KI im Trading: Realität vs. Marketing-Versprechen.

„Unser KI-System schlägt den S&P 500 mit 87 % Trefferquote." Wenn Sie das hören, wissen Sie: es ist Marketing. Hier die ehrliche Übersicht, was Machine Learning, LLMs und Reinforcement Learning im Trading wirklich leisten — und wo der Bullshit anfängt.

KI im Trading ist 2026 weder Magie noch Hype. Beides Extreme sind falsch. Die Wahrheit liegt in der Mitte und ist nicht so spektakulär wie die Werbung, aber spannender als die Skeptiker denken. Hier mein ehrlicher Stand — basierend auf eigenen Implementierungen, nicht auf YouTube-Versprechen.

Was KI im Trading nicht kann.

Lassen Sie uns mit dem aufräumen, was Sie in Werbeprospekten finden:

• Den Markt vorhersagen. Kein Modell der Welt sagt zuverlässig, ob morgen der DAX steigt oder fällt. Die Forschung dazu ist eindeutig: stat. signifikant über Random sind die wenigsten Modelle, und wenn, dann meist nur knapp.
• Eine Edge erfinden, wo keine ist. KI multipliziert vorhandene Edge, sie erschafft sie nicht. Wenn Sie keine ökonomisch begründbare Hypothese haben, hilft auch das fancyste Modell nicht.
• Mit 87 % Trefferquote handeln. Wenn ein Anbieter das behauptet, ist entweder die Trefferquote falsch gerechnet (z. B. nur „Long-Bias-Periode"), oder die Strategie ist auf In-Sample-Daten überfittet, oder beides.
• ChatGPT als Trader nutzen. LLMs haben keine numerische Präzision und keinen Zugang zu Live-Daten. Wer ChatGPT live Handelsentscheidungen treffen lässt, baut russisches Roulette mit professionellem Anstrich.

Was KI im Trading wirklich kann — heute, produktiv.

1. Feature-Engineering aus Marktdaten

Klassische Indikatoren (RSI, MACD, Bollinger Bands) sind handgemachtes Feature-Engineering aus den 80ern. Machine-Learning-Modelle können moderne Features generieren — z. B. nichtlineare Kombinationen mehrerer Indikatoren, Markt-Mikrostruktur-Features aus Tick-Daten, oder Korrelations-Features über Asset-Klassen.

Das ist keine Magie, sondern Feature-Engineering mit Hilfe von Random Forests oder Gradient-Boosting-Modellen (XGBoost, LightGBM). Liefert in der Praxis 5–15 % Performance-Lift über klassische Indikator-Strategien — wenn man's richtig macht.

2. Regime-Detection mit Clustering

Klassische Regime-Filter sind heuristisch („VIX < 25 = ruhig"). ML-basierte Clustering-Verfahren (k-means, HMM, Bayesian-Change-Point) finden Marktregimes datengetrieben — oft mit zuverlässigerem Switch-Verhalten als handgebaute Filter.

Praktischer Anwendungsfall: ein Hidden-Markov-Model unterscheidet 3 Regimes (Trend, Range, Krise) mit messbar besserer Trennschärfe als ein VIX-Filter. Ihre Strategie kann darauf reagieren — mehr Risk in Trends, weniger in Krisen, vielleicht ganz aus in Range-Phasen.

3. News- und Sentiment-Analyse mit LLMs

Hier sind LLMs gut. Ein modernes Sprachmodell kann eine Pressemitteilung lesen und in wenigen Sekunden klassifizieren: ist das positiv, negativ, neutral für die Aktie? Welche Geschäftsbereiche sind betroffen? Gibt es eine Guidance-Änderung?

Das, was vor 5 Jahren noch ein Team menschlicher Analysten gemacht hat, läuft heute über Claude oder GPT mit guten Prompts und kostet wenige Cent pro Earnings-Call. Live in einer Strategie eingebaut, ergibt das einen messbaren Vorteil bei Earnings-Plays und Event-Driven-Strategien.

