Themen-Hub

KI & Machine Learning im Trading

Von linearen Modellen über LSTMs bis zu Transformern und LLMs — was KI im Trading wirklich kann, wo sie scheitert, und wann sie ein echter Edge ist.

42 Artikel zu diesem Thema

AI-Agents im Trading: was 2026 wirklich funktioniert

AI-Agents sind 2026 das Buzzword. Was davon im Trading wirklich funktioniert — und wo es 18 Monate zu früh ist. Mit konkreten Architekturen und Beispielen.

Anthropic Claude API: Praxis-Patterns für Trader-Tooling

Anthropic Claude API für Trader-Tooling: Token-Pricing, Prompt-Caching, Streaming, Tool-Use. Praxis-Patterns aus zwei Jahren produktivem Einsatz, mit Python-Beispielen.

AutoML für Trading-Strategien: was funktioniert, was Bullshit ist

AutoML für Trading: H2O, FLAML, AutoGluon im ehrlichen Test. Was funktioniert, was nicht, und warum 95 Prozent der AutoML-Trading-Setups Snake-Oil sind.

Bayesian Neural Networks: Unsicherheits-Schätzung im Trading

Bayesian Neural Networks im Trading: Unsicherheits-Schätzung statt Punktprognose, MC-Dropout, Variational Inference und uncertainty-aware Position-Sizing.

Portfolio · 11 Min

Black-Litterman in der Praxis: Views mit Markt verbinden

Black-Litterman in der Praxis: Wie Sie Markterwartungen mit eigenen Views kombinieren, ohne dass das Portfolio in eine einzige Position kippt.

Legenden · 9 Min

Citadel: was Ken Griffins Multi-Strategy-Approach uns lehrt

Citadel: Ken Griffins Multi-Strategy-Hedgefonds. Pod-Struktur, harte Risk-Limits, ~$60B AUM. Was Privat-Trader von der Disziplin und der Diversifikation lernen können — und was nicht.

Futures · 9 Min

DAX Futures Overnight: Was die Statistik wirklich sagt

DAX-Futures (FDAX) und der Overnight-Effekt: was die statistische Auswertung über zehn Jahre wirklich zeigt — und wie man eine handelbare Strategie daraus baut.

Embeddings im Trading: Asset-Similarity ohne Korrelationen

Embeddings im Trading: wie Vektor-Repräsentationen Asset-Similarity ohne klassische Korrelationen ermöglichen. Mit Stack, Code und ehrlicher Einschätzung.

Feature Stores für Quant-Trading: Daten-Infrastruktur, die skaliert

Feature Stores trennen Feature-Definition von Strategie-Code und liefern Online- wie Offline-Serving mit Time-Travel-Joins. Wann sie sich für Quant-Trading lohnen und wie ein Setup mit Feast und TimescaleDB aussieht.

Gann-Tools im Trading: zwischen Mathematik und Mystik

Gann-Tools im Trading: Angles, Fans, Squares und das Square-of-Nine — was W. D. Ganns Methode statistisch wert ist und wo der Mythos die Mathematik überlagert.

Machine Learning · 11 Min

Graph Neural Networks für Finanzmärkte

Graph Neural Networks für Finanzmärkte: Beziehungen zwischen Assets als Information nutzen — Sektoren, Lieferketten, Co-Bewegungen.

Graph Neural Networks im Trading: Asset-Beziehungen lernen

Graph Neural Networks modellieren Asset-Beziehungen explizit. Sektor-Rotation, Pair-Trading, Spillover — wo GNNs Mehrwert bringen und wo Graph-Konstruktion zur Falle wird.

Indikator · 8 Min

KAMA: der MA, der sich anpasst

KAMA — Kaufmans Adaptive Moving Average: Efficiency-Ratio-basierte Glättung, Mechanik, Backtests im Vergleich zur EMA und eine ehrliche Bewertung der praktischen Edge.

KI für Alpha-Discovery: kann ML neue Strategien finden?

Die Vorstellung ist verführerisch: Sie werfen 20 Jahre Marktdaten in ein Modell, drücken den Knopf, und am Ende fällt eine neue, profitable Strategie heraus. So funktioniert es in der Realität nicht.

