Ein Screenshot zirkuliert am Donnerstag-Nachmittag. Ein Chart von Bitcoin, ein roter Pfeil, der von einem lokalen Hoch nach unten eingezeichnet ist, und eine Bildunterschrift: Unser Modell hat diesen Rückgang vorausgesagt. Das Bild ist echt. Der Rückgang ist real. Was fehlt, ist das Einzige, das die Behauptung bedeutungsvoll machen würde — ein Beweis, dass der Pfeil existierte, bevor die Kerze es tat.
Diese Lücke ist das gesamte Thema dieses Artikels. Nicht, ob KI etwas Nützliches über den Bitcoin-Preis sagen kann — sie kann — sondern welche Teile der Praxis den Kontakt mit einer öffentlichen Scoreboard überleben und welche Teile nur deshalb existieren, weil niemand nachprüft.
Wozu eine Bitcoin-Preisprognose eigentlich wirklich etwas behauptet
„Bitcoin wird ein bestimmtes Niveau erreichen“ ist nicht eine Behauptung. Es sind drei, miteinander verhext — und wird normalerweise unausgesprochen gelassen.
Das Erste ist eine Richtung. Das Zweite ist ein Betrag. Das Dritte, das fast immer weggelassen wird, ist ein Horizont: bis wann und gemessen gegen welchen Referenzpreis, an welchem Handelsplatz, unter Verwendung welcher Zeitstempelk1onvention. Entfernt man den Horizont, wird die Behauptung nicht mehr überprüfbar — jeder Call ist irgendwann richtig, wenn man nie angibt, wann.
Eine Prognose, die bewertet werden kann, muss alle drei Dinge im Voraus festnageln. „Die Wahrscheinlichkeit, dass BTC einen angegebenen Level übersteigt zum angegebenen UTC-Minute, referenziert gegen einen angegebenen Index“ ist eine überprüfbare Aussage. „BTC geht nach oben“ ist eine Stimmung.
Dieser Unterschied ist für Bitcoin wichtiger als für die meisten anderen Assets, weil Bitcoin kontinuierlich über Handelsplätze gehandelt wird, ohne Schlussglocke, die die Frage verankert. Wenn die Referenz vage bleibt, kann die Person, die die Prognose bewertet, den Tick wählen, der ihr passt. Die Spezifikation der Referenz ist keine Pedanterie. Sie ist es, was den Eintrag adversarial-proof macht.
Was KI auf Bitcoin wirklich gut kann
Zieh die Pfeile ab, dann bleibt hier echte Arbeit. Machine Learning macht bei Krypto-Daten mehrere Dinge, die ein menschlicher Analyst nicht in der gleichen Geschwindigkeit oder Größenordnung leisten kann.
Regimeerkennung. Märkte haben nicht ein einziges Verhalten — sie haben mehrere, und sie wechseln. Eine Phase mit geringer realisierter Volatilität und engen, mean-reverting Bereichen verhält sich ganz anders als ein Trend-Ausverkauf mit hoher Volatilität. Hidden-Markov-Modelle, Clustering über rollierende Feature-Fenster und Sequenzmodelle sind wirklich nützlich, um zu labeln, welchem Regime der aktuelle Kursverlauf ähnelt. Dieses Label sagt dir nicht den nächsten Preis. Es sagt dir, welche Verteilung der nächsten Preise plausibel ist — eine viel schwächere Behauptung, und eine viel ehrlichere.
Volatilitätsschätzung. Das ist die am besten zu rechtfertigende Anwendung auf dem gesamten Gebiet. Volatilität ist beständig in einer Weise, in der Renditen es nicht sind: Ruhige Phasen klumpen, wilde Phasen klumpen. Modelle, die realisierte Volatilität, implizite Kurven, Funding-Rates und Open Interest verarbeiten, können nützliche Vorhersagebereiche liefern. Die Frage, wie breit die Verteilung werden wird, ist eine andere und viel besser handhabbare Aufgabe als die, vorherzusagen, wo ihr Zentrum landet.
Order-Flow lesen. Ungleichgewicht im Orderbuch, Autokorrelation des Trade-Zeichens, die Tiefe, die um runde Zahlen herum auftaucht und wieder verschwindet, das Tempo der Liquidationen — das ist messbar und trägt Information über kurze Zeithorizonte. Die Information verflüchtigt sich schnell, oft in Sekunden bis Minuten, und sie wird aggressiv weg-arbitriert. Aber sie existiert, und Maschinen lesen sie besser als Menschen.