4. Reinforcement Learning für Execution-Optimierung

Hier wird's anspruchsvoll, aber funktioniert: ein RL-Agent lernt, eine große Order optimal in kleinere Stücke zu splitten, um Market Impact zu minimieren. Banken nutzen das seit Jahren (TWAP/VWAP-Replacements). Für Retail-Trader meist Overkill, für institutionelle Setups ein echter Hebel.

5. Alternative Daten verarbeiten

Satellitenbilder von Parkplätzen, Kreditkarten-Daten, Web-Scraping, Social-Media-Signale. All das sind Datenquellen, die vor dem Marktpreis Information enthalten — wenn man sie verarbeiten kann. ML-Modelle sind hier oft die einzige sinnvolle Methode, weil die Datenstrukturen zu komplex für Regel-basierte Logik sind.

Beispiel: ein Modell, das die Anzahl Autos vor Walmart-Filialen aus Satellitenbildern zählt und daraus Quartalsumsatz schätzt — vor dem Earnings-Report. Existiert real, kostet aber in der Vollausbaustufe sechs- bis siebenstellig.

Die ehrliche Performance-Erwartung.

Wenn ich für einen Mandanten ein ML-Modell baue, ist die realistische Erwartung:

• Sharpe-Lift von 0,2–0,5 über eine vergleichbare Regel-basierte Strategie. Klingt wenig, ist viel.
• Bessere Drawdown-Charakteristik — die Strategie ist in Crisis-Regimes oft seltener long.
• Höherer Aufwand für Wartung — Modelle altern, Features driften, Re-Training nötig.
• Schwierigere Erklärbarkeit — bei Drawdowns ist „warum hat das Modell jetzt das gemacht?" ein echtes Thema.

Was Sie nicht bekommen: eine Geld-Druck-Maschine. Was Sie bekommen: eine bessere Version der Strategie, die Sie auch ohne KI gebaut hättest.

Die Stack-Empfehlung für 2026.

Wenn Sie KI im Trading produktiv einsetzen wollen, ist das mein heutiger Stack:

• Klassisches ML für tabuläre Daten (Features aus Kursen + Fundamentaldaten): XGBoost oder LightGBM. Robust, schnell, gut erklärbar mit SHAP-Werten.
• Deep Learning nur dort, wo es wirklich gebraucht wird: Sequenz-Modelle für Tick-Daten (LSTMs/Transformers), Computer Vision für alternative Daten.
• LLMs (Claude, GPT) für unstrukturierte Daten: News-Klassifikation, Earnings-Call-Analyse, SEC-Filing-Parsing.
• Reinforcement Learning nur bei klar definiertem Reward und großen Daten — für die meisten Retail-Setups Overkill.

Das ist kein Hype, das ist Werkzeug. Wer es richtig einsetzt, hat einen messbaren Vorteil. Wer es einsetzt, weil es „KI" ist, hat den Aufwand und nicht den Vorteil.

Drei Red Flags bei „KI-Trading-Anbietern".

1. Trefferquote als Hauptmetrik. Eine Strategie mit 80 % Trefferquote und 1:5 Risk-Reward verliert Geld. Wer mit Trefferquote wirbt, versteht entweder die Mathematik nicht oder verkauft Marketing.
2. Keine Drawdown-Information. Wenn Sie nur Return-Zahlen sehen, aber keine Drawdown-Statistik (Max DD, Avg DD, Recovery-Time), fehlt die Hälfte der Information.
3. „Black-Box"-Erklärungen. Wer auf Nachfrage nicht erklären kann, was sein Modell tut und welche Features es nutzen, hat entweder nichts zu zeigen oder versteht sein eigenes System nicht.

Sie überlegen, KI in Ihre Strategie zu integrieren? 30 Minuten Erstgespräch — ich bin ehrlich, ob es sich für Ihre Strategie lohnt oder nicht.