Machine Learning im Trading

Machine Learning im Trading umfasst Klassifikation (z. B. Richtungsvorhersage), Regression (Preisziel), Clustering (Regime-Erkennung) und Reinforcement Learning (Order-Routing). Klassische Modelle: Random Forest, XGBoost, neuronale Netze.

Die zentralen Hürden: niedriges Signal-Rausch-Verhältnis, nicht-stationäre Daten, Overfitting durch zu viele Hypothesen, Backtest-Realismus. ML ist kein Wundermittel — sondern ein leistungsfähiges Werkzeug für klar definierte Probleme mit sauberen Daten und kontrolliertem Trainings-Setup.

Genaue Definition

Beim überwachten Lernen, dem häufigsten Fall im Trading, schätzt ein Verfahren aus historischen Beispielen eine Funktion f, die aus Merkmalen x_t, die zum Zeitpunkt t bekannt sind, eine Zielgröße y_t vorhersagt. Ein übliches Ziel ist das Vorzeichen der Rendite über die nächsten h Perioden: y_t = sign(ln(P_(t+h) / P_t)). Anders als bei einer festen Handelsregel legt der Entwickler nicht die Schwellen fest, sondern Ziel, Merkmale (siehe Feature Engineering), Modell und Prüfverfahren. Das Ergebnis ist eine Prognose, keine Handelsentscheidung. Erst eine Regel macht daraus Positionen, etwa „kaufen, wenn die geschätzte Wahrscheinlichkeit über einer festgelegten Schwelle liegt“, und erst nach Kosten zeigt sich, ob die Prognose wirtschaftlich etwas wert ist.

Rechenbeispiele

Rechenbeispiel Genauigkeit: Ein Modell soll für 1.000 Kerzen vorhersagen, ob ein Ausbruch folgt; 700 Kerzen sind „kein Ausbruch“. Ein Modell, das immer „kein Ausbruch“ meldet, erreicht 70 % Genauigkeit (Accuracy), findet aber keinen einzigen Ausbruch. Bei unausgewogenen Klassen sagt die Genauigkeit deshalb wenig. Aussagekräftiger sind Präzision und Erfassungsrate je Klasse (Precision, Recall) und das Ergebnis der daraus abgeleiteten Strategie nach Kosten.

Rechenbeispiel Zufall: Eine Trefferquote von 55 % kann Zufall sein. Unter der Annahme einer echten Quote von 50 % und unabhängiger Vorhersagen beträgt der Standardfehler bei n Vorhersagen √(0,25 / n). Bei 100 Vorhersagen sind das 0,05; der Abstand von 5 Prozentpunkten entspricht also einem Standardfehler (z = 1). Bei 400 Vorhersagen ist der Standardfehler 0,025 und z = 2. Erst die größere Stichprobe spricht gegen reinen Zufall, und auch das nur, wenn nicht viele Modellvarianten auf denselben Daten geprüft wurden (siehe Overfitting). Wie schwer sich Zufall und Struktur im Kursverlauf trennen lassen, zeigt das Spiel Zufall oder Trend?

Umsetzung im Code und typischer Fehler

Die Daten werden chronologisch geteilt: Training auf der Vergangenheit, Test auf dem folgenden Zeitraum. Reicht das Ziel h Perioden in die Zukunft, braucht es zwischen Training und Test eine Lücke von mindestens h Perioden, sonst überlappen die Label-Zeiträume. In scikit-learn leistet das TimeSeriesSplit(n_splits=5, gap=h). Hyperparameter werden nur auf Validierungsdaten innerhalb des Trainingszeitraums gewählt; der letzte Testabschnitt wird erst ganz am Ende und nur einmal verwendet. Ein typischer Fehler ist train_test_split mit der Voreinstellung shuffle=True: Benachbarte, sehr ähnliche Zeitpunkte landen in Training und Test, und die Testwerte fallen zu gut aus. Ebenso häufig ist im Trading-Bot ein Unterschied zwischen Training und Live-Betrieb: Die Merkmale werden im Training mit pandas berechnet, live aber in MQL5, mit anderer Datenquelle, anderer Zeitzone oder anderem Kerzenschluss. Das Modell bekommt dann live andere Eingaben, als es gelernt hat. Ein Abgleich, bei dem die Live-Pipeline historische Daten Zeitpunkt für Zeitpunkt nachrechnet und mit den Trainingswerten verglichen wird, deckt das auf. Vertiefung: Walk-Forward-Validierung für ML-Trading.

Grenzen und Missverständnisse

Ein Modell findet nur Zusammenhänge, die in den Trainingsdaten stecken, und Märkte ändern sich. Ein trainiertes Modell muss deshalb überwacht und in festen Abständen neu geprüft werden; ein gutes Ergebnis in einem Zeitraum belegt nichts für den nächsten. Auch ein statistisch belastbarer Vorhersagevorteil kann nach Spread, Gebühren und Slippage verschwinden, weil kleine Vorteile je Trade von den Kosten aufgezehrt werden. Baumverfahren extrapolieren nicht über den Wertebereich der Trainingsdaten hinaus, und ihre Ausgabewerte sind ohne Kalibrierung keine verlässlichen Wahrscheinlichkeiten. Sprachmodelle wie ChatGPT gehören ebenfalls zum Machine Learning, lösen aber eine andere Aufgabe: Sie verarbeiten Text und sind kein Prognosemodell für Kurse. Verwandt: Cross-Validation, Walk-Forward-Analyse, Backtest.