KI für Bond-Markets: was bei Anleihen wirklich funktioniert

Bond-Markets sind keine Aktien. Was Machine Learning bei Anleihen wirklich liefert — Yield-Curve, Credit-Spreads, NLP auf Fed-Statements. Mit Python-Setup.

KI für Krypto-Forecasting: Hype, Realität und was 24/7-Daten ermöglichen

Krypto-Märkte laufen 24/7 und liefern Datenmengen, von denen Equity-Quants träumen. Was ML hier wirklich kann — und warum die meisten Setups trotzdem enttäuschen.

Earnings-Calls mit LLMs parsen: vom Transkript zur Trade-Idee

Earnings-Calls sind die wertvollste regelmäßige Informationsquelle, die ein börsennotiertes Unternehmen freiwillig liefert. Vorher waren sie unstrukturiert und nur mit echtem Lese-Aufwand auswertbar.

KI-Halluzinationen im Trading: warum LLMs niemals direkt traden sollten

KI-Halluzinationen im Trading: warum LLMs niemals direkt traden dürfen, wie man Halluzinationen erkennt und welche Architekturen sie reduzieren.

KI im Trading: Realität vs. Marketing-Versprechen

Was KI im Trading wirklich leistet — Machine Learning, LLMs und Reinforcement Learning in der Praxis. Und wo das Marketing-Versprechen aufhört.

KI im Market-Making: warum Retail das nicht repliziert

Market-Making mit KI klingt nach Edge — für Retail-Trader ist es kein realistischer Pfad. Was das Konzept trotzdem für Limit-Order-Plazierung und Spread-Wahrnehmung lehrt.

News-Analyse mit KI in der Tiefe: jenseits einfacher Sentiment-Scores

Sentiment-Scores allein sind zu grob. Topic-Modeling, NER, Event-Extraction und eine realistische News-Pipeline mit der Claude API — und das Latenz-Problem.

KI im Order-Routing: wie Banken Ihre Trades wirklich ausführen

Smart Order Routing, Multi-Venue-Splitting, Payment-for-Order-Flow — was bei Ihrer Trade-Ausführung wirklich passiert und warum IBKR oft besser ist als Discount-Broker.

KI für Portfolio-Optimierung: jenseits von Markowitz

Warum klassische Mean-Variance-Optimierung an Schätzfehlern scheitert — und welche ML-Methoden in der Portfolio-Praxis wirklich tragen.

Tail-Risk mit ML detektieren: bevor der Markt fällt

Tail-Risk-Detection mit ML — Survival-Analysis, XGBoost, generative Stress-Szenarien. Realistische Erwartungen an Recall, Precision und Backtest-Validität.

Volatility-Surface-Modeling mit ML: Implied Vol als Datensatz

Implied-Volatility-Surfaces als ML-Datensatz: klassische Parametrisierungen, neuronale Netze, Arbitrage-Constraints und realistische Use-Cases.

Lokale LLMs vs. Cloud-APIs: wann sich Eigenbetrieb wirklich lohnt

Lokale LLMs (Llama, Mistral, Qwen) vs. Cloud-APIs für Trader: Hardware-Anforderungen, ab wann sich Eigenbetrieb lohnt, Privacy-Aspekte und realistische Use-Cases.

Machine Learning · 11 Min

LSTM für Preis-Prognose: Architektur, Training, Realität

LSTM-Netze für Preisprognose im Trading: warum sie funktionieren, wo sie scheitern und wie eine produktive Implementierung in PyTorch aussieht.

Methodik · 10 Min

Meta-Labeling: ML-Filter über klassische Trading-Strategien

Meta-Labeling legt ein ML-Filtermodell über eine klassische Trading-Strategie. Weniger Trades, höhere Win-Rate, kontrolliertes Bet-Sizing. So funktioniert es.

Multi-Agent-Systems im Trading: orchestrierte KI-Workflows

Multi-Agent-Systems im Trading: orchestrierte LLM-Workflows mit Research-, Risk-, Execution- und Critic-Agents. Architektur, Frameworks und ehrliche Bewertung.