On-Chain-Daten. Bitcoin ist ungewöhnlich, weil es ein öffentliches Ledger ist. Coin-Age-Verteilungen, Inflow und Outflow an Börsen, Miner-Balancen, der Anteil am Angebot, der sich seit Jahren nicht bewegt hat — das sind strukturelle Merkmale, die kein Equity-Analyst bekommt. Das sind langsame Signale, besser geeignet, um die Zusammensetzung der Halter zu beschreiben, als um irgendetwas zu timen. Als Kontext behandelt sind sie wertvoll. Als Trigger behandelt erzeugen sie meist nur falsche Alarme.
News-Digestion im Maßstab. Sprachmodelle können jede Einreichung, jede behördliche Mitteilung, jede Börsenankündigung und jede Protokolländerung lesen — in der Zeit, die eine Person braucht, um eine einzige zu lesen — und diesen Strom in strukturierte Merkmale verwandeln: was passiert ist, wem es passiert ist, wie ungewöhnlich es im Vergleich zur Basisrate ist. Das ist ein echter Hebel auf der Input-Seite einer Prognose.
Achte darauf, was jedes Element in dieser Liste gemeinsam hat. Alle verbessern die Beschreibung der Unsicherheit. Keines erzeugt einen Preis.
Was KI nicht kann — egal wie groß das Modell
Es kann dir nicht den Bitcoin-Preis nächsten Dienstag sagen.
Nicht weil die Modelle zu klein sind, oder die Daten zu dünn, oder die Features noch nicht clever genug. Sondern weil der Preis von einem liquiden, adversarialen Markt gesetzt wird, in dem jeder Teilnehmer mit einer funktionierenden Vorhersage bereits darauf handelt. Was auch immer wissbar und profitabel ist, wird kontinuierlich von Menschen mit Kapital, Latenzvorteilen und eigenen Modellen eingearbeitet. Keine Methode schlägt zuverlässig einen liquiden Markt, und wer das verspricht, verkauft etwas.
Was danach übrig bleibt, ist trotzdem wertvoll: besser kalibrierte Unsicherheit, schnellere Erkennung, in welchem Zustand sich der Markt befindet, disziplinierte Schätzungen dafür, wie breit der nächste Schritt sein könnte. Das sind echte Beiträge. Es sind keine Preis-Calls — und jedes System, das sie als Preis-Calls aufhübscht, ist von Prognose in Performance übergegangen.
Das Theater ist leicht zu erkennen, sobald man die Form kennt. Punktprognosen ohne Intervall. Horizonte, die sich nachträglich ändern. Ausgewählte Beispiele ohne Nenner. Zuversicht, die sich nie mit der Schwierigkeit der Frage verändert. Eine Erfolgsbilanz, die vollständig aus den Fällen besteht, die funktioniert haben.
Kalibriert schlägt selbstbewusst: der Fall für Wahrscheinlichkeiten
Die Alternative zu einer sicheren Zahl ist nicht ein Hedge. Es ist eine Wahrscheinlichkeit, die getestet wurde.
Ein Prognostiker, der 70 Prozent sagt, sollte bei all den Gelegenheiten, in denen er 70 Prozent genannt hat, etwa in siebzig Prozent der Fälle richtig liegen. Das ist Kalibrierung — und es ist messbar, aber nur über eine vollständige Serie hinweg, einschließlich jeder Prognose, die schlecht lief. Eine einzige Vorhersage sagt dir nichts. Hundert, alles im Voraus aufgezeichnet, sagen dir eine Menge.
Richtige Scoring-Regeln sind dafür da, wie die Messung erfolgt. Der Brier-Score und der Log-Loss teilen eine Eigenschaft, die sie schwer zu betrügen macht: beide werden minimiert, wenn man den eigenen wahren Glauben berichtet. Übertreibende Gewissheit wird härter bestraft als falsch zu liegen bei angemessener Unsicherheit. Ein Prognostiker, der 95 Prozent sagt und falsch liegt, bekommt einen viel schlechteren Score als einer, der 60 Prozent sagte und falsch lag. Unter einer richtigen Scoring-Regel sind Prahlereien ein Kostenfaktor, kein Marketing-Asset.
