Level 3 KI im Trading · Teil 1/9

KI-Trading: wie es funktioniert und woran es scheitert

KI-Trading ist ein Sammelbegriff. Darunter fallen Forschungsteams, die Modelle für maschinelles Lernen an Jahrzehnten von Marktdaten trainieren, Apps für Privatanleger, die nach einer Handvoll Regeln Orders auslösen, und Angebote, die das Wort nur als Köder nutzen. Das Etikett verrät wenig darüber, was im Inneren passiert. Dieser Beitrag ordnet die Ansätze, zeigt den Aufbau eines solchen Systems und belegt mit unseren eigenen Kursdaten, wie hoch die Hürde ist, bevor sich irgendetwas davon lohnt.

Was mit KI-Trading gemeint ist

Vier Arten von Produkten tragen das Etikett. Statistische Modelle lernen aus vergangenen Daten einen Zusammenhang zwischen Eingangsgrößen und künftigen Renditen, etwa mit Gradient Boosting oder neuronalen Netzen. Regelbasierte Bots folgen festen Bedingungen wie dem Kreuzen gleitender Durchschnitte; die „Intelligenz" ist oft nur eine Parametersuche an historischen Kursen. Sprachmodelle lesen Nachrichten, Pflichtmitteilungen oder soziale Medien und machen daraus einen Stimmungswert, der eine Handelsregel speist. Signal- und Kopierdienste verkaufen das Ergebnis eines dieser Ansätze an Kunden, die selbst handeln oder eine App handeln lassen.

Die Unterscheidung ist wichtig, weil jede Art anders scheitert. Ein statistisches Modell kann sich an Zufälle anpassen, ein regelbasierter Bot hört einfach auf zu funktionieren, wenn sich der Markt ändert, und ein Stimmungswert reagiert womöglich auf Schlagzeilen, die professionelle Händler längst eingepreist haben.

Wie KI-Trading funktioniert: der Aufbau eines Systems

Jedes ernsthafte System durchläuft dieselben Stufen, egal welches Modell darin steckt:

Daten. Kurse, Umsätze, Unternehmenszahlen, Texte oder Orderbuchdaten. Hier entscheidet sich der größte Teil des Ergebnisses. Überlebende-Verzerrung, Vorgriffsfehler und Zeitstempel, die nicht zum tatsächlichen Verfügbarkeitszeitpunkt passen, erzeugen Resultate, die sich nicht wiederholen lassen.
Merkmale und Zielgröße. Aus Rohdaten werden Eingangsgrößen, und es wird festgelegt, was vorhergesagt werden soll: die Rendite des nächsten Tages, eine Bewegung nach oben oder unten oder ob ein Trade sein Kursziel vor dem Stopp erreicht. Diese Festlegung hat große Folgen, wie der Beitrag zum Labeling zeigt.
Training und Validierung. Das Modell lernt an einem Zeitraum und wird an einem anderen geprüft. Weil sich Marktdaten zeitlich überlappen, sickern bei gewöhnlicher Kreuzvalidierung Informationen aus dem Test ins Training; Kreuzvalidierung bei Finanzdaten erklärt die Abhilfe.
Backtest. Die Strategie wird mit realistischen Kosten simuliert. Wer viele Varianten testet und die beste vorzeigt, bläht das Ergebnis auf; Backtest-Overfitting beziffert den Effekt.
Ausführung und Risikokontrolle. Eine Schnittstelle zum Broker sendet Orders, Regeln begrenzen Positionsgröße und Verluste. Die Grundlagen stehen unter Risiko und Positionsgröße .

Das Modell selbst ist oft der kleinste Teil. Wer das professionell betreibt, steckt den meisten Aufwand in die Daten und in die Frage, ob ein Ergebnis echt ist.

Warum es schwerer ist, als es aussieht

Märkte sind keine stabile Umgebung. Ein Muster, das fünf Jahre lang galt, kann verschwinden, sobald genug Marktteilnehmer es handeln, und die Daten, die das zeigen würden, kommen erst nach den Verlusten. Kursreihen tragen außerdem wenig Signal im Verhältnis zu ihrem Rauschen, ein Modell mit Millionen Parametern findet deshalb mühelos Struktur im Zufall. Die ausführliche Liste der Fehlerquellen steht in Warum maschinelles Lernen an Märkten scheitert .

