← Alle Insights
10 Min. Lesezeit · KI · Juni 2026

News-Trading mit LLMs: was wirklich funktioniert.

Sprachmodelle können Pressemitteilungen lesen, Earnings-Reports interpretieren und Sentiment quantifizieren — in Sekunden. Was im Trading davon übrigbleibt, ist allerdings differenzierter als die meisten LinkedIn-Posts behaupten.

Seit GPT-4 (und mittlerweile Claude 3.7 / 4 und Gemini 2.5) sind LLMs in der Lage, wirtschaftliche Texte zu verstehen — und zwar überraschend gut. Eine Earnings-Call-Transkription durchzulesen und die wichtigsten Punkte zusammenzufassen ist eine Aufgabe, die früher ein Junior-Analyst gemacht hat und die LLMs heute in 20 Sekunden erledigen. Die Frage: wie macht man daraus echtes Trading?

Was funktioniert: Strukturierte Sentiment-Analyse.

Statt zu fragen „ist das positiv oder negativ?", lassen Sie das LLM eine strukturierte Antwort liefern. Ein Beispiel-Prompt für eine Pressemitteilung zu Quartalszahlen: 

Analysieren Sie folgende Earnings-Mitteilung. Geben Sie die Antwort als JSON zurück:

{
  "revenue_vs_consensus": "above" | "in_line" | "below",
  "eps_vs_consensus": "above" | "in_line" | "below",
  "guidance_direction": "raised" | "maintained" | "lowered" | "withdrawn" | "none",
  "tone": -1.0 to 1.0,
  "key_negatives": [string],
  "key_positives": [string],
  "macro_risks_mentioned": boolean,
  "buyback_mentioned": boolean,
  "ceo_change_mentioned": boolean,
  "regulatory_issues": boolean
}

Mitteilung:
{TEXT}

Die strukturierte Ausgabe ist viel handlicher für eine Trading-Strategie als „positiv/negativ". Sie können konkrete Bedingungen formulieren: „Long, wenn revenue + eps + guidance alle positiv, keine regulatorischen Probleme erwähnt".

Was nicht funktioniert: LLM als „Trade-Generator".

Was Sie auf YouTube sehen — „Fragen Sie ChatGPT, was Sie kaufen sollen" — funktioniert nicht. Mehrere Gründe:

Regel: LLMs sind gut für die Aufgabe „verarbeite diesen Text strukturiert". Nicht für „sagen Sie mir, was ich kaufen soll".

Die Latenz-Falle.

News-Trading hat ein fundamentales Problem: News sind in Sekunden im Markt eingepreist. Eine NFP-Zahl (Non-Farm Payroll) bewegt EUR/USD innerhalb von 200 Millisekunden um 30+ Pips. Bis ein LLM den Text gelesen hat (selbst die schnellsten brauchen 2–4 Sekunden bei kurzen Texten), ist der Move vorbei.

Das bedeutet: klassisches Tick-by-Tick-News-Trading mit LLMs ist nicht möglich. Was möglich ist, ist mittelfristiges Trading auf strukturierten News-Inhalten — z. B. Earnings-Reports, die nach dem ersten Move noch tagelang nachwirken.

Was realistisch funktioniert: Post-Event-Trading.

Eine Earnings-Mitteilung kommt um 16:00 raus. Der erste Markt-Move (Pre-Market oder nach Hours) passiert in den ersten Minuten — getrieben von algorithmischen Reaktionen auf die Schlagzeilen. Aber: in vielen Fällen wird die initiale Reaktion in den folgenden Tagen korrigiert oder verstärkt, je nachdem, was der eigentliche Inhalt war.

Beispiel: ein Unternehmen meldet „Revenue beat, EPS beat" → Aktie steigt um 5 %. Aber in der Earnings-Call ein paar Stunden später zeigt sich: die Guidance wurde gesenkt und ein Margen-Druck ist nicht eingepreist. In den nächsten 3 Tagen fällt die Aktie um 8 %.

Hier kann ein LLM helfen: es liest den vollständigen Earnings-Call (Transcript), extrahiert strukturierte Signale, und Ihre Strategie reagiert in einem Zeitfenster, das langsam genug ist, dass LLM-Latenz egal ist (Minuten bis Stunden).

News-Quellen: was sich lohnt.

Stack für News-Trading mit LLMs.

Wie ich es in der Praxis aufsetze:

  1. News-Ingestion: RSS-Feeds oder API-Polls in Python. Speicherung in einer Postgres-DB mit Zeitstempel und Asset-Tag.
  2. LLM-Verarbeitung: Claude oder GPT API. Strukturierte Prompts mit JSON-Output. Caching wichtig — Re-Verarbeitung gleicher Texte vermeiden.
  3. Signal-Aggregation: pro Asset werden die strukturierten LLM-Outputs zu einem Sentiment-Score kombiniert (z. B. gewichteter Mittelwert der letzten 7 Tage).
  4. Trading-Regel: konkrete Bedingung, z. B. „Long, wenn 3 von 4 letzten Earnings-Signale positiv UND keine regulatorischen Risiken erkannt".
  5. Position-Sizing: News-Signale haben höhere Unsicherheit als klassische Indikatoren — daher kleinere Positionen, z. B. 0,3 % Risk pro Trade.

Kosten und Praxis.

Ein typisches Setup, das ich für einen Mandanten gebaut habe:

Für institutionelle Setups mit höherem Volumen rechnet sich auch ein lokales Modell (Llama 3 70B fine-tuned auf Finanz-Texten) — Setup-Aufwand höher, Token-Kosten niedriger.

Realistische Performance-Erwartung.

Was Sie von einem gut gebauten LLM-News-System erwarten können:

Sie möchten LLM-basierte News-Verarbeitung in Ihre Strategie integrieren? Erstgespräch buchen — wir gehen Setup, Datenquellen und realistische Erwartung durch.