Darum ist probabilistisches Output kein schwächeres Produkt als ein Kursziel. Es ist die einzige Ausgabe, die überhaupt bewertet werden kann.
Warum ein Backtest kein Beleg ist
Jedes Modell hat einen guten Backtest. Genau dafür ist ein Backtest da.
Historische Daten sind fest und endlich, und der Forschende ist ein Mensch, der sie bereits gesehen hat. Entscheidungen häufen sich leise: welches Fenster, welche Merkmale, welche Normalisierung, welche Ausschlüsse für „anomalische“ Phasen, wie viele Varianten getestet wurden, bis man etwas Sauberes fand. Selbst bei völliger Integrität passt der Prozess zur Vergangenheit — und die Vergangenheit ist das eine Datenset, das garantiert nie wiederkommt.
Krypto verstärkt das. Die Mikrostruktur des Marktes hat sich wiederholt verändert, als Handelsplätze, Instrumente, Verwahrung und Teilnehmende sich geändert haben. Ein Modell, das über eine frühere strukturelle Ära feinabgestimmt wurde, wird oft auf einen Markt getestet, der es so nicht mehr gibt.
Der einzige Test, der nicht kontaminiert ist, ist Out-of-sample im strengen Sinn: Die Prognose wird gemacht, bevor das Ergebnis eintritt, veröffentlicht, bevor das Ergebnis eintritt, und kann danach nicht mehr revidiert werden. Das ist eine viel kleinere Behauptung als ein Backtest, sie kommt nur viel langsamer. Und es ist die einzige Art, die zählt.
Wie eine gesperrte, gehashte, öffentlich bewertete BTC-Prognose aussieht
Hier ist der Mechanismus, der Reihe nach.
Die Prognose wird vollständig vor dem Ereignis niedergeschrieben: die Frage, der Referenzpreis und Handelsplatz, die exakte Auflösungszeit in UTC, die Wahrscheinlichkeit und die Begründung, die sie hervorgebracht hat. Nichts bleibt implizit, weil alles Implizite später neu interpretiert werden kann.
Dieses Dokument wird dann mit SHA-256 gehasht. Der Hash ist ein Fingerabdruck fester Länge — ändere nur ein einziges Zeichen in der Prognose, und der Fingerabdruck ändert sich vollständig. Den Hash zu veröffentlichen verpflichtet sich zum Inhalt, ohne ihn notwendigerweise schon zu offenbaren.
Der Hash ist an die Bitcoin-Blockchain angek1ettet mit OpenTimestamps, wodurch bewiesen wird, dass der Fingerabdruck spätestens zu einem bestimmten Block existierte. Es gibt eine schöne Symmetrie darin, die eigene Ledger von Bitcoin zu nutzen, um Behauptungen über den Bitcoin-Preis zeitzustempeln: dieselbe Eigenschaft, die die Kette als Settlement-Schicht nützlich macht — teuer, öffentlich, schwer umzuschreiben — macht sie auch als Urkundsbeamten (Notar) nützlich.
Wenn die Auflösungszeit eintrifft, wird das Ergebnis gegen die vorher festgelegte Referenz erfasst und mit einer richtigen Scoring-Regel bewertet. Das Ergebnis landet im selben öffentlichen Ledger wie alles andere. Nicht eine Auswahl davon. Alles — die Calls, die angekommen sind, und die Calls, die nicht angekommen sind, in gleicher Größe, am selben Ort.
Dieser letzte Teil ist es, an dem die meisten Erfolgsbilanzen leise scheitern. Ein Ledger mit einem Editor ist ein Prospekt.
Nichts davon macht eine Prognose automatisch richtig. Es macht sie nur überprüfbar — das ist die einzige Eigenschaft, die eine Prognosemethode von einem Screenshot mit einem Pfeil darauf unterscheidet. Das Modell kann ausgefeilt oder grob sein; der Zeitstempel ist das, was dir erlaubt herauszufinden, welches.
Bildungsinhalte — keine Finanzberatung.
Ursprünglich veröffentlicht auf neuportal.ai/blog/how-ai-forecasts-the-bitcoin-price