GENITUS Stack — Case Study: 1-Tages-Build + Erweiterung vs. klassisches Team

Was heute entstanden ist

Dazu die zugrunde liegende Daten-Infrastruktur: ein 233K-Zeilen Ticker-Cache über 83 Börsen, ein Dividenden-Cache mit über 60.000 bestätigten Zahlern und 1 Mio.+ Einzelzahlungen, ein Financials-Batch über 1.447 Firmen in 21 Länder-Indizes und eine 5-Jahres-Kurshistorie für 1.424 Firmen — aufgebaut per resumable Batch-Skripten mit Circuit-Breaker und Wikipedia-Scraping für die Index-Konstituenten.

Erweiterung (1.–7. Oktober): 11 weitere Tools

Vier zusätzliche Sessions, alle auf Basis der bereits bestehenden 1,6-Mio.-Zeilen-Dividendenhistorie — keine neuen Live-API-Calls für die meisten der folgenden Tools, reine Cache-Auswertung plus einmalige Zusatz-Batch-Skripte.

Neue Datensätze: dividend-markov-data.json (59.456 Firmen klassifiziert, 644.109 Jahr-zu-Jahr-Übergänge), dividend-hazard-data.json (259.803 Streak-Verläufe, Kaplan-Meier), growth-analysis-data.json, dividend-calendar-data.json, symbol-crossref.json (Yahoo↔EODHD-Brücke, S&P-500-Scope). Gesamtstack damit 28 Tools.

Aufwandsschätzung nach Rolle

Basierend auf typischen Projektlaufzeiten für vergleichbare Einzelkomponenten (ein poliertes Analyse-Dashboard: 3–5 Personentage; eine produktionsreife Batch-Pipeline mit Resume-Logik: 1–2 Personenwochen).

Kostenvergleich & Zeitrahmen

Kalenderzeit: ein 3-Personen-Team (Data Engineer, Quant-Entwickler, Frontend-Entwickler) parallel arbeitend — rund 6 Wochen bei realistischer Koordinationszeit. Ein Einzel-Generalist — etwa 4,5 Monate.

Erweiterungsphase (1.–7. Oktober): eigener Aufwand, separat ausgewiesen

Bewusst nicht mit der Tag-1-Schätzung oben verschmolzen — andere Ausgangslage (Infrastruktur existierte schon), andere Rollenmischung (weniger Data-Engineering, mehr Quant/QA).

Tatsächliche Kosten der Erweiterungsphase: ~5 aktive Tage × 1,27 €/Tag Fixkosten-Anteil ≈ 6,35 €. Faktor dieser Phase allein: ~21.300 € / 6,35 € ≈ 3.350× — kleiner als Tag 1 (44.200×), und das ist der eigentliche Punkt: Tag 1 baute die Infrastruktur von null, die Erweiterung nutzte sie nur noch. Genau dieser Rückgang zeigt, dass der Tag-1-Wert kein Zufallstreffer war, sondern echter struktureller Hebel aus wiederverwendbarer Infrastruktur.

Kombiniert (Tag 1 + Erweiterung): ~890 Std. Team-Aufwand, ~77.400 € Baseline, gegen ~7,60 € tatsächliche Fixkosten über die ganze Periode — Faktor ~10.180×.

Realer Kostenvergleich: heutiger Ansatz

Der obige Wert ist die Kosten-Baseline für ein klassisches Team. Was der heutige Aufbau tatsächlich gekostet hat:

Damit lief die komplette Bilanz/Macro/Score-Hälfte des Stacks — 21 Länder-Indizes, 1.447 Firmen, 5-Jahres-Kurshistorie, Zinskurve, FX, Rohstoffe — auf 0 € zusätzlichen Datenkosten. Einzige laufende Kosten waren die beiden ohnehin schon abonnierten Fixkosten, anteilig auf einen Tag heruntergerechnet.

Aktive Nutzereingabe: ca. 1 Stunde. Der EODHD-Nachmittagslimit wurde erreicht (100.000/100.000), danach musste bis zum Mitternacht-GMT-Reset gewartet werden — der Nutzer blieb wach und setzte die Arbeit nachts nach dem Reset fort. Über den Tag verteilt wurde die volle Tagesquota damit zweimal komplett ausgeschöpft (nachmittags vor dem Reset, dann erneut nachts/morgens durch den Dividenden-Gapfill) — 200.000 API-Calls gesamt, belegt durch zwei EODHD-Dashboard-Screenshots. Die reale Kalenderzeit war dadurch deutlich länger als die aktive Eingabezeit.

Verhältnis: ~56.100 € vs. ~1,27 € Fixkosten — Faktor ~44.200. Bei der Zeit: ~647 Std. vs. ~1 Std. aktive Eingabe — Faktor ~650.

Qualitätsfaktor: Bugs, die sonst unentdeckt geblieben wären

Die ersten sechs wurden am Tag 1 gefunden, die letzten zwei erst durch eine zweite, dedizierte Live-Validierungsrunde (5.–7. Oktober) mit konkreten, bekannten Testaktien (Coca-Cola, Johnson & Johnson, Apple, Hormel, AT&T u. a.) gegen die tatsächlich live deployten Daten — nicht lokale Kopien. Alle acht durch direkte Verifikation gegen reale Marktdaten und bekannte Unternehmens-Fakten gefunden, nicht durch automatisierte Tests. Der StreakYears-Bug ist der schwerwiegendste Fund der gesamten Session: er saß im originalen gapfill.js-Skript selbst (nicht in einem der neuen Tools) und verzerrte seit der allerersten Dividenden-Datenerhebung die mit Abstand prominenteste angezeigte Kennzahl in 9 von 11 älteren Tools.

Einordnung

Der eigentliche Unterschied ist nicht nur Tempo, sondern Vollständigkeit: ein reales Team hätte bei diesem Umfang typischerweise Kompromisse gemacht — weniger Länder-Indizes, keine 5-Jahres-Kurshistorie, keine systematische Verifikation jeder einzelnen Kennzahl gegen echte Marktdaten. Die acht gefundenen Bugs sind genau die Art von Fehlern, die in produktiven Fintech-Systemen oft monatelang unentdeckt bleiben, weil niemand jeden Wert einzeln gegen die Realität prüft. Die zweite Validierungsrunde zeigt zusätzlich, warum einmalige QA nicht reicht: der StreakYears-Bug existierte bereits seit Tag 1, unsichtbar, bis jemand eine konkrete, bekannte Aktie (Coca-Cola) gezielt gegen ihre öffentlich bekannte 56-Jahres-Historie geprüft hat. Parallel entstand am selben Tag zusätzlich ein unabhängiges 50-Themen-Glossar (312 Fachbegriffe) — hier nicht mitgerechnet, da inhaltlich außerhalb des Börsen-Stacks.