Rohstoffe · 8 Min

Natural Gas (NG): der volatilste Future auf der CME

Natural Gas (NG) auf der CME: extreme saisonale Volatilität, EIA-Storage-Reports, Henry-Hub-Mechanik, Heating-Degree-Days, Seasonal-Spreads und warum NG für Retail kaum direkt handelbar ist.

Neural ODEs: Continuous-Time-Modeling für Finanzzeitreihen

Neural ODEs für Finanzzeitreihen: kontinuierliche Dynamik lernen, ideal für unregelmäßig-getaktete Tick-Daten und News-Events. Mit ehrlicher Bewertung gegen LSTM.

News-Trading mit LLMs: was wirklich funktioniert

News-Trading mit LLMs wie Claude und GPT — was wirklich funktioniert, wo die Latenz-Falle lauert und welche News-Quellen sich lohnen.

OpenAI Agents API für Trading: was geht, was ist Marketing

OpenAI Agents API für Trading: was Assistants, Function-Calling, Code-Interpreter und File-Search wirklich leisten — und wo es Marketing-Geschwurbel ist.

Machine Learning · 12 Min

Reinforcement Learning für Order-Execution

Reinforcement Learning für Order-Execution: wie ein Agent lernt, große Orders mit minimalem Market-Impact zu platzieren.

RL in Production: TRPO, PPO, SAC für reales Trading

PPO, SAC und TRPO im produktiven Trading-Einsatz: was zwischen Paper und Live-Trading wirklich passiert, warum 95 % der RL-Setups scheitern und wo RL trotzdem funktioniert.

Reinforcement Learning im Trading: Hype und Realität

Reinforcement Learning im Trading: Was 2026 wirklich funktioniert (Execution-Optimierung) und wo es 5 Jahre zu früh ist (autonomes Trading). Mit ehrlicher Bewertung.

Strategie · 8 Min

Risk Arbitrage: das Bigger Picture jenseits von Merger Arb

Risk Arbitrage als Überbegriff für Event-Driven-Strategien: Merger-Arb, Stub-Trading, Spin-Off, Recapitalization. Edge, Capacity-Limits und meine ehrliche Praxis.

Transformer-Architekturen für Marktdaten: was nach RNNs kommt

Transformer haben NLP revolutioniert. Was bedeuten Self-Attention, TFT und Informer für Trading-Zeitreihen? Ein realistischer Blick auf Stärken, Schwächen und Compute.

Machine Learning · 12 Min

Transformer für Zeitreihen im Trading

Transformer-Architekturen für Zeitreihen im Trading: Self-Attention, positionale Encodings und warum nicht jeder Transformer ein LSTM ersetzt.

Indikator · 8 Min

Ultimate Oscillator: Williams' Multi-Timeframe-Antwort

Larry Williams' Ultimate Oscillator: Buying Pressure über drei Timeframes, klassische 70/30-Trigger plus Divergenz-Regeln. Theorie sauber, Praxis-Performance gegenüber simpleren Tools schwach. Ehrliche Bewertung.

Vision Transformers auf Charts: Bild-Erkennung im Trading

Vision Transformers auf Candlestick-Charts: Pattern-Erkennung als Bild. Pipeline, realistische Ergebnisse und warum das selten ein Stand-Alone-Edge ist.

MLOps · 10 Min

MLOps für Trading-Strategien: Modell-Drift, Re-Training, Production-Pipelines

Trading-Modelle leben unter härteren MLOps-Bedingungen als klassische SaaS-ML: stärkere Drift, kürzere Halbwertszeit, höhere Kosten von Fehlern. Wie Champion-Challenger, Shadow Trading und Drift-Detection in der Praxis aussehen.

Weitere Themen: Backtesting & Validierung · Risikomanagement & Money Management · Strategien & Indikatoren · Trading-Psychologie & Disziplin · Aktien-Investment & Vermögensaufbau · Optionen & Derivate · Krypto & DeFi · Forex & Makro · HFT & Marktstruktur · Daten, Infrastruktur & Engineering · Steuern, Recht & Strukturen

Unverbindlich anfragen