Frag die meisten Leute, was ein KI-Krypto-Modell macht, und sie stellen sich eine Maschine vor, die den Preis von morgen rät. Dieses Bild ist falsch, und die Lücke zwischen ihm und der Realität erklärt sehr viel Enttäuschung. Seriöse Modelle versuchen selten, überhaupt einen zukünftigen Preis zu nennen. Stattdessen tun sie etwas Stilleres und Nützlicheres: Sie versuchen, die „Wetterlage“ eines Marktes zu lesen – ob die Bedingungen ruhig sind oder stürmisch – und ehrliche Zahlen darüber zu liefern, wie unsicher die nahe Zukunft ist.
Das ist ein Blick in einfachem Englisch auf Volatilitätsregime: was sie sind, wie maschinelles Lernen sie erkennt und warum die ehrliche Ausgabe dieser Arbeit eher eine Bandbreite von Wahrscheinlichkeiten ist als ein Kursziel. Es ist Bildungsinhalte, keine Finanzberatung.
Was ein Volatilitätsregime tatsächlich ist
Volatilität ist im Grunde nur ein Maß dafür, wie stark sich der Preis eines Assets bewegt. Ein Volatilitätsregime ist ein Zeitabschnitt, in dem diese Bewegung einen gleichbleibenden Charakter hat. Krypto pendelt typischerweise zwischen zwei groben Stimmungen. In ruhigen Regimen driften die Kurse in einem engen Band, die Tagesbewegungen sind klein und der Markt wirkt schläfrig. In turbulenten Regimen weiten sich die Spannen, die Bewegungen clustern zusammen und eine ruhige Woche kann in eine heftige umschlagen.
Die zentrale Erkenntnis, die man seit Jahrzehnten kennt, lautet: Volatilität ist „sticky“. Große Ausschläge werden häufig von weiteren großen Ausschlägen gefolgt, und Ruhe wird häufig von weiterer Ruhe abgelöst. Dieses Clustering ist eines der zuverlässigsten statistischen Muster in den Finanzmärkten – viel verlässlicher als die Richtung des Preises selbst. Ein Regime sagt dir nicht, in welche Richtung sich Dinge entwickeln. Es sagt dir, wie stark die Dinge sich voraussichtlich bewegen werden – und das ist eine wirklich andere, besser handhabbare Frage.
Wie Modelle realisierte Volatilität messen
Bevor ein Modell ein Regime klassifizieren kann, muss es Volatilität aus Rohdaten quantifizieren. Der häufigste Ausgangspunkt ist realisierte Volatilität: Anstatt zu raten, wie „holprig“ der Markt sein wird, misst du, wie holprig er tatsächlich war – über ein jüngeres Zeitfenster –, indem du die Returns in diesem Zeitraum nimmst und daraus die Standardabweichung berechnest.
Da Krypto rund um die Uhr gehandelt wird, können Modelle diese Schätzungen aus hochfrequenten Daten ableiten – Minuten- oder stündliche Returns, die zu Tageswerten aggregiert werden –, was einen viel schärferen Eindruck liefert als ein einzelner täglicher Schlusskurs. Analysten legen dann verwandte Beschreibungen darauf: die Spanne zwischen Hochs und Tiefs, die Größe von Kurslücken und wie eng sich die jüngsten Bewegungen clustern. Das Ergebnis ist ein numerischer Fingerabdruck der aktuellen Bedingungen, der kontinuierlich aktualisiert wird. Nichts davon sagt die Kursentwicklung voraus. Es ist Messung, nicht Prophezeiung – ein Thermometer, nicht ein Wetterversprechen.
Clustering: die Daten ihre eigenen Regime benennen lassen
Sobald du diese Fingerabdrücke hast, kannst du eine Maschine bitten, ähnliche Zeiträume zusammenzugruppieren. Hier spielt unüberwachtes Lernen seine Rolle aus. Techniken wie k-means oder Gaußsche Mischungsmodelle nehmen Tausende historischer Zeitfenster und sortieren sie in Cluster, die denselben Charakter teilen – ohne dass jemand im Voraus von Hand Labels wie „ruhig“ oder „stürmisch“ vergeben müsste. Die Daten definieren die Regime; der Algorithmus findet sie nur.
Der Reiz besteht darin, dass dem Modell nicht gesagt wird, worauf es achten soll, sodass es Strukturen zutage fördern kann, die ein Mensch vielleicht übersieht, zum Beispiel einen klar unterscheidbaren „Grinding, Low-Volatility-Uptrend“-Cluster, der sich anders verhält als ein „sharpes, zweiseitiges Chop“-Cluster, selbst wenn die durchschnittliche Volatilität ähnlich aussieht. Der Haken – und das ist ein wichtiger – ist, dass Cluster die Vergangenheit beschreiben. Sie sagen dir, welche Art von Umfeld aktuelle Daten kürzlich ähneln, nicht, was als Nächstes kommt.
Zeitreihenmodelle und Regime-Switching
Neben dem Clustering gibt es eine ganze Familie klassischer Zeitreihen-Tools, die speziell für Volatilität gebaut wurden. GARCH-artige Modelle erfassen den Clustering-Effekt direkt: Sie modellieren die erwartete Varianz von heute als Funktion der Schocks von gestern und der Varianz von gestern. Deshalb produzieren sie natürlich eine zunehmende Unsicherheit nach einem „Jolt“ und eine sinkende Unsicherheit in ruhigen Phasen.
