Wie serieus met quant-handel bezig is, loopt op negen van de tien keer tegen dezelfde muur: niet de strategie is het probleem, maar de infrastructuur die je eromheen moet bouwen. Indicatoren schrijven, een backtesting-framework in elkaar zetten, datafeeds aansluiten — voor je het weet ben je twee tot drie maanden verder zonder dat je strategie ook maar één keer gedraaid heeft. Ondertussen is er geen gebrek aan klanten die willen betalen voor “een werkend quant-systeem”. Dat verschil in tijd is jouw winstmarge.

Pijn: de echte kosten van een quant-bijbaan zitten in de infra, niet in je hoofd

Veel mensen denken dat een quant-klus draait om “een goede strategie”. Mis. Klanten willen iets dat draait: data inlezen, indicatoren berekenen, een backtest-rapport opleveren. Als je vanaf nul een backtest-systeem bouwt voor een simpele combinatie van moving averages en RSI, ben je alleen al aan het debuggen van data-uitlijning en randgevallen een tot twee weken kwijt. Tel daar de wijzigingsverzoeken bij op — opeens wil de klant ook Bollinger Bands, MACD en ATR. Elke klus is hetzelfde wiel opnieuw uitvinden, je tarief blijft laag, de oplevering duurt lang en de marge verdampt. Wat je tegenhoudt is niet je kunnen, maar het ontbreken van een betrouwbare basis.

De kans: een open-source bibliotheek die de infra kant-en-klaar levert

De Go-bibliotheek cinar/indicator op GitHub (volgens de bronpost, niet onafhankelijk geverifieerd) bundelt die hele basis: meer dan 80 technische indicatoren, kant-en-klare strategie-implementaties, een backtesting-framework en HTML-visualisaties van de resultaten. De repo telt nu ruim 1.600 sterren, valt onder AGPL-3.0 en is in v2 volledig herschreven. De codebase claimt een testdekking van boven de 90%, met CSV-testdata per indicator en strategie. Het sterke technische punt: streaming via Go-channels — invoer én uitvoer zijn datastromen, wat direct aansluit op realtime koersen. Liever geen channels? Dan zijn er hulpfuncties als SliceToChan en ChanToSlice. Daarnaast is er een MCP-interface waarmee je Claude en andere AI-tools aan de bibliotheek kunt koppelen voor strategie-analyse.

Stap één: in drie dagen een minimale werkende flow

Begin niet met een grote klus. Stap één is de bibliotheek aan de praat krijgen: go get de module, draai een ingebouwde strategie op historische candle-data en genereer een HTML-rapport. Dat rapport is meteen je eerste “werkmonster”. Let op het ontwerpprincipe: alle indicatoren en strategieën zijn volledig configureerbaar, zonder vaste standaardwaarden — je moet dus snappen wat de parameters doen in plaats van ze blind te kopiëren. Het doel is helder: binnen een half uur voor willekeurige koersdata een rapport met grafieken kunnen produceren. Als dat lukt, ben je al beter dan 80% van de verkopers op Marktplaats en Bol die “quant-backtesting als service” aanbieden — de meesten rekenen nog in Excel.

Stap twee: verpak je kunnen in drie verkoopbare producten

De tijd die je bespaart op infra moet je direct verzilveren. Product één: zet op Marktplaats en Pinterest een dienst in de markt als “quant-strategie backtesting op maat”. De klant stuurt een TradingView-strategie, jij vertaalt die naar code en levert een HTML-rapport plus één pagina uitleg. Richtprijs: €30–€120 per rapport. Product twee: maak op Substack of Pinterest content rondom “quant leren in de praktijk”, gebruik echte backtest-screenshots als uithangbord en verwijs door naar een betaalde community of 1-op-1 begeleiding. Virtueel product, marginale kosten nul. Product drie: AI-gedreven quant-tools op maat — via de MCP-interface bouw je voor kleine trading-teams een interne “AI-uitlees + backtest”-tool. Zulke klussen beginnen op drie cijfers op freelance-platforms. Drie sporen tegelijk, één onderliggende techniek.

De rekensom: tijdsverschil = winst

Volgens de bronpost (niet onafhankelijk geverifieerd) kost het zelf bouwen van een backtest-systeem met tientallen indicatoren een ervaren developer twee tot drie weken. Met deze bibliotheek lever je hetzelfde op in twee tot drie dagen. Neem twee backtest-klussen per week tegen €70 per stuk, dan zit je op zo’n €560 per maand — en je tijdsbesteding per klus is een paar uur, want de indicatoren staan al, de backtest draait al, het rapport genereert vanzelf. Volgende stap: leg voor standaardstrategieën (dubbele MA, RSI-mean-reversion, Bollinger-breakout) vaste templates klaar. Bij een nieuwe klus wissel je alleen data en parameters, oplevering nog dezelfde dag. Wat je verkoopt is dan niet code, maar snelheid — en dáár zit de echte marge.

Harde grenzen: deze drie dingen moet je klant vertellen

Eén: de repository bevat een forse disclaimer — alleen voor educatie en onderzoek, geen beleggingsadvies. Elk rapport dat je oplevert moet die regel bevatten, anders zoekt een klant je op als hij verlies maakt. Twee: backtests kijken achterom. De disclaimer stelt expliciet dat gesimuleerde resultaten geen echte trades vertegenwoordigen — slippage, liquiditeit en fees drukken de live-prestatie. Schrijf dat in je opleverdocument. Het is beroepsethiek én zelfbescherming. Drie: AGPL-3.0 is besmettelijk. Bouw je er een SaaS-dienst omheen die je aan derden verhuurt, dan ben je verplicht de code openbaar te maken. Bij een commerciële klus moet je dit vooraf bespreken of de klant expliciet laten tekenen voor akkoord.

Vandaag nog beginnen

Doe vanavond drie dingen: clone github.com/cinar/indicator, draai een ingebouwde strategie tot een backtest en bewaar de screenshot van het HTML-rapport. Die ene afbeelding wordt de eerste productfoto op je profiel. In de quant-wereld vinden developers het gedoe, traders kunnen niet programmeren — jij staat ertussen en verbindt beide kanten met een kant-en-klaar wiel. Dat is de meest nuchtere, en meest stabiele, arbitrage die er is.