Alle paar Monate kommt eine neue Welle von KI-Trading-Tools, die verspricht, dir zu sagen, wohin der Preis geht. Der Pitch ist immer eine Variante desselben Satzes: Das Modell erkennt Muster, die Menschen nicht sehen können.

Die ehrliche Version dieses Satzes ist viel kleiner und viel nützlicher. Machine Learning hat tatsächlich einen Job in Krypto-Märkten. Es ist nur nicht der Job, für den es normalerweise verkauft wird. Hier liegt genau diese Grenze – und so kannst du jeden KI-Anspruch testen, dem du begegnest.

Warum die Richtung die schwerste Sache ist, die man vorhersagen kann – nicht die leichteste

Ein liquider Markt ist kein Rätsel, das regungslos wartet, um gelöst zu werden. Es ist eine Menge an Akteuren, die bereits alles eingepreist hat, was dein Modell gerade erst bemerkt hat.

Bis ein richtungsmäßiges Muster in öffentlichen Daten sichtbar wird, ist es für alle sichtbar – die die gleichen Daten haben und verbunden sind. Bei den größten Pairs umfasst das Firmen mit schnellerer Infrastruktur und mehr Kapital als jedes Retail-Tool je haben wird. In dieser Umgebung die Richtung der nächsten Bewegung vorherzusagen ist fast so, als würde man einem Coin hinterherrennen, den jemand anderes schon geworfen hat.

Das ist keine Einschränkung, die ein größeres Modell einfach entfernt. Es ist die Struktur des Problems. Die Information, die dir sagen würde, in welche Richtung der Preis als Nächstes geht, konkurriert ein tiefes Marktmodell exakt am schnellsten weg. Genau diese Information ist es.

Wenn also ein KI-Tool mit Kurszielen anführt, ist das kein Beleg für Raffinesse. Es ist ein Beleg dafür, dass es das verkauft, was die Leute kaufen wollen.

Was Machine Learning wirklich gut vorhersagt

Vier Dinge – keines davon ein Pfeil in einem Diagramm.

Wie viel – statt welche Richtung. Volatilität hat eine Eigenschaft, die Returns nicht haben: sie bleibt bestehen. Ruhige Tage häufen sich mit ruhigen Tagen, turbulente mit turbulenten – und ein Schock heute erhöht die Wahrscheinlichkeit für eine große Bewegung morgen. Diese Autokorrelation der Größenordnung ist stabil genug, um sie zu lernen. Ein Modell kann dir sagen, wie breit die plausiblen Ergebnisse sind – selbst wenn das Zentrum tatsächlich unbekannt ist. Und diese eine Schätzung bestimmt Positionsgröße, Stop-Platzierung und ob man heute mehr Vorsicht walten lassen sollte als gestern.

Welches Regime du hast. Trendend versus rangegebunden, expandierende versus kontrahierende Liquidität, crowded versus light Positionierung. Die Klassifizierung des Regimes ist ein normales überwachtes Problem mit beobachtbaren Inputs – und sie bestimmt, wie viel Vertrauen jede andere Schätzung verdient.

Klassifizierung von Flows. Geht es bei dieser Transaktion um operative „Rohrleitungen“ oder um wirtschaftliche Absicht? Ist das ein großer Mint-Bedarf oder ein Treasury-Zeitplan? Ist die Orderbook-Tiefe echt oder gestaffelt? Das sind lösbare Probleme mit realen Merkmalen – und sie sind so unsexy, dass sie fast niemand vermarktet.

Ausführung. Wie du einen Auftrag so aufteilst, dass er den Preis weniger bewegt, wenn das Orderbuch dünn ist. Welcher Handelsplatz hat gerade Inventar. Genau dort verdient Machine Learning leise und konstant Geld – und taucht nie in einem Werbepost auf, weil es sich nicht wie eine Vorhersage anhört.

Achte auf das Muster. Alles in dieser Liste geht darum, die Gegenwart genau zu messen – nicht darum, die Zukunft zu erraten. Das ist der ehrliche Zuhause von KI in Märkten.

Die Mess-Falle, die die meisten KI-Trading-Systeme ruiniert

Angenommen, du baust etwas, und es backtestet sich perfekt. So läuft es in der Regel schief – in der Reihenfolge, wie oft wir das sehen.

Überlappende Fenster blähen deine Stichprobe auf. Wenn du 30-Tage-Returns auf Tagesdaten misst, teilen sich aufeinanderfolgende Fenster 29 von ihren 30 Tagen. Drei tausend rollierende Beobachtungen können aus grob hundert wirklich unabhängigen Beobachtungen stammen. Deine Konfidenzintervalle skalieren mit der zweiten Zahl – nicht mit der ersten. Und die erste zu berichten ist der einfachste Weg, Gewissheit zu produzieren, die du nicht verdient hast.

Lookahead-Leaks sickern leise durch. Jeder Schritt in deiner Pipeline, der Informationen verwendet, die zum Entscheidungszeitpunkt noch nicht verfügbar sind – eine Normierung, die über den gesamten Datensatz berechnet wird, ein Filter, der Zeiträume auswählt, basierend auf dem, was innerhalb von ihnen passiert ist – liefert ein schönes, aber nutzloses Ergebnis. Das passiert selten absichtlich. Es passiert in einer Preprocessing-Zeile, die niemand mehr nachliest.