Noch einen Schritt weiter gehen Regime-Switching-Modelle (oft auf Hidden-Markov-Models basierend): Sie betrachten den Markt als Wechsel zwischen einer kleinen Zahl verborgener Zustände, die jeweils ein eigenes Volatilitätsverhalten haben, und schätzen die Wahrscheinlichkeit, dass der Markt sich gerade in jedem dieser Zustände befindet. Das ehrliche Ergebnis sagt etwas Wichtiges: nicht „der Markt ist ruhig“, sondern „mit ungefähr 70% Wahrscheinlichkeit sind wir im Niedrigvolatilitätszustand und zu 30% im Hochvolatilitätszustand“. Dieses probabilistische Absichern ist ein Feature, keine Schwäche. Es spiegelt wider, dass Regime abgeleitet werden, nie direkt beobachtet.
Warum Regimeerkennung keine Preisvorhersage ist
Hier ist die entscheidende Grenze. Wenn du das Volatilitätsregime kennst, erfährst du etwas über das Ausmaß wahrscheinlicher Bewegungen – nicht über ihre Richtung. Ein Modell kann sicher sein, dass der Markt turbulent ist, und dabei völlig offen bleiben, ob die nächste große Bewegung nach oben oder nach unten geht. Das sind getrennte Fragen, und Volatilitätsarbeit beantwortet nur die erste.
Richtung ist aus einem strukturellen Grund viel schwieriger. Krypto-Märkte sind adversarial und adaptiv: Unzählige Teilnehmer – viele davon automatisiert – reagieren in Echtzeit aufeinander und auf Nachrichten. Jedes einfache, dauerhafte Muster, das zuverlässig die Richtung vorhergesagt hätte, wäre ausgenutzt und wieder gelöscht worden, fast so schnell wie es auftauchte. Volatilitätsclustering überlebt genau deshalb: weil es eine Eigenschaft kollektiven Verhaltens unter Stress ist – kein Gratisessen, das man weg-arbitragen könnte. Daher setzt ein ehrliches Modell genau darauf, was messbar ist – also auf Form und Breite der möglichen Ergebnis-Spanne – und weigert sich, so zu tun, als könne es einen zukünftigen Preis präzise treffen.
Unsicherheit ist die nützliche Ausgabe
Darum ist das Ergebnis eines guten Modells eine Schätzung der Unsicherheit – nicht ein Ziel. Zu sagen „Erwarte in den nächsten Tagen eine breitere Spanne, mit erhöhten Chancen auf große Ausschläge in beide Richtungen“ ist ehrlicher und nützlicher als irgendeine einzelne Zahl, die so tut, als wäre die Zukunft bereits festgelegt. Es zeigt dir, wie viel Überzeugung eine kurzfristige Sicht verdient, und es verschlechtert sich ohne Drama – wenn das Modell unsicher ist, sagt es das, indem es die Spanne verbreitert, statt sich falscher Präzision auszudenken.
Dafür gibt es eine Disziplin, die das ehrlich hält. Eine probabilistische Aussage kann im Nachhinein bewertet werden: Wenn ein gut gebautes Modell sagt, dass ein turbulentes Regime mit 70% Wahrscheinlichkeit wahrscheinlich ist, dann sollten diese Bedingungen tatsächlich etwa 70% der Zeit über viele solcher Calls hinweg auftreten. Diese Eigenschaft heißt Kalibrierung, und sie ist der Unterschied zwischen einem echten Unsicherheits-Schätzer und einem selbstbewusst klingenden Rater. Ein Kursziel hingegen lässt sich fast unmöglich fair bewerten, weil man immer eine Geschichte erzählen kann, warum es „fast“ funktioniert hat.
So sieht das in der Praxis aus
Die übergreifende Lehre ist, dass die vertrauenswürdigste KI-Arbeit in Krypto weniger nach Wahrsagerei aussieht und mehr nach Meteorologie: Sie beschreibt Bedingungen, ordnet Wahrscheinlichkeiten zu, nennt seine Unsicherheit klar und prüft sich dann gegen das, was tatsächlich passiert ist. NeuPortal (neuportal.ai) ist ein Forschungs-Labor, das genau um diese Disziplin herum gebaut ist – jede probabilistische Behauptung wird vor einem Ereignis eingefroren, mit einem Zeitstempel versehen, sodass sie nicht stillschweigend editiert werden kann, und die Kalibrierung wird offen bewertet. Es geht nicht darum, ein Kristallkugel-Marketing zu machen. Es soll zeigen, dass ehrliche, überprüfbare Unsicherheit mehr wert ist als eine zuversichtlich klingende Zahl, die am Ende niemand jemals bewertet.
Wenn man die Arbeit zur KI-Volatilität so liest, wird sie wirklich hilfreich: keine Zusage dazu, wohin der Preis geht, sondern ein klarer Maßstab dafür, wie unsicher der Weg vor uns ist – und wie viel man jedem, ob Mensch oder Maschine, vertrauen sollte, der etwas anderes behauptet.
NeuPortal Research
Nur zu Bildungszwecken, keine Finanzberatung.