Bei kurzen Haltedauern verschärfen Kosten das Problem. Unsere Studie Warum Trader Geld verlieren hat es an Index-Futures gemessen: Über einen Handelstag schloss der Markt selbst in 54,5 % der Fälle höher. Bei Kosten von 0,2 % je Round Trip bräuchte eine täglich handelnde Strategie eine Trefferquote von 64,1 %, nur um keinen Verlust zu machen. Über ein Jahr mit 252 Round Trips summieren sich allein die Kosten auf 39,6 %. Ein KI-System, das jeden Tag handelt, muss diese Lücke schließen, bevor es etwas verdient. Über eine Woche liegt die nötige Trefferquote bereits unter dem, was schlichtes Investiertbleiben lieferte. Die Haltedauer entscheidet deshalb mehr als die Methode.

KI-Trading-Bots und -Apps

Apps für Privatanleger versprechen, diese Arbeit automatisch zu erledigen. Die Werbung zeigt selten die Zahlen, mit denen sich das beurteilen ließe. Einiges lässt sich aber ohne technisches Wissen prüfen:

Zulassung. Ist der Anbieter bei einer Finanzaufsicht seines Heimatlandes registriert, und stimmt der Name im Register mit der Firma hinter der App überein? In Deutschland führt die BaFin eine Unternehmensdatenbank, in den USA sind SEC, CFTC oder FINRA zuständig.
Erfolgsbilanz. Sind frühere Ergebnisse von einer unabhängigen Stelle geprüft, oder stehen sie nur als Grafik auf der Website des Anbieters? Ein Backtest ist keine Erfolgsbilanz.
Kosten. Abogebühren, Spreads, Provisionen und Finanzierungskosten für gehebelte Positionen. Bei einem kleinen Vorteil entscheiden die Kosten, ob etwas übrig bleibt.
Verwahrung. Bleibt das Geld auf einem Konto bei einem regulierten Broker auf den Namen des Kunden, oder wird es an den Anbieter überwiesen?
Auszahlung. Lässt sich Geld jederzeit abziehen, und sind die Bedingungen schriftlich festgehalten?

Eine versprochene Rendite gehört nicht zu diesen Punkten. Sie sagt nichts darüber, ob ein Angebot seriös ist.

Angebote, die KI als Köder nutzen

Aufsichtsbehörden warnen wiederholt vor Maschen, die mit künstlicher Intelligenz werben. Im Januar 2024 veröffentlichte die US-Terminmarktaufsicht CFTC die Kundenwarnung AI Won’t Turn Trading Bots into Money Machines . Sie beschreibt Angebote, die hohe automatische Renditen versprechen, oft über „KI-Arbitrage" zwischen Kryptobörsen, Einlagen einsammeln und dann nicht mehr auszahlen. Typische Zeichen sind feste Tages- oder Monatsrenditen, Druck, neue Kunden zu werben, und Auszahlungen, die nur funktionieren, solange neues Geld nachkommt. Echte Preisunterschiede zwischen Börsen sind klein und schließen sich innerhalb von Sekunden; stetige zweistellige Monatsrenditen entstehen daraus nicht.

Was realistisch bleibt

KI-Verfahren sind in der Finanzbranche nützlich, meist dort, wo es weniger auffällt: beim Bereinigen von Daten, beim Erkennen von Betrug, beim Schätzen von Risiken und beim kostengünstigen Ausführen großer Orders. Als Quelle von Handelsgewinnen für Privatanleger ist die Beleglage dünn. Für jedes System, mit oder ohne KI, taugt dieselbe Prüffrage: Bleibt nach realistischen Kosten, über einen Zeitraum, den das Modell nie gesehen hat, und ohne die beste von vielen Varianten auszuwählen, noch ein Vorteil übrig? Lässt sich das nicht mit überprüfbaren Zahlen beantworten, fügt das Etikett KI nichts hinzu.