Survivorship formt die Daten, bevor du sie überhaupt siehst. Börsennotierungen kommen und gehen. Eine Historie, die aus aktuell gelisteten Pairs gebaut ist, schließt stillschweigend alles aus, was gescheitert ist. Das Modell lernt aus einer Welt, in der nichts gestorben ist.

Regime-Dritt driftet das Modell kaputt, ohne eine Fehlermeldung. Das hat uns direkt etwas gekostet – daher sind die Zahlen unsere. Wir bauen Prognose-Spannen aus der realisierten Historie eines Assets. Getestet anhand von 20.058 historischen Beobachtungen auf acht großen Coins: Unsere unbedingte Methode lieferte Spannen, die 55,6% der Ergebnisse abdeckten – gegenüber einem 50%-Ziel. Nur leicht zu locker. Aber wenn wir den Test nach Marktbedingungen aufteilen, zeigte das ruhigste Fünftel der Tage 67,1%. Die Spanne enthielt einen dauerhaften Puffer für Turbulenzen – und in einem ruhigen Markt war dieser Puffer nicht verdient. Wenn man die Stichprobe auf die aktuelle Volatilität konditioniert, kommt man wieder auf 50,8%.

Von diesem Scheitern war im Alltag nichts sichtbar. Die Ergebnisse landeten weiterhin in der Spanne. Genau darum geht es: Ein Modell, das zu großzügig ist, produziert einen beständigen Strom stiller Erfolge – und keinerlei Anzeichen.

So bewertest du jede KI-Trading-Behauptung in fünf Fragen

Funktioniert mit jedem Tool, jedem Service oder jedem Thread, auf den du stößt.

1. Prognostiziert es den Betrag oder die Richtung? Behauptungen zum Betrag sind vertretbar. Richtungsbehauptungen auf liquiden Pairs verdienen starke Skepsis – egal, wie das Modell beschrieben wird.

2. Wurde die Behauptung vor dem Ergebnis erfasst? Ein Screenshot, der danach aufgenommen wurde, ist kein Beleg. Eine Performance-Kurve, die von jemandem zusammengestellt wurde, der die Ergebnisse bereits kannte, ist ebenfalls kein Beleg. Nur eine Behauptung, die vorher festgelegt wurde, lässt sich überprüfen.

3. Welche Kennzahl wird berichtet, und kann sie in beide Richtungen scheitern? Genauigkeit bei seltenen Ereignissen ist bedeutungslos – ein Modell, das nie feuert, punktet hervorragend. Für Spannenprognosen: Frag nach der Abdeckung (Coverage). Die erwischt dich sowohl dafür, dass du zu eng liegst, als auch dafür, dass du zu weit daneben liegst.

4. Wie groß ist die unabhängige Stichprobe? Nicht die Zeilenzahl. Die Anzahl wirklich unabhängiger Beobachtungen. Wenn niemand das beantworten kann, wurde der Backtest nie wirklich geprüft.

5. Werden die Fehler veröffentlicht? Eine Erfolgsgeschichte, die nur Erfolge enthält, wurde gefiltert – unabhängig davon, ob jemand beabsichtigt hat, das zu filtern. Das Fehlen sichtbarer Fehlschläge ist selbst das Ergebnis.

Jedes Tool, das diese fünf Fragen überlebt, ist deine Zeit wert. Die meisten überleben schon die zweite nicht.

Woran du im Speziellen skeptisch sein solltest

Garantierte Returns, in jeder Formulierung. Genauigkeitsprozente ohne angegebenes Sample oder Zeitfenster. Backtests ohne Walk-Forward-Test. „Proprietär“ als Antwort darauf, wie es funktioniert. Und Kursziele mit Selbstvertrauen – besonders bei den größten Pairs, wo die Begründung für dieses Vertrauen am wenigsten vorliegt.

Keines davon beweist bösen Glauben. Die meisten sind ehrliche Menschen, die nie gefragt wurden, Frage zwei.

Die Deflation, die am Ende von allem, was in etwa so ist, hingehört

Kein Verfahren schlägt zuverlässig einen liquiden Markt, und jeder, der so etwas verspricht, verkauft etwas – meist ein Abo, manchmal einen Token, immer einen Screenshot.

Was Machine Learning in Krypto anbietet, ist keine Voraussicht. Es ist eine bessere Messung der Gegenwart: wie viel sich dieser Markt bewegen kann, in welchem Zustand er ist, was deine Ausführung wirklich kostet – und wie unsicher diese Zahlen jeweils sind. Das sind kleinere Behauptungen als die Kategorie, die man normalerweise macht. Sie haben den Vorteil, einer Prüfung standzuhalten – und nach einem Jahr noch wahr zu sein.

Nimm nur eine Gewohnheit daraus: Wenn du eine Wahrscheinlichkeitszone um den Preis zeichnest, zähle, wie oft die Ergebnisse darin landen. Wenn eine Zone, die 50% behauptet, fast alles trifft, ist sie nicht genau – sie ist vage. Und Vageheit ist das, was „Genauigkeit“ von innen betrachtet aussieht.

Bildungsinhalt – keine Finanzberatung.