[s]
Diese Asymmetrie ist entscheidend für das Verständnis von Flash-Crash-Fragilität. Dieselben Mechanismen, die normale Schwankungen glätten, können Tail-Ereignisse verstärken. Algorithmische Sicherheitsmechanismen, die bei hoher Volatilität Risikoreduzierung auslösen und gleichzeitig bei mehreren Marktteilnehmern aktiviert werden, erzeugen destabilisierende statt stabilisierende Rückkopplungsschleifen.[s]
Regulatorische Reaktionen: Chinas Co-Location-Verbot
Chinas Ansatz war entschlossen. Ende 2025 berichteten Medien, dass die CSRC, die Shanghaier Börse und die Shenzhener Börse Regeländerungen diskutierten, die Co-Location-Services einschränken und Wertpapierfirmen dazu verpflichten könnten, kundenspezifische HFT-Geräte innerhalb von drei Monaten zu entfernen.[s] Im Januar 2026 berichtete 5paisa, dass die Shanghaier Terminbörse Brokern angeordnet hatte, HFT-Server bis Ende des Monats zu räumen.[s]
Das Vorgehen erzeugte unmittelbare Preiseffekte. Metalle an den Börsen in Shanghai und London fielen nach der Ankündigung scharf.[s] Derselbe Bericht besagte, dass Hochfrequenztransaktionen frühere Preisanstiege auf globalen Metallmärkten mitbefeuert hatten, und die Preise korrigierten anschließend nach unten.[s]
Der Fall Jane Street setzt einen Regulierungspräzedenzfall für Schwellenmärkte mit geringen Kassamarktvolumina und ausgeprägter Derivateaktivität.[s] Vorgeschlagene Reformen umfassen Sandbox-Vorabgenehmigung für Algorithmen, die Verfallspreise beeinflussen, verbesserte FPI-Offenlegung für Unternehmen unter gemeinsamer Eigentümerschaft, Erweiterung des VWAP-Abrechnungsfensters oder Beteiligungsobergrenzen sowie versionskontrollierte algorithmische Prüfpfade.
Konzentration bei Datenanbietern und KI-als-Service-Plattformen wirft Monokulturfragen auf: Marktteilnehmer, die aus identischen Daten schöpfen und ähnliche Modelle einsetzen, gelangen zu ähnlichen Schlussfolgerungen.[s] Fortgeschrittene KI könnte in Stressphasen sprödere, hochkorrelierte Märkte erzeugen, Volatilität verschärfen und Liquidität genau dann untergraben, wenn sie benötigt wird.[s]
Flash-Crash-Fragilität ist ein infrastrukturelles Merkmal, kein vorübergehender Fehler. Ob Regulatoren Maßnahmen ergreifen, um Repräsentationshomogenität, Latenzasymmetrie und Derivate-Kassamarkt-Ungleichgewichte vor der nächsten Kaskade anzugehen, bleibt eine offene